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...
Gespeichert in:
Veröffentlicht in: | Industrial data 2023-01, Vol.26 (1), p.275-301 |
---|---|
1. Verfasser: | |
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 |