Marketing Predictivo: Implementación de Sistemas de Recomendación con Aprendizaje Automático para la Identificación de Patrones de Consumo en Entornos Digitales

Ricardo Rubén Mora Torosine; Mauricio Rubén Franco Coello; Verónica Alexandra Arrata Corzo; Harold Elbert Escobar Terán

doi:10.70577/asce.v5i1.712

Autores/as

Ricardo Rubén Mora Torosine Universidad Técnica Estatal de Quevedo https://orcid.org/0009-0004-9430-0465
Mauricio Rubén Franco Coello Universidad Técnica Estatal de Quevedo https://orcid.org/0009-0005-2756-9429
Verónica Alexandra Arrata Corzo Universidad Técnica Estatal de Quevedo https://orcid.org/0000-0002-8609-4831
Harold Elbert Escobar Terán Universidad Técnica Estatal de Quevedo https://orcid.org/0000-0001-9165-6627

DOI:

https://doi.org/10.70577/asce.v5i1.712

Palabras clave:

Marketing Predictivo, Filtrado Colaborativo, Sistema de Recomendación, Machine Learning, Aprendizaje Superviado, Patrones de Consumo.

Resumen

En respuesta al crecimiento acelerado de las necesidades comerciales, hay una creciente dependencia de extraer información significativa de grandes cantidades de datos crudos para impulsar estrategias de marketing predictivo capaces de anticipar las preferencias del consumidor. El presente artículo describe la implementación de un sistema de recomendación de películas basado en técnicas de aprendizaje automático supervisado, específicamente filtrado colaborativo mediante el algoritmo K-Nearest Neighbors (KNN) con similitud coseno y el Framework Apache Mahout en Python, aplicado sobre el conjunto de datos de películas obtenido de la base de datos Yahoo Research Webscope, que consta de dos archivos: Yahoo! Movies User Ratings y Yahoo! Descriptive Content Information, v1.0. Para lo cual, se analizaron patrones estadísticos de consumo y se generaron recomendaciones personalizadas coherentes con el historial del usuario. Los resultados demuestran que el filtrado colaborativo basado en ítems permite identificar con precisión patrones de consumo latentes, ofrece recomendaciones relevantes que pueden potenciar estrategias de fidelización y conversión en entornos digitales.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Aggarwal, C. (2016). Sistemas de recomendación. Springer. doi:https://doi.org/10.1007/978-3-319-29659-3 DOI: https://doi.org/10.1007/978-3-319-29659-3

Agrawal, S. K. (2021). www.analyticsvidhya.com. Obtenido de Recommendation System -Understanding: www.analyticsvidhya.com/blog/

Apache Mahout. (2 de Abril de 2018). https://mahout.apache.org/. Obtenido de https://mahout.apache.org/

Deldjoo, Y., Schedl, M., Hidasi, B., Wei, Y., & He, X. (2022). Sistemas de recomendación multimedia: Algoritmos y desafíos. En F. Ricci, L. Rokach, & B. Shapira, Manual de sistemas de recomendación (págs. 1015-1055). Nueva York: Springer. doi:https://doi.org/10.1007/978-1-0716-2197-4_26 DOI: https://doi.org/10.1007/978-1-0716-2197-4_26

Fraihat, S., Shambour, Q., Al-Betar, M. A., & Naser Makhadmeh, S. (8 de Diciembre de 2024). Variational Autoencoders-Based Algorithm for Multi-Criteria Recommendation Systems. Algorithms, 17(561). doi:https://doi.org/10.3390/a17120561 DOI: https://doi.org/10.3390/a17120561

Jerez G, J. C. (28 de Junio de 2023). https://medium.com. Obtenido de Los Sistemas de Recomendación y la Ciencia de Datos: https://medium.com/@jcjerez_77135/los-sistemas-de-recomendaci%C3%B3n-y-la-ciencia-de-datos-1b2fa965f47b

Koren, Y., Rendle, S., & Bell, R. (2021). Advances in Collaborative Filtering. Springer. doi:https://doi.org/10.1007/978-1-0716-2197-4_3 DOI: https://doi.org/10.1007/978-1-0716-2197-4_3

Ramlatchan, A., Yang, M., Liu, Q., & Li, M. (Diciembre de 2018). A Survey of Matrix Completion Methods for Recommendation Systems. BIG DATA MINING AND ANALYTICS, I(4), 308-323. doi:10.26599/BDMA.2018.9020008 DOI: https://doi.org/10.26599/BDMA.2018.9020008

Sgardelis, K., Margaris, D., Spiliotopoulos, D., & Vassilakis, C. (Junio de 2025). An evaluation review of user similarity metrics in sparse collaborative filtering datasets. International Journal of Data Science and Analytics. doi:https://doi.org/10.1007/s41060-025-00846-4 DOI: https://doi.org/10.1007/s41060-025-00846-4

Sharma, R. S., Shaikh, A. A., & Li, E. (6 de Mayo de 2021). Designing Recommendation or Suggestion Systems:looking to the future. Electronic Markets, 31, 243–252. doi:https://doi.org/10.1007/s12525-021-00478-z DOI: https://doi.org/10.1007/s12525-021-00478-z

Wu, C.-S. M., Garg, D., & Bhandary, U. (2018). Sistema de recomendación de películas mediante filtrado colaborativo. 9.ª Conferencia Internacional IEEE sobre Ingeniería de Software y Ciencias de los Servicios (ICSESS), 11-15. Pekín, China. doi:doi: 10.1109/ICSESS.2018.8663822 DOI: https://doi.org/10.1109/ICSESS.2018.8663822

Yahooresearch. (24 de Febrero de 2014). Webscope. Obtenido de https://yahooresearch.tumblr.com: https://yahooresearch.tumblr.com/post/77697901734/welcome-to-webscope

Yi, X., Yang, J., Hong, L., Zhiyuan Cheng, D., & Heldt, L. (2019). Modelado neuronal con corrección del sesgo de muestreo para recomendaciones de elementos de corpus grandes. Proceedings of the 13th ACM Conference on Recommender Systems (RecSys). doi:https://doi.org/10.1145/3298689.3346996 DOI: https://doi.org/10.1145/3298689.3346996

Yoo, H., Kang, S., & Tong, H. (2025). Sistemas de recomendación continua. CIKM '25: Actas de la 34ª Conferencia Internacional de la ACM sobre Gestión de la Información y el Conocimiento (págs. 6857 - 6860). Association for Computing Machinery. doi:https://doi.org/10.1145/3746252.3761452 DOI: https://doi.org/10.1145/3746252.3761452

Zhang, S., Yao, L., Sun, A., & Tay, Y. (2019). Sistema de recomendación basado en aprendizaje profundo: una encuesta y nuevas perspectivas. ACM Computing Surveys, 52(5), 1-38. doi:https://doi.org/10.1145/3285029 DOI: https://doi.org/10.1145/3285029