Modelos de decisión aplicados a establecer el criterio de marketing en la gestión del boca a boca electrónico y el análisis de sentimiento. Casos de usos en turismo y comercio

Abstract

Tanto las empresas como sus clientes toman decisiones a diario, de distinta índole y de mayor o menor trascendencia para su futuro. La ciencia de datos da la oportunidad a ambos integrantes del mercado a tomar las mejores decisiones posibles para sus problemas. Por un lado, las empresas pueden obtener ventajas gracias al conocimiento y análisis de sus clientes, sabiendo cómo se comportan. Por otra parte, el cliente puede verse beneficiado de la experiencia de otros usuarios a través de sus valoraciones, así como de hacer una comparativa del mercado que le lleve a elegir la empresa que ofrezca el producto más acorde a sus especificaciones. Como consecuencia de la digitalización de la sociedad, se ha facilitado la obtención e intercambio de información tanto para las empresas como para los consumidores. De hecho, ambos agentes del mercado se retroalimentan de este exceso de información. Partiendo de que los clientes opinan de los productos y servicios que han adquirido o disfrutado, otros consumidores lo utilizan para informarse sobre los aspectos relevantes a la hora de tomar la decisión de compra; llevándoles así a la elección de la empresa que proporcione el mejor producto o servicio. Sin embargo, esta publicación de valoraciones no solo es beneficioso para los consumidores, sino que también proporcionan datos de gran valor a las empresas. En primer lugar, pueden mejorar sus productos y servicios teniendo en cuenta lo que los consumidores comentan sobre ellos en la web; pero también pueden emprender distintas estrategias comerciales segmentando a esos consumidores según su rol en las redes sociales. Sin embargo, este crecimiento de los datos no aporta ningún beneficio si no se trata de la manera correcta. Desde el punto de vista del consumidor, el exceso de información puede llevarle a tomar decisiones equivocadas basadas en la confusión. Si nos centramos en las empresas, muchas no saben cómo tomar decisiones basadas en estos datos debido a la gran cantidad de variables que se pueden extraer de los consumidores, o incluso pueden desconocer el valor de cada cliente o cómo extraer variables que son de crucial importancia para tomar la decisión más acertada. Esta tesis es el resultado de la recopilación de todo el trabajo de investigación que he desarrollado para la resolución de problemas aplicados sobre datos reales. A lo largo de toda la investigación que se ha llevado a cabo, se han propuesto distintas metodologías con el objetivo de facilitar la toma de decisiones. Las metodologías propuestas son resultado de la combinación de técnicas ampliamente utilizadas en la ciencia de datos, potenciando así los beneficios de cada una de ellas y disminuyendo sus desventajas. Para el desarrollo de las metodologías propuestas en nuestra investigación se han utilizado técnicas de aprendizaje supervisado así como de aprendizaje no supervisado. Además, se ha utilizado el análisis de sentimientos en algunos de los trabajos propuestos y los operadores OWA (del inglés, Ordered Weighted Averaging) en otras de nuestras aportaciones. Sin embargo, hay tres modelos que destacan en esta tesis: el modelo RFM (Recencia-Frecuencia-Monetario), el modelo analítico jerárquico y el modelado lingüístico difuso. Si nos centramos en el modelo RFM, en esta tesis se propone una mejora para negocios en la que la transacción monetaria no es tan relevante, no se produce o se desconoce su valor. Se consideró que el valor de la información en plataformas online no debe medirse por un valor económico sino de utilidad. Es decir, si las opiniones que un consumidor publica en la red son de utilidad, ya sea a otros clientes o a la empresa involucrada. Esta variable se puede medir de diferentes maneras y la denotamos Helpfulness para dar lugar a una extensión del modelo RFM al que se bautizó como RFH. La combinación de este nuevo modelo, junto al modelado lingüístico difuso y al modelo analítico jerárquico, nos ha llevado a abrir una línea de investigación.