Predictive Marketing: Implementation of Machine Learning-Based Recommendation System for the Identification of Consumption Patterns in Digital Environments
DOI:
https://doi.org/10.70577/asce.v5i1.712Keywords:
Predictive Marketing, Collaborative Filtering, Recommendation System, Machine Learning, Supervised Learning, Consumption Patterns.Abstract
In response to the accelerated growth of commercial needs, there is an increasing reliance on extracting meaningful information from large volumes of raw data to drive predictive marketing strategies capable of anticipating consumer preferences. This article describes the implementation of a movie recommendation system based on supervised machine learning techniques, specifically collaborative filtering using the K-Nearest Neighbors (KNN) algorithm with cosine similarity and the Apache Mahout framework in Python, applied to a movie dataset obtained from the Yahoo Research Webscope database, consisting of two files: Yahoo! Movies User Ratings and Yahoo! Descriptive Content Information, v1.0. To this end, statistical consumption patterns were analyzed and personalized recommendations consistent with the user's history were generated. The results demonstrate that item-based collaborative filtering accurately identifies latent consumption patterns and provides relevant recommendations that can enhance customer retention and conversion strategies in digital environments.
Downloads
References
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
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Ricardo Rubén Mora Torosine, Mauricio Rubén Franco Coello, Verónica Alexandra Arrata Corzo, Harold Elbert Escobar Terán
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Eres libre de:
- Compartir : copiar y redistribuir el material en cualquier medio o formato
- Adaptar : remezclar, transformar y desarrollar el material
- El licenciante no puede revocar estas libertades siempre y cuando usted cumpla con los términos de la licencia.
En los siguientes términos:
- Atribución : Debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o a su uso.
- No comercial : no puede utilizar el material con fines comerciales .
- CompartirIgual — Si remezcla, transforma o construye sobre el material, debe distribuir sus contribuciones bajo la misma licencia que el original.
- Sin restricciones adicionales : no puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otros hacer algo que la licencia permite.
