Logo_Icesi
 

Modelo de recomendación de portafolio óptimo para aumentar participación en mostradores

Vista sencilla de ítem
dc.audienceTodo Público
dc.contributor.authorVergara Arenas, Juan Camilo
dc.coverage.spatialCali de Lat: 03 24 00 N degrees minutes Lat: 3.4000 decimal degrees Long: 076 30 00 W degrees minutes Long: -76.5000 decimal degrees.
dc.date.accessioned2026-03-05T21:26:39Z
dc.date.available2026-03-05T21:26:39Z
dc.date.issued2025-06-27
dc.description.abstractEste proyecto analiza la dinámica del canal de autoservicios en el sector comercial, enfocándose específicamente en las categorías de Grandes Cadenas e Independientes. El objetivo primordial es comprender el comportamiento diferencial de estos segmentos para diseñar estrategias de venta y posicionamiento de portafolio altamente personalizadas. A través de un análisis detallado de la autonomía del consumidor y la estructura operativa de cada punto de venta, la investigación proporciona herramientas clave para maximizar el impacto comercial y la eficiencia en la distribución, permitiendo a las organizaciones adaptar sus acciones tácticas a las particularidades de cada cliente y entorno local.spa
dc.description.abstractThis project analyzes the dynamics of the self-service channel within the commercial sector, focusing specifically on Retail Chains and Independent stores. The primary objective is to understand the differential behavior of these segments to design highly customized sales strategies and portfolio positioning. By conducting a detailed analysis of consumer autonomy and the operational structure of each point of sale, this research provides key tools to maximize commercial impact and distribution efficiency. Ultimately, it enables organizations to adapt their tactical actions to the unique characteristics of each client and local environment.eng
dc.description.degreelevelMagíster
dc.description.degreenameTrabajo de grado para optar al título de Magister en Ciencia de Datos
dc.description.tableofcontentsIntroducción -- Contexto y antecedentes -- Objetivos -- Pregunta Problema -- Objetivo General -- Objetivos específicos -- Metodología -- Marco Teórico -- Resultados - subcanal 94 -- Resultados - subcanal 93 -- Conclusiones -- Limitaciones -- Trabajo Futuro -- Referencias -- Anexosspa
dc.format.extent40 páginas
dc.format.mediumDigital
dc.format.mimetypeapplication/pdf
dc.identifier.OLIBhttps://biblioteca2.icesi.edu.co/cgi-olib/?oid=366454
dc.identifier.instnameinstname:Universidad Icesi
dc.identifier.reponamereponame:Biblioteca Digital
dc.identifier.repourlrepourl:https://repository.icesi.edu.co/
dc.identifier.urihttps://hdl.handle.net/10906/130580
dc.language.isospa
dc.publisherUniversidad Icesi
dc.publisher.facultyBarberi de Ingeniería, Diseño y Ciencias Aplicadas
dc.publisher.placeCali, Colombia
dc.publisher.programMaestría en Ciencia de Datos
dc.relation.referencesAhmad, S., & Pothen, J. (2024). Exploratory Data Analysis and Data Segmentation UsingK - Means Clustering. IEEE Xplore. Ubicado en de https://ieeexplore.ieee.org/document/10183143.spa
dc.relation.referencesGarcia, M., & Lopez, P. (2024). Toward Enhanced Customer Transaction Insights: AnApriori Algorithm - Based Analysis of Sales Patterns. International Journal of AdvancedComputer Science and Applications, 15(2). Recuperado de https://thesai.org.spa
dc.relation.referencesKula, M. (2015). Metadata Embeddings for User and Item Cold - StartRecommendations. Proceedings of the 2nd Workshop on New Trends in Content - BasedRecommender Systems.spa
dc.relation.referencesSchubert, E., & Rousseeuw, P. J. (2019). Clustering by Fast Search and Find of DensityPeaks. Pattern Recognition, 96, 1 - 15.spa
dc.relation.referencesZhou, Y., & Sun, L. (2021). The Role of Sales Channels in the Omnichannel Environment: A Literature Review. Journal of Retailing and Consumer Services, 61.spa
dc.relation.referencesJannach, D., Adomavicius, G., & Tuzhilin, A. (2016). Recommender Systems – Challenges, Insights and Research Opportunities. ACM Transactions on Management Information Systems (TMIS) , 7(1), 1 – 34. https://doi.org/10.1145/2843948spa
dc.relation.referencesRicci, F., Rokach, L., & Shapira, B. (2022). Recommender Systems Handbook (3rd ed.). Springer. https://doi.org/10.1007/978 - 1 - 0716 - 2197 - 4 (Capítulos relevantes: Evaluation Metrics for Recommender Systems)spa
dc.relation.referencesCremonesi, P., Koren, Y., & Turrin, R. (2010). Performance of Recommender Algorithms on Top - N Recommendation Tasks. In Proceedings of the Fourth ACM Conference on Recommender Systems (pp. 39 – 46). ACM. https://doi.org/10.1145/1864708.1864721spa
dc.relation.referencesRendle, S., Freudenthaler, C., Gantner, Z., & Schmidt - Thieme, L. (2009). BPR: Bayesian Personalized Ranking from Implicit Feedback. Proceedings of the Twenty - Fifth Conference on Uncertainty in Artificial Intelligence (UAI) .spa
dc.relation.referencesRicci, F., Rokach, L., & Shapira, B. (2015). Recommender Systems Handbook . Springer.spa
dc.relation.referencesZhang, S., Yao, L., Sun, A., & Tay, Y. (2019). Deep Learning Based Recommender System: A Survey and New Perspectives. ACM Computing Surveys (CSUR) , 52(1), 1 – 38.spa
dc.rightsEL AUTOR, expresa que la obra objeto de la presente autorización es original y la elaboró sin quebrantar ni suplantar los derechos de autor de terceros, y de tal forma, la obra es de su exclusiva autoría y tiene la titularidad sobre éste. PARÁGRAFO: en caso de queja o acción por parte de un tercero referente a los derechos de autor sobre el artículo, folleto o libro en cuestión, EL AUTOR, asumirá la responsabilidad total, y saldrá en defensa de los derechos aquí autorizados; para todos los efectos, la Universidad Icesi actúa como un tercero de buena fe. Esta autorización, permite a la Universidad Icesi, de forma indefinida, para que en los términos establecidos en la Ley 23 de 1982, la Ley 44 de 1993, leyes y jurisprudencia vigente al respecto, haga publicación de este con fines educativos.spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.licenseAttribution-NonCommercial-NoDerivatives 4.0 Internationalen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject.proposalAutoservicios (Comercio)spa
dc.subject.proposalCanales de comercializaciónspa
dc.subject.proposalVentasspa
dc.subject.proposalAdministraciónspa
dc.subject.proposalAnálisis de mercadospa
dc.subject.proposalSegmentación del mercadospa
dc.subject.proposalConsumidoresspa
dc.subject.proposalConductaspa
dc.subject.proposalMercadeo de productosspa
dc.subject.proposalTesis de Maestría en Ciencia de Datosspa
dc.subject.proposalSelf-service storeseng
dc.subject.proposalMarketing channelseng
dc.subject.proposalSales managementeng
dc.subject.proposalMarket analysisita
dc.subject.proposalMarket segmentationeng
dc.subject.proposalConsumer behavioreng
dc.subject.proposalProduct managementeng
dc.titleModelo de recomendación de portafolio óptimo para aumentar participación en mostradoresspa
dc.typemaster thesis
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.coarversionhttp://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.driverinfo:eu-repo/semantics/masterThesis
dc.type.localTesis de maestría
dc.type.versioninfo:eu-repo/semantics/publishedVersion

Archivos

Bloque original

Mostrando 1 - 1 de 1
Miniatura
Nombre:
T03088.pdf
Tamaño:
3.62 MB
Formato:
Adobe Portable Document Format
Descargar

Bloque de licencias

Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Maestría en Ciencia de Datos