DSpace logo
Please use this identifier to cite or link to this item: http://repositorio.ucsg.edu.ec/handle/3317/20479
Title: Análisis de clasificación por tipo de cliente de la empresa Labelprintsa S.A. en base a un modelo de clusterización por Machine Learning.
Authors: Castillo Moncada, Rogger Francisco
Vera Álava, Andy Jahir
metadata.dc.contributor.advisor: Carrera Buri, Félix Miguel
Keywords: ANÁLISIS DE DATOS;INTELIGENCIA ARTIFICIAL;AUTOMATIZACIÓN DE PROCESOS;RETENCIÓN DE CLIENTES
Issue Date: 7-Feb-2023
Publisher: Universidad Católica de Santiago de Guayaquil
Abstract: Technology and innovation are fundamental for the growth and competitiveness of companies today, where process automation through data analysis is a key tool to improve efficiency and the quality of service offered to customers. However, the management and understanding of artificial intelligence concepts, such as machine learning, remains a challenge due to the complexity of these technologies and practical factors such as costs, personnel, training, and business stance. Despite these challenges, it is essential for companies to adapt to the digitization of processes to compete in global markets. Customer classification and segmentation are fundamental techniques for companies, as they allow them to adapt marketing strategies and campaigns in a more personalized way to different types of target customers, and to establish efficient strategies to achieve a competitive advantage in the market. This research focuses on the development of a customer classification model using Machine Learning (ML) and clustering for the company Labelprintsa. The objective is to establish personalized strategies for different customer groups due to the increasing demand for printing methods and the growth of the company. The application of ML is justified due to the growth of the company and the need to handle a large amount of data to apply customer retention or acquisition strategies. The proposed algorithm is k means neighbours, which is expected to achieve a minimum error in the prediction of customer group classification and a possible increase in market share.
Description: La tecnología y la innovación son fundamentales para el crecimiento y competitividad de las empresas en la actualidad, en donde la automatización de procesos mediante el análisis de datos es una herramienta clave para mejorar la eficiencia y la calidad del servicio ofrecido a los clientes. Sin embargo, el manejo y entendimiento de conceptos de inteligencia artificial, como el aprendizaje automático, sigue siendo un desafío debido a la complejidad de estas tecnologías y a factores prácticos como costos, personal, formación y postura de los empresarios. A pesar de estos desafíos, es esencial que las empresas se adapten a la digitalización de los procesos para poder competir en los mercados globales. La clasificación y segmentación de clientes son técnicas fundamentales para las empresas, ya que permiten adaptar las estrategias y campañas de marketing de manera más personalizada a los diferentes tipos de clientes objetivos, y establecer estrategias eficientes para lograr una ventaja competitiva en el mercado. La presente investigación se enfoca en el desarrollo de un modelo de clasificación de clientes utilizando Machine Learning (ML) y clusterización para la empresa Labelprintsa. El objetivo es establecer estrategias personalizadas para diferentes grupos de clientes debido al aumento de la demanda de métodos de impresión y al crecimiento de la empresa. La aplicación de ML se justifica debido al crecimiento de la empresa y la necesidad de manejar una gran cantidad de datos para aplicar estrategias de retención o adquisición de clientes. El algoritmo propuesto es k means neighbours, el cual se espera logre un mínimo error en la predicción de clasificación de grupos de clientes y un posible aumento en la cuota de mercado.
URI: http://repositorio.ucsg.edu.ec/handle/3317/20479
Appears in Collections:Trabajos de Titulación - Carrera de Negocios Internacionales

Files in This Item:
File Description SizeFormat 
T-UCSG-PRE-CEAE-CNI-56.pdf3,98 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons