Segmentación de mercado: Machine Learning en marketing en contextos de covid-19

RESUMEN La crisis sanitaria covid-19 ha provocado cambios jamás vistos en el comportamiento de los consumidores, quienes compran de manera diferente y por medios también diferentes. Los consumidores están mirando y valorando los productos a través de dispositivos electrónicos, configurando movimient...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:Industrial data 2023-01, Vol.26 (1), p.275-301
1. Verfasser: Chambi Condori, Pedro Pablo
Format: Artikel
Sprache:por
Schlagworte:
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
container_end_page 301
container_issue 1
container_start_page 275
container_title Industrial data
container_volume 26
creator Chambi Condori, Pedro Pablo
description RESUMEN La crisis sanitaria covid-19 ha provocado cambios jamás vistos en el comportamiento de los consumidores, quienes compran de manera diferente y por medios también diferentes. Los consumidores están mirando y valorando los productos a través de dispositivos electrónicos, configurando movimientos en segmentos de consumidores. El objetivo del presente estudio fue aplicar el modelo de clustering con recursos de Machine Learning en el análisis de conglomerados como recurso para la segmentación de consumidores, como un componente importante para la gestión del marketing empresarial. Para dicho propósito, se suministró un cuestionario de 6 preguntas a 506 personas de entre 18 y 65 años para recoger sus percepciones sobre el hecho de salir a comprar. Con los datos recogidos se organizó una dataset para procesarlo en el software RapidMiner Studio 9.10. Como resultado, se obtuvo la cantidad óptima de conglomerados y sus componentes a partir del indicador de performance procurado por Machine Learning.
doi_str_mv 10.15381/idata.v26i1.23623
format Article
fullrecord <record><control><sourceid>scielo</sourceid><recordid>TN_cdi_scielo_journals_S1810_99932023000100275</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><scielo_id>S1810_99932023000100275</scielo_id><sourcerecordid>S1810_99932023000100275</sourcerecordid><originalsourceid>FETCH-scielo_journals_S1810_999320230001002753</originalsourceid><addsrcrecordid>eNqVjk0KwjAUhIMo-HsBV7lA63uJVetWFBcKQt2XkD41ahNoongvj-DFtODCrauZYfjgY2yIEGMiZzgyhQoqvouJwVjIiZAN1sEZQpSmqWz-9Dbren8GSCROxx22y-hYkg1Km9fT8oJ4SZVWhZvzrdInY4lvSFXW2CMny0tVXSh8h3Y20CM4X2Pa3U0RYdpnrYO6ehp8s8fi1XK_WEdeG7q6_Oxulf0ceVYr5bWSACEBAAHENJF_A29ov0qT</addsrcrecordid><sourcetype>Open Access Repository</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>Segmentación de mercado: Machine Learning en marketing en contextos de covid-19</title><source>DOAJ Directory of Open Access Journals</source><source>Elektronische Zeitschriftenbibliothek - Frei zugängliche E-Journals</source><creator>Chambi Condori, Pedro Pablo</creator><creatorcontrib>Chambi Condori, Pedro Pablo</creatorcontrib><description>RESUMEN La crisis sanitaria covid-19 ha provocado cambios jamás vistos en el comportamiento de los consumidores, quienes compran de manera diferente y por medios también diferentes. Los consumidores están mirando y valorando los productos a través de dispositivos electrónicos, configurando movimientos en segmentos de consumidores. El objetivo del presente estudio fue aplicar el modelo de clustering con recursos de Machine Learning en el análisis de conglomerados como recurso para la segmentación de consumidores, como un componente importante para la gestión del marketing empresarial. Para dicho propósito, se suministró un cuestionario de 6 preguntas a 506 personas de entre 18 y 65 años para recoger sus percepciones sobre el hecho de salir a comprar. Con los datos recogidos se organizó una dataset para procesarlo en el software RapidMiner Studio 9.10. Como resultado, se obtuvo la cantidad óptima de conglomerados y sus componentes a partir del indicador de performance procurado por Machine Learning.</description><identifier>ISSN: 1810-9993</identifier><identifier>EISSN: 1810-9993</identifier><identifier>DOI: 10.15381/idata.v26i1.23623</identifier><language>por</language><publisher>Universidad Nacional Mayor de San Marcos. Facultad de Ingeniería Industrial</publisher><subject>ENGINEERING, INDUSTRIAL</subject><ispartof>Industrial data, 2023-01, Vol.26 (1), p.275-301</ispartof><rights>This work is licensed under a Creative Commons Attribution 4.0 International License.</rights><lds50>peer_reviewed</lds50><oa>free_for_read</oa><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Tsyndetics_thumb_exl</thumbnail><link.rule.ids>230,314,776,780,860,881,27901,27902</link.rule.ids></links><search><creatorcontrib>Chambi Condori, Pedro Pablo</creatorcontrib><title>Segmentación de mercado: Machine Learning en marketing en contextos de covid-19</title><title>Industrial data</title><addtitle>Ind. data</addtitle><description>RESUMEN La crisis sanitaria covid-19 ha provocado cambios jamás vistos en el comportamiento de los consumidores, quienes compran de manera diferente y por medios también diferentes. Los consumidores están mirando y valorando los productos a través de dispositivos electrónicos, configurando movimientos en segmentos de consumidores. El objetivo del presente estudio fue aplicar el modelo de clustering con recursos de Machine Learning en el análisis de conglomerados como recurso para la segmentación de consumidores, como un componente importante para la gestión del marketing empresarial. Para dicho propósito, se suministró un cuestionario de 6 preguntas a 506 personas de entre 18 y 65 años para recoger sus percepciones sobre el hecho de salir a comprar. Con los datos recogidos se organizó una dataset para procesarlo en el software RapidMiner Studio 9.10. Como resultado, se obtuvo la cantidad óptima de conglomerados y sus componentes a partir del indicador de performance procurado por Machine Learning.</description><subject>ENGINEERING, INDUSTRIAL</subject><issn>1810-9993</issn><issn>1810-9993</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2023</creationdate><recordtype>article</recordtype><recordid>eNqVjk0KwjAUhIMo-HsBV7lA63uJVetWFBcKQt2XkD41ahNoongvj-DFtODCrauZYfjgY2yIEGMiZzgyhQoqvouJwVjIiZAN1sEZQpSmqWz-9Dbren8GSCROxx22y-hYkg1Km9fT8oJ4SZVWhZvzrdInY4lvSFXW2CMny0tVXSh8h3Y20CM4X2Pa3U0RYdpnrYO6ehp8s8fi1XK_WEdeG7q6_Oxulf0ceVYr5bWSACEBAAHENJF_A29ov0qT</recordid><startdate>20230101</startdate><enddate>20230101</enddate><creator>Chambi Condori, Pedro Pablo</creator><general>Universidad Nacional Mayor de San Marcos. Facultad de Ingeniería Industrial</general><scope>GPN</scope></search><sort><creationdate>20230101</creationdate><title>Segmentación de mercado: Machine Learning en marketing en contextos de covid-19</title><author>Chambi Condori, Pedro Pablo</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-scielo_journals_S1810_999320230001002753</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>por</language><creationdate>2023</creationdate><topic>ENGINEERING, INDUSTRIAL</topic><toplevel>peer_reviewed</toplevel><toplevel>online_resources</toplevel><creatorcontrib>Chambi Condori, Pedro Pablo</creatorcontrib><collection>SciELO</collection><jtitle>Industrial data</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>Chambi Condori, Pedro Pablo</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>Segmentación de mercado: Machine Learning en marketing en contextos de covid-19</atitle><jtitle>Industrial data</jtitle><addtitle>Ind. data</addtitle><date>2023-01-01</date><risdate>2023</risdate><volume>26</volume><issue>1</issue><spage>275</spage><epage>301</epage><pages>275-301</pages><issn>1810-9993</issn><eissn>1810-9993</eissn><abstract>RESUMEN La crisis sanitaria covid-19 ha provocado cambios jamás vistos en el comportamiento de los consumidores, quienes compran de manera diferente y por medios también diferentes. Los consumidores están mirando y valorando los productos a través de dispositivos electrónicos, configurando movimientos en segmentos de consumidores. El objetivo del presente estudio fue aplicar el modelo de clustering con recursos de Machine Learning en el análisis de conglomerados como recurso para la segmentación de consumidores, como un componente importante para la gestión del marketing empresarial. Para dicho propósito, se suministró un cuestionario de 6 preguntas a 506 personas de entre 18 y 65 años para recoger sus percepciones sobre el hecho de salir a comprar. Con los datos recogidos se organizó una dataset para procesarlo en el software RapidMiner Studio 9.10. Como resultado, se obtuvo la cantidad óptima de conglomerados y sus componentes a partir del indicador de performance procurado por Machine Learning.</abstract><pub>Universidad Nacional Mayor de San Marcos. Facultad de Ingeniería Industrial</pub><doi>10.15381/idata.v26i1.23623</doi><oa>free_for_read</oa></addata></record>
fulltext fulltext
identifier ISSN: 1810-9993
ispartof Industrial data, 2023-01, Vol.26 (1), p.275-301
issn 1810-9993
1810-9993
language por
recordid cdi_scielo_journals_S1810_99932023000100275
source DOAJ Directory of Open Access Journals; Elektronische Zeitschriftenbibliothek - Frei zugängliche E-Journals
subjects ENGINEERING, INDUSTRIAL
title Segmentación de mercado: Machine Learning en marketing en contextos de covid-19
url https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-02-10T02%3A36%3A00IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-scielo&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=Segmentaci%C3%B3n%20de%20mercado:%20Machine%20Learning%20en%20marketing%20en%20contextos%20de%20covid-19&rft.jtitle=Industrial%20data&rft.au=Chambi%20Condori,%20Pedro%20Pablo&rft.date=2023-01-01&rft.volume=26&rft.issue=1&rft.spage=275&rft.epage=301&rft.pages=275-301&rft.issn=1810-9993&rft.eissn=1810-9993&rft_id=info:doi/10.15381/idata.v26i1.23623&rft_dat=%3Cscielo%3ES1810_99932023000100275%3C/scielo%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_scielo_id=S1810_99932023000100275&rfr_iscdi=true