Look-up in Google Scholar
Full metadata record
Fabián Arteaga, Junior John
Rosas Vivanco, Dianaluz Milagros
Navarro Huarcaya, Margareth
Atencio Manyari, Stefany Anyela
De la Rosa Flores, Harold
Hilario Maravi, Sayuri
Perú
2022-11-11T14:31:58Z
2022-11-11T14:31:58Z
2022-11-11T14:31:58Z
2022-11-11T14:31:58Z
2022
https://hdl.handle.net/20.500.12640/3235
Actualmente, el constante cambio en los factores externos como la tecnología, el mercado, y ahora la pandemia global están obligando a las empresas del sector retail a buscar diferentes estrategias de venta para mejorar la experiencia de compra de sus clientes y así obtener mejores beneficios. Por ello, este trabajo busca segmentar a los clientes a través de la aplicación de técnicas de Machine Learning para crear un sistema de recomendación de productos personalizados de acuerdo con las características a la cual pertenece cada cliente y así mejorar la experiencia de compra agilizando y facilitando el proceso desde el aplicativo móvil de la empresa. La propuesta de segmentación se realizó aplicando para el preprocesamiento de los datos el método estadístico de PCA y se modeló mediante tres técnicas de aprendizaje no supervisado: K-means, K-medoids y Clustering Jerárquico. Estas técnicas se evaluaron de forma teórica considerando el método del codo y el dendograma los cuales resultaron en K grupos óptimos. Finalmente, para validarlo de forma práctica, se solicitó la evaluación de un experto de la empresa quien mediante una entrevista comparó los resultados de las técnicas y escogió a K-medoids como la segmentación más adecuada para el negocio. (es_ES)
application/pdf (es_ES)
spa (es_ES)
Universidad ESAN (es_ES)
Atribución-NoComercial-SinDerivadas 2.5 Perú (*)
info:eu-repo/semantics/openAccess (es_ES)
http://creativecommons.org/licenses/by-nc-nd/2.5/pe/ (*)
Segmentación del mercado (es_ES)
Aprendizaje automático (es_ES)
Plataformas virtuales (es_ES)
Tiendas al por menor (es_ES)
Supermercados (es_ES)
Clientes (es_ES)
Propuesta de segmentación de clientes aplicando técnicas de Machine Learning para mejorar la experiencia de compra mediante un sistema de recomendación de productos de Tottus (es_ES)
Trabajo de suficiencia profesional (other)
info:eu-repo/semantics/bachelorThesis (es_ES)
Universidad ESAN. Facultad de Ingeniería (es_ES)
Ingeniería en Gestión Ambiental (es_ES)
Ingeniería Industrial y Comercial (es_ES)
Ingeniero Industrial y Comercial (es_ES)
Ingeniero en Gestión Ambiental (es_ES)
PE (es_ES)
https://purl.org/pe-repo/ocde/ford#5.02.04 (es_ES)
https://purl.org/pe-repo/ocde/ford#2.11.04 (es_ES)
https://purl.org/pe-repo/ocde/ford#2.07.00 (es_ES)
https://purl.org/pe-repo/renati/level#tituloProfesional (es_ES)
44749148
https://orcid.org/0000-0001-9804-7795 (es_ES)
70247905
73498622
70178300
74605694
71229519
722056 (es_ES)
521236 (es_ES)
Ballon Alvarez, Eber Joseph
Calderón Niquín, Marks Arturo
https://purl.org/pe-repo/renati/type#trabajoDeSuficienciaProfesional (es_ES)
Privada asociativa



This item is licensed under a Creative Commons License Creative Commons