Descubriendo Patrones de Comportamiento Temporal

El modelos de tensores (array 3D) que usamos surge de la necesidad de representar la marca o huella de comportamiento de transacciones que realiza un cliente en un determinado periodo Per (en nuestro caso cada semana), las dimensiones que representamos en nuestro tensor son:

d: los unidades de tiempo que tienen el periodo Per (en nuestro caso cada día).
t: representa la ventanas de tiempo en d (en nuestro caso son 4 turnos)
mccg: representa la tipo de consumo que realiza el cliente.

Details

La representacion del Tensor es la siguiente:

Los datos para el análisis de tensores los puede descargar en dropbox; los demas archivos y el codigo se encuentran aquí.

git clone https://github.com/johnkevinbarrera/TemporalTXs.git

Value

Una lista de los valores que contienen cada variable

d: {lunes, martes, miércoles, jueves, viernes, sábado, domingo}
t: {madrugada, mañana, tarde, noches}
mccg: i: 1,2,...,n; donde n = número de mccg en los datos de entrada (SJL:28).

References

Authors

   John Barrera

Model

Inicia jupyter notebook en el path de CLUSTER OF TENSORS.

Exploratory Analysis

Footprint Descripcion

Los footprint representa una unidad de comportamiento de un cliente y representa 7 días de la semana, también son la unidad de datos que entra a nuestro modelo, son los tensores.

Dado:

Sesion de TX
    s = {cliente, timestamp, Monto}

Cada cliente tiene una secuencia de sesiones de TX (S)
    S = { s1, s2 , s3, ..., sn}          n: # de sesiones de cada cliente

Resume un conjunto de TXs en un perido de "d" dias

Dado:

 t
 d
 mccg
 T cada semana

Para cada cliente:
	S = {s1, ..., sn}

obtenemos: SS = {U(1), U(2), U(3), ...,U(m)}     obviamente m <=n

Para poder procesarlos los footprints son representados como vectores, de la siguiente manera.

Clustering

Results

Mostramos la evolución de los comportamientos en el tiempo, desde la Fecha Inicial, hasta la fecha Final de nuestra poblacion de datos analisados. También observamos que la semana 7 del 2017 hay una caida en el numero de casi todos los comportamientos de consumo.

Representamos en centroide del cluster 34 porque es el el mas frecuente, (podemos representar los n cluster globales que se muestran), Recuerda que los centroides son tensorres, asi que mostramos en 3 gráficos, uno por cada 2 dimeciones.