Caracterización de los Lectores Registrados de una Web Informativa con el algoritmo K-Means para Incrementar las Ventas

Autores/as

  • Iván Soto Rodríguez Universidad Nacional Agraria La Molina, Lima (Perú).
  • Brian Erick Clemente Rivera

DOI:

https://doi.org/10.21704/ne.v6i1.1731

Palabras clave:

caracterización, audiencia digital, k-means, analítica web, google analytics

Resumen

El presente artículo abordó el desarrollo de un nuevo método de caracterización para los lectores registrados de un sitio web de noticias basado en su comportamiento de uso y temas de interés que leen con frecuencia para crear productos adicionales y encontrar oportunidades comerciales en una compañía peruana de medios de comunicación. Se utilizaron variables del entorno digital como el tipo de notas a la que acceden según la sección en la que estas se encuentran alojadas, complementándose con datos no digitales como la información sociodemográfica (edad, género), de ubicación (país), entre otras que disponibles en la empresa. Se han considerado la información de 19,375 lectores correspondientes a un periodo de tres meses de análisis, y fueron obtenidos mediante las herramientas de Google, Analytics 360 y BigQuery. Para la generación de las agrupaciones se empleó el algoritmo k-means, un método de análisis clúster no jerárquico y una técnica de aprendizaje no supervisado; además, todos los cálculos computacionales, así como la construcción del conjunto de datos final se efectuaron con el software R, que contiene múltiples funciones que facilitaron estas actividades. Como conclusión se obtuvieron y definieron seis segmentos, los cuales permitieron ofrecer una ventaja competitiva a los clientes en términos de publicidad ya que podrán seleccionar la audiencia específica a la que quieran impactar, mejorando en gran medida los resultados que se obtendrían comparado con las estrategias digitales convencionales; además, se realizarán acciones para incrementar el número de suscriptores con el fin de repotenciar estos grupos e incrementar los ingresos obtenidos anualmente.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Adams Harding, A., & Gingras, R. (2018). Google News Initiative. Obtenido de News Consumer Insights Playbook: https://newsinitiative.withgoogle.com/training/states/consumer_insights/pdfs/gni-new-consumer-insights-playbook.pdf

Akhtar, A. (Setiembre de 2019). MonsterInsights. Obtenido de How Does Google Analytics Work? (Complete Beginner’s Guide): https://www.monsterinsights.com/how-does-google-analytics-work-beginners-guide/

Bekavac, I., & Garbin Praničević, D. (2015). Web analytics tools and web metrics tools: An overview and comparative analysis. Croatian Operational Research Review, 373-386.

Čegan, L., & Filip, P. (2017). Webalyt: Open Web Analytics Platform. 27th International Conference Radioelektronika (RADIOELEKTRONIKA).

DBi Data Business Intelligence - Havas. (2019). Obtenido de Google Analytics: ¿Y tú qué necesitas? ¿la versión gratuita o 360?: https://dbibyhavas.io/es/blog/google-analytics-y-tu-que-necesitas-la-version-gratuita-o-360/

Google Analytics Developers. (2019). Obtenido de Enviar datos a Google Analytics: https://developers.google.com/analytics/devguides/collection/analyticsjs/sending-hits?hl=es-419

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2017). An Introduction to Statistical Learning with Applications in R. California: Springer.

Jeffares, A. (Noviembre de 2019). Towards Data Science. Obtenido de K-means: A Complete Introduction: https://towardsdatascience.com/k-means-a-complete-introduction-1702af9cd8c

Kladnik, M., Stopar, L., Fortuna, B., & Mladenić, D. (2017). Audience Segmentation Based on Topic Profiles. Jožef Stefan Institute and Jožef Stefan International Postgraduate School, 1.

Lopez, G., Seaton, D. T., Ang, A., Tingley, D., & Chuang, I. (2017). Google BigQuery for Education: Framework for Parsing and Analyzing edX MOOC Data. L@S '17: Proceedings of the Fourth (2017) ACM Conference on Learning @ Scale.

Medium. (2019). Obtenido de Get the Optimal K in K-Means Clustering: https://medium.com/towards-artificial-intelligence/get-the-optimal-k-in-k-means-clustering-d45b5b8a4315

Mohamad, I. B., & Usman, D. (2013). Standardization and Its Effects on K-Means Clustering Algorithm. Research Journal of Applied Sciences, Engineering and Technology 6, 3299-3300.

Syakur, M. A., Khotimah, B. K., Rochman, E. M., & Satoto, B. D. (2018). Integration K-Means Clustering Method and Elbow Method For Identification of The Best Customer Profile Cluster. IOP Conference Series: Materials Science and Engineering, 1.

Descargas

Publicado

2021-06-30

Número

Sección

Artículos