¿Prediciendo compras (en comercio electrónico) a través de modelos estadísticos o de aprendizaje automático?

Para construir un modelo predictivo, primero necesita un conjunto de datos (que supongo que ya tiene). El siguiente objetivo es decidir qué necesita predecir el modelo, es decir, si tiene un conjunto de datos de clientes, ¿estaría prediciendo un posible comprador de un determinado producto o tiene datos de ventas anuales con los que intenta pronosticar las ventas futuras? solo desea extraer los factores más importantes que afectan el resultado final (ya sea que prediga un posible comprador, que prediga ventas, etc.). El primer caso es una instancia de un problema de clasificación, el segundo es un problema de regresión y la selección de características es el tercero. Lea un poco sobre estos conceptos (entienda particularmente el concepto de clasificación; use cualquier libro de minería de datos).
Ahora, considerando que tiene un conjunto de datos para clasificación o regresión, reserve un porcentaje de estos datos como conjunto de prueba y el resto se utiliza como datos de entrenamiento. A continuación, use un programa como libSVM (disponible en línea) para ejecutar el conjunto de datos de entrenamiento lo que crearía un modelo SVM. Alimente el conjunto de prueba al modelo SVM, que le daría un conjunto de predicciones y precisión de clasificación del conjunto de prueba (para la precisión de clasificación es el porcentaje de etiquetas correctas predichas, para problemas de regresión puede ser un error cuadrado medio reportado).
Probablemente pueda comenzar trabajando en el manual de libSVM, que es bastante rápido para iniciar. Lo anterior es lo más básico que puede ser para la predicción. Si no está escribiendo sus propios algoritmos, puede usar paquetes como Weka (disponible en línea ) que pueden ayudarlo a hacer muchas cosas utilizando sus datos. Para fines de aprendizaje automático, lea un poco sobre Máquinas de vectores de soporte (SVM), Árboles de clasificación y regresión, Bosques aleatorios, que serán más que útiles para comenzar. mejorar un modelo implica limpiar, escalar, transformar datos, encontrar relaciones entre variables en sus datos y muchas otras cosas, pero lo anterior podría ser un comienzo.