Predecir los valores de los clientes con la línea de regresión
Mientras que una correlación habla a la fuerza de una relación entre dos variables, y el r2 ayuda a explicar que la fuerza de la relación, lo que tiene que hacer para predecir una variable de otra es utilizar una extensión del análisis de regresión de correlación llamada. Análisis de regresión se conoce como un “caballo de batalla” en el análisis predictivo. La matemática no es demasiado complicado, y la mayoría de los paquetes de software de soporte de análisis de regresión.
El análisis de regresión se extiende la idea de la dispersión utilizado en la correlación y añade una línea que mejor “se ajusta” los datos.
Uno de los requisitos de la utilización de correlaciones y el análisis de regresión es que los datos es lineal. Lineal significa una línea puede describir razonablemente la relación entre las variables y luego ser utilizado para predecir los valores que no aparecen en los datos (puntos de datos de clientes futuro). Si el diagrama de dispersión de los datos forma una curva, o de cualquier forma que una línea no encaja bien, puede obtener resultados engañosos.
Si bien hay muchas maneras de dibujar líneas a través de los datos, el análisis de mínimos cuadrados es una forma matemática que reduce la distancia entre la línea y cada punto en el diagrama de dispersión. Este análisis se puede hacer a mano o mediante el uso de software tal como Minitab, SPSS, SAS, R, o Excel.
La figura muestra una línea de regresión de mínimos cuadrados.
El software le da la ecuación de la recta de regresión sobre el gráfico:
Tiempo = 86,57 + 4.486 Taps
La ecuación de regresión toma la forma general de
He aquí una explicación de cada parte de la ecuación:
(Pronunciado y-sombrero): Este es el valor predicho de la variable dependiente: tiempo previsto.
Video: Como Fidelizar a tus Clientes - Marketing y Ventas con PNL (Dr Edmundo Velasco).mp4
segundo0: Llamó al y-interceptar, esto es donde la línea cruzaría (o intersección) con el y-eje.
segundo1: Esta es la pendiente de la línea predicho (grado de inclinación es).
X: Esto representa un valor particular de la variable independiente: grifos.
mi: representa el error inevitable la predicción va a contener.
Así, en este ejemplo, la ecuación de regresión indica que la cantidad prevista de tiempo que tarda un cliente para hacer una compra es igual a 86,57 (el y-intercepción) más 4.486 (la pendiente) multiplicado por el número de tomas (X).
Es la fórmula de regresión que permite predecir los valores de los clientes que no existen en los datos. Se le permite realizar “qué pasaría si” los análisis sobre los valores futuros clientes. Esta es la parte “predictivo” de análisis de clientes predictivos.
Por ejemplo, usando la ecuación de regresión del ejemplo anterior, se puede predecir cuánto tiempo un cliente necesita para hacer una compra con 38 grifos. Usted sólo tiene que rellenar 38 en la ecuación de regresión.
Tiempo = 86,57 + 4,486 (38)
Tiempo = 86,57 + 170,47 = 257,04
Un cliente necesita 257 segundos, o un poco más de cuatro minutos, para hacer una compra que requiere 38 grifos.
La variable dependiente se denota “Y” y se muestra en el eje y (vertical). La variable independiente se denomina X y se muestra en el eje horizontal (x).
En lugar de predecir el tiempo de trabajo de un cliente de los grifos, este mismo enfoque se puede utilizar para predecir otros análisis de clientes, incluyendo:
ingresos de los clientes de los ingresos por publicidad
La probabilidad de recomendar a partir de datos usabilidad
Video: La fidelidad del cliente
Número de conversiones de páginas web vistas