Caracterización de clientes mediante técnicas de clustering sobre patrones de consumo farmacéutico para estrategias de marketing
No Thumbnail Available
Date
2026
Journal Title
Journal ISSN
Volume Title
Publisher
PUCE - Quito
Abstract
Diversos estudios coinciden en que no existe una técnica de segmentación que garantice resultados óptimos en todos los contextos. El desempeño de los algoritmos de clustering depende en gran medida de cómo estén organizados los datos y del entorno en el que se aplican (Abbasimehr et al., 2015). En este sentido, la elección de un método no debería basarse únicamente en su popularidad o en resultados obtenidos en otros sectores, sino en evaluaciones comparativas ajustadas a las características específicas del negocio.
Los trabajos que describen de forma completa cómo se implementan procesos de segmentación en el sector farmacéutico (Syaputra & others, 2020). En muchos casos, el análisis se concentra en indicadores técnicos o en la eficiencia del modelo, mientras que aspectos operativos como la integración con sistemas CRM, la definición práctica de los segmentos o la medición del impacto económico reciben menor atención (Y. Yoseph & Heikkilä, 2018a). Esta distancia entre el desarrollo metodológico y su aplicación ha limitado la adopción de estas herramientas, especialmente en empresas medianas.
Frente a este panorama, la presente investigación adopta técnicas de clustering, que incorpora un proceso que incluye la preparación de los datos, la comparación de modelos y la validación de los resultados, considerando además las particularidades regulatorias del sector (Abbasimehr et al., 2015). Esta situación cobra especial relevancia en el retail farmacéutico ecuatoriano, un sector caracterizado por la fragmentación del mercado y por un entorno regulatorio exigente que condiciona la forma en que se desarrollan las prácticas comerciales (García, 2022).
Por lo tanto, los propósitos de este estudio se enfocan hacia el análisis de los patrones de compra a través de variables LRFM generadas a partir de datos históricos, la comparación de algoritmos de agrupación en términos de estabilidad e interpretabilidad, la identificación de segmentos en función de su valor presente y potencial futuro, y la formulación de directrices estratégicas acordes con cada perfil identificado (Syaputra et al., 2020; (Syaputra & others, 2020a; Y. Yoseph & Heikkilä, 2018a)
Por último, el documento se organiza en capítulos que recorren la revisión teórica, el diseño metodológico, la presentación y el análisis de los resultados, así como la discusión de sus implicaciones y limitaciones, con el fin de ofrecer una visión clara y actualizada de la segmentación de clientes farmacéuticos mediante técnicas de clustering.
Description
Keywords
Minería de datos, Aprendizaje automático - Algoritmos de clustering, Industria farmacéutica - Comercio minorista, Segmentación del mercado, Relaciones con el cliente, Mercadeo farmacéutico