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

• Published in: Industrial data Vol. 26; no. 1; pp. 275 - 301
• Main Author: Chambi Condori, Pedro Pablo
• Format: Journal Article
• Language: Spanish
• Published: Universidad Nacional Mayor de San Marcos 18-10-2023
• Subjects: artificial intelligence; COVID; covid-19; inteligencia artificial; investigación de mercados; segmentación; segmentation
• ISSN: 1560-9146; 1810-9993; 1810-9993
• DOI: 10.15381/idata.v26i1.23623

The COVID-19 health crisis has led to unprecedented changes in consumer behavior, as consumers now purchase differently and use different means. Consumers are checking and judging products via electronic devices, shaping trends in consumer segments. This research study aimed to use the clustering model with Machine Learning resources in the analysis of clusters as a resource for consumer segmentation, a major component in business marketing management. A 6-question questionnaire was administered to 506 people ranging from 18 to 65 years old to gauge their opinions about going shopping. A dataset was organized using the data collected and processed using RapidMiner Studio 9.10 software. The optimal number of clusters and their components were obtained from the performance indicator provided by Machine Learning.
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.