COMPARATIVA DE MODELOS DE MACHINE LEARNING APLICADOS A LA PREDICCION DE DATOS DE MARKETING

Abstract

En este trabajo se ha desarrollado una comparativa exhaustiva entre modelos de predicción aplicados al ámbito del marketing digital, utilizando tres conjuntos de datos reales con características heterogéneas. Se han empleado modelos de series temporales como ARIMA, así como algoritmos de Machine Learning supervisado, destacando Random Forest, SVR, LightGBM y redes neuronales recurrentes (RNN). Tras un proceso completo de limpieza, transformación y selección de variables, los resultados han demostrado de forma consistente que Random Forest ha sido el modelo con mejor desempeño, alcanzando valores de R2 superiores al 0.9 en múltiples tareas y reduciendo notablemente la raíz del error cuadrático medio. En contraste, los modelos temporales han ofrecido un rendimiento deficiente en los datasets utilizados. El trabajo concluye con una propuesta de mejora orientada al ajuste fino de hiperparámetros, el uso de datos de mayor calidad y la exploración de modelos como Prophet en futuras investigaciones.

Throughout this body of work, an exhaustive comparative between predictive models applied to the digital marketing space has been developed, utilizing three datasets and their real-world data, with heterogeneous characteristics. Different models were employed for the findings, from Time Series like ARIMA, as well as supervised learning with Random Forest, SVR, LightGBM and recurrent neural networks (RNN). After a thorough data cleaning process, transformation and selection of variables, the results have shown consistently that Random Forest has been the best model, achieving values of R2 north of 0.9 in multiple instances and notably reducing the root mean squared error. In contrast, Time Series have demonstrated to be clearly deficient in the results obtained for the datasets. The project concludes with a future proposition to improve the results using further fine-tuning of hyperparameters, better quality data and the exploration of Prophet in further investigations.