Agenda

Descripció:

A càrrec de Mónica Mendoza
 
Presentació:
 
Los cambios de precios y las nuevas tendencias han provocado que el consumidor desconfíe y aumente su sensibilidad. Las empresas han bajado los precios y los márgenes. ¿Cómo vender a estos compradores, cada vez más exigentes, informados y con más oferta?

Ubicació: Montjuïc, Pabellón 1 - Sala Mobile - Experiència Client Col·laborador

Data: Dimecres 31, Maig de 2017 - 13:00h

Descripció:

“Location-price Competition, Network Effects, and Consumer coalitions”

A càrrec de Fernando Pigeard (Universidade de São Paulo)

Ubicació: Seminar Room B3-123A

Data: Dimecres 31, Maig de 2017 - 13:15h

Descripció:

A càrrec de Mónica Mendoza
 
Presentació:
 
Conferencia magistral + teatro en la cual un actor junto a Mónica representaran diferentes escenarios comerciales en los que se encuentran día a día los emprendedores. El actor será un comprador difícil y la ponente tendrá que ingeniárselas para poder cerrar una venta.

Ubicació: Montjuïc, Pabellón 1 - Sala Mobile - Experiència Client Col·laborador

Data: Dimecres 31, Maig de 2017 - 18:00h

Descripció:

A càrrec de Ricardo Villarreal (University of San Francisco) i Pablo Gutiérrez (Universidad de León)

“Advanced consumer segmentation method:
Segmentation: From Cluster Analysis to Mixture modeling
Identification of Multiple Segments in PLS Path Models”

Ubicació: Seminari E2 (Departament d'Empresa)

Data: Dijous 1, Juny de 2017 - 15:00h

Descripció:

A càrrec de Juan Carlos Duque (RISE, Universidad EAFIT,  Medellin, Colombia) amb la col·laboració de J.E. Patino i A. Betancourt
 
Abstract

Slum identification in urban settlements is a crucial step in the process of formulation of pro-poor policies. However, the use of conventional methods for slums detection such as field surveys may result time consuming and costly. This paper explores the possibility of implementing a low-cost standardized method for slum detection. We use spectral, texture and structural features extracted from very high spatial resolution imagery as input data and evaluate the capability of three machine learning algorithms (Logistic Regression, Support Vector Machine and Random Forest) to classify urban areas as slum or no-slum. Using data from Buenos Aires (Argentina), Medellin (Colombia), and Recife (Brazil), we found that Support Vector Machine with radial basis kernel deliver the best performance (with F2-scores over 0.81). We also found that singularities within cities preclude the use of a unified classification model.

Ubicació: Seminar room AULA A

Data: Dijous 1, Juny de 2017 - 15:00h

Descripció:

Doctorand: Caroline Kinya Mbaya

Directors: Dr. Gloria Estapé-Dubreuil

Ubicació: Sala de Graus

Data: Dimarts 6, Juny de 2017 - 12:00h