Modelo predictivo de demanda basado en segmentación de clientes mediante técnicas de clustering y Machine Learning en ventas de productos médicos de laboratorio en el Ecuador
Fecha
Autores/as
Título de la revista
ISSN de la revista
Título del volumen
Editor
DOI
Resumen
En los últimos años, el crecimiento acelerado de la información generada por las organizaciones ha impulsado la adopción de la Ciencia de Datos y de técnicas de análisis avanzado como herramientas estratégicas para apoyar la toma de decisiones. La disponibilidad de grandes volúmenes de datos históricos ha permitido que sectores como el comercial, el financiero, el industrial y el de la salud incorporen modelos analíticos capaces de identificar patrones, comprender el comportamiento de los clientes y anticipar escenarios futuros mediante algoritmos de Machine Learning. En el sector de comercialización de productos médicos de laboratorio, la gestión eficiente de la demanda representa un desafío debido a la diversidad de productos, la variabilidad de los patrones de compra y la necesidad de garantizar la disponibilidad de insumos para la atención de los servicios de salud. Aunque las organizaciones generan información proveniente de sus procesos comerciales, esta suele utilizarse principalmente para análisis descriptivos y reportes históricos, lo que desaprovecha el potencial de las técnicas predictivas para fortalecer la planificación comercial y la gestión basada en datos. La literatura científica evidencia importantes avances tanto en la clasificación de clientes mediante métodos de agrupamiento como en el desarrollo de modelos predictivos de demanda basados en algoritmos de Machine Learning. Sin embargo, la mayoría de las investigaciones abordan estos procesos de forma independiente, existiendo una limitada evidencia sobre la incorporación de la segmentación de clientes como variable explicativa dentro de modelos predictivos, particularmente en el contexto del sector de productos médicos de laboratorio en Ecuador. Esta situación evidencia una brecha en la investigación que motiva el desarrollo del presente estudio. En este contexto, la presente investigación tiene como propósito desarrollar un modelo predictivo de demanda basado en la segmentación de clientes mediante técnicas de clustering y algoritmos de Machine Learning aplicados a las ventas de productos médicos de laboratorio en el Ecuador. Para ello, se utilizarán datos históricos de ventas correspondientes al período 2023–2026, a partir de los cuales se identificarán patrones de comportamiento de los clientes mediante las variables RFM (Recency, Frequency y Monetary) y el algoritmo K-Means. Posteriormente, la información obtenida será incorporada como variable explicativa en diferentes modelos predictivos, entre ellos Regresión Lineal, Random Forest y XGBoost, con la finalidad de evaluar y contrastar su rendimiento mediante métricas como MAE y RMSE y el coeficiente de determinación (R²). El estudio adopta un enfoque cuantitativo, de alcance correlacional y diseño no experimental, y utiliza técnicas de minería de datos y de aprendizaje automático para analizar la relación entre la segmentación de clientes y la precisión de los modelos predictivos de demanda. Se espera que los resultados contribuyan tanto al ámbito académico como al empresarial, proporcionando evidencia del aporte de integrar técnicas de clustering y Machine Learning en un mismo enfoque analítico para mejorar la toma de decisiones comerciales y la planificación de la demanda. Finalmente, este documento se estructura en varios capítulos que presentan el problema de investigación, la revisión de la literatura, la metodología empleada, el desarrollo del modelo analítico, el análisis de resultados y las conclusiones del estudio, con el propósito de ofrecer una propuesta metodológica aplicable al contexto de la comercialización de productos médicos de laboratorio en el Ecuador.






