Fabian Arteaga, Junior JohnInga Llacza, Fabricio GustavoMiranda Manrique, Kevin Miguel AngelQuispe Zuñiga, DennysReyna Torres, July MabelTurriate Naveda, Santiago2024-04-062024-04-062023https://hdl.handle.net/20.500.12640/3881La presente tesis se enfocó en la investigación e implementación de técnicas de Machine Learning para una empresa del sector farmacéutico, utilizando un conjunto de datos con más de 30 mil transacciones comerciales del período de junio a agosto de 2023. Esta investigación abarcó la recopilación, procesamiento, modelado y evaluación de los datos proporcionados por la empresa, para lo cual se emplearon técnicas de aprendizaje no supervisado como el modelo K-Means y Jerárquico, lo que llevó a la exitosa identificación de cuatro segmentos distintos de clientes. Estos hallazgos resaltan la efectividad de Machine Learning en la segmentación de clientes, lo que permitió poder identificar grupos con similitudes en sus características y patrones de comportamientos. Asimismo, se llevaron a cabo evaluaciones comparativas entre diferentes técnicas para determinar cuál se adaptaba mejor a las necesidades de la empresa. Tras un análisis detallado, se concluyó que el modelo K-Means era el más adecuado en este contexto, debido a que las agrupaciones se ajustaban más a la realidad del negocio. En consecuencia, se formularon estrategias personalizadas para aumentar la retención y satisfacción del cliente, con lo cual se tendrá mayor certeza en la toma de decisiones estratégicas y análisis de datos comerciales.application/pdfspainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-sa/2.5/pe/Aprendizaje automáticoSegmentación del mercadoAnálisis de datosIndustria farmacéuticainfo:eu-repo/semantics/bachelorThesishttps://purl.org/pe-repo/ocde/ford#5.02.04https://purl.org/pe-repo/ocde/ford#2.11.04