Fabian Arteaga, Junior JhonEspinoza Sutta, MiltonLimachi Pampamallco, Ana IsabelMelo Locumber, NoeRodriguez Otiniano, Junior RicardoValencia Cañote, Sebastian2024-06-092024-06-092024https://hdl.handle.net/20.500.12640/3946Saber qué es lo que quiere el cliente es uno de los retos más grandes que afrontan las empresas en la actualidad. En cuanto al uso de tecnología, las nuevas tendencias que aplican soluciones cuyo objetivo es mejorar, de manera incremental, la capacidad de poder recomendar productos o servicios de manera más exacta. No obstante, para identificar lo que desean los clientes, se necesita una base histórica que nos permita comprender sus necesidades y preferencias. Por ello, este trabajo de investigación se enfoca en el desarrollo de un algoritmo de recomendación que, a través del procesamiento de datos, pueda recomendar productos según el perfil del cliente. La investigación utiliza datos de Alicorp, una empresa peruana líder en consumo masivo, con dos millones de transacciones de ventas de clientes como panaderías, restaurantes y bodegas. Se aplicaron técnicas basadas en reglas como RFM y algoritmos de machine learning como Kmeans, LGBM Classifier y LGBM Ranker en la etapa de modelamiento. Para definir el mejor algoritmo se utilizó una medida de recall promedio de clientes de los productos recomendados. La familia de algoritmos LGBM demostró una precisión superior, destacando el LGBM Ranker que logró un impresionante recall de 0.8950.application/pdfspaAtribución-CompartirIgual 2.5 Perúinfo:eu-repo/semantics/openAccessAprendizaje automáticoProcesamiento de datosAlgoritmos de recomendacióninfo:eu-repo/semantics/bachelorThesishttps://purl.org/pe-repo/ocde/ford#2.11.04https://purl.org/pe-repo/ocde/ford#5.02.04