Estimación bayesiana de conversión en campañas bancarias
Modelo Binomial–Beta aplicado a conversión en campañas comerciales para estimar incertidumbre, actualizar evidencia y apoyar decisiones de marketing.
Tipo
Proyecto individual académico
Área
CRM Analytics · Bayesian Inference · Decision Science
Herramientas
FirstBayes · Excel · UCI Bank Marketing dataset
Técnicas
Binomial-Beta model · Posterior update · Prior sensitivity · Predictive distribution · Uncertainty intervals
Entregable
Modelo probabilístico de conversión
Valor
Proyecto individual donde estimé la conversión de campañas de telemarketing bancario mediante inferencia bayesiana Binomial-Beta y distribución predictiva para traducir incertidumbre en expectativas operativas de marketing.
Contactos analizados
Conversiones observadas
Tasa estimada de conversión
Rango plausible por 100 contactos
Probabilidad de 15+ conversiones
01 / Lectura rápida
Caso en 60 segundos
Una lectura rápida del caso: qué pasaba, qué había que resolver, qué hice y qué valor queda demostrado.
Situación
SEn marketing, no basta con saber la conversión observada. Hay que distinguir variabilidad normal de cambios reales en rendimiento. La inferencia bayesiana permite actualizar creencias conforme llega nueva evidencia y estimar rangos plausibles para la toma de decisiones.
Tarea
TProyecto individual donde estimé la conversión de campañas de telemarketing bancario mediante inferencia bayesiana Binomial-Beta y distribución predictiva para traducir incertidumbre en expectativas operativas de marketing.
Acción
A- 01Definir el problema de decisión.
- 02Interpretar el dataset y la variable de conversión.
- 03Seleccionar prior informativa y no informativa.
- 04Actualizar a posterior con STAGE1 y usar esa posterior como prior de STAGE2.
Resultado
R- La muestra contiene 521 conversiones sobre 4.521 contactos, con tasa observada del 11,52%.
- Tasa de conversión estimada cercana al 11,5 %.
- La prior informativa y la no informativa convergen casi al mismo resultado final: la evidencia muestral domina la inferencia.
- Permite planificar campañas con rangos de incertidumbre.
- Evita sobrerreaccionar ante variaciones normales.
- 4.521 · Contactos analizados
02 / Contexto
Problema
El objetivo de esta parte es entender el reto de negocio o análisis sin entrar todavía en detalle técnico.
02.1
Resumen ejecutivo
Caso útil para marketing analytics porque cambia la conversación de “cuál fue la conversión observada” a “qué rango de conversión es plausible y con qué probabilidad”. Esa lógica ayuda a decidir sin sobrerreaccionar al ruido.
02.2
Mi contribución
Proyecto académico individual de Gestión empresarial con información externa. Enfoqué el problema, interpreté el dataset, comparé prior informativa y no informativa, apliqué aprendizaje secuencial Binomial-Beta en dos etapas y traduje la distribución predictiva a expectativas operativas.
03 / Método
Enfoque
Métodos, herramientas y flujo de trabajo. Aquí se ve cómo estructuré el análisis.
03.1
Datos y métodos
- Bank Marketing dataset de UCI, fichero bank.csv con 4.521 contactos.
- Variable binaria de conversión: suscripción sí/no a depósito a plazo.
- Prior no informativa Beta(1,1) y prior informativa débil Beta(2,48; 17,52) basada en Moro et al. (2014).
- Aprendizaje secuencial en dos bloques: 500 contactos iniciales y 4.021 contactos posteriores.
- Actualización posterior, HDI 95%, probabilidad de superar umbral del 12% y predictiva Beta-Binomial para 100 contactos.
- FirstBayes y Excel.
03.2
Proceso
- 01Definir el problema de decisión.
- 02Interpretar el dataset y la variable de conversión.
- 03Seleccionar prior informativa y no informativa.
- 04Actualizar a posterior con STAGE1 y usar esa posterior como prior de STAGE2.
- 05Comparar sensibilidad de resultados a la prior.
- 06Construir distribución predictiva para 100 contactos futuros.
- 07Traducir probabilidades a expectativas operativas.
04 / Decisión
Evidencia e impacto
Outputs, hallazgos e implicaciones traducidos a decisiones o valor profesional.
04.1
Hallazgos clave
- La muestra contiene 521 conversiones sobre 4.521 contactos, con tasa observada del 11,52%.
- Tasa de conversión estimada cercana al 11,5 %.
- La prior informativa y la no informativa convergen casi al mismo resultado final: la evidencia muestral domina la inferencia.
- La probabilidad posterior de superar el 12% cae a ~16–17% tras incorporar toda la evidencia.
- Expectativa operativa: 11–12 conversiones por cada 100 contactos.
- Rango plausible: 6–18 conversiones por cada 100 contactos.
- Probabilidad aproximada del 17,7 % de alcanzar 15 o más conversiones.
04.2
Implicaciones de negocio
- Permite planificar campañas con rangos de incertidumbre.
- Evita sobrerreaccionar ante variaciones normales.
- Ayuda a definir expectativas realistas de conversión.
05 / Cierre
Cierre profesional
Limitaciones, siguientes pasos y materiales disponibles. Mantiene el caso honesto y accionable.
05.1
Limitaciones
- Dataset externo.
- Modelo univariante para tasa global de conversión.
- No incorpora variables predictoras individuales.
- La unidad de análisis es el contacto de campaña, no necesariamente cliente único.
- No sustituye un modelo de scoring o uplift.
05.2
Qué haría a continuación
- Incorporar variables del cliente.
- Comparar segmentos.
- Construir modelo predictivo.
- Usar machine learning para propensity scoring.
- Crear simulador de conversión por presupuesto.
05.3
Recursos
Continuar lectura
Proyectos relacionados
Casos conectados por área, método o tipo de decisión. Úsalos para seguir una línea de análisis sin volver al listado completo.
Siguiente proyecto