INTRODUCCIÓN
El uso de la inteligencia de datos en el marketing ha experimentado un crecimiento considerable en los últimos años, convirtiéndose en un factor crucial para las empresas que buscan aumentar la conversión y personalizar sus ofertas. Este fenómeno es particularmente relevante en un contexto como el de Ecuador, donde el acceso a tecnologías avanzadas ha aumentado significativamente, lo que permite a las empresas implementar estrategias más precisas y efectivas.
A nivel nacional, la penetración de Internet ha alcanzado una cobertura del 72,3 % en 2021, lo que ha impulsado el crecimiento de las plataformas de marketing digital. Dicha tendencia se refleja en la creciente adopción de herramientas de análisis de datos que permiten a las empresas recopilar, procesar y analizar grandes volúmenes de información sobre los consumidores para ofrecerles productos y servicios adaptados a sus preferencias y comportamientos. Al personalizar sus ofertas, las empresas pueden aumentar significativamente la relevancia y desempeño de sus campañas, lo que no solo mejora la experiencia del cliente, sino que también aumenta la tasa de conversión, un factor clave para el éxito comercial en el competitivo entorno digital actual (Banco Central del Ecuador, 2022).
En la provincia de Santo Domingo de los Tsáchilas, la adopción de la inteligencia de datos ha comenzado a ganar cada vez más terreno, principalmente en empresas enfocadas al área comercial y de servicios. Los sectores comerciales de la provincia han experimentado un rápido crecimiento y muchas pequeñas y medianas empresas han comenzado a utilizar tecnologías para mejorar sus estrategias y procesos de marketing digital. Sin embargo, a pesar de estos avances, siguen existiendo retos para la integración efectiva de estos sistemas. Muchas empresas locales, debido a la falta de infraestructura tecnológica y de personal capacitado, aún no pueden aprovechar todo el potencial de la inteligencia de datos.
Esta limitación se refleja en la capacidad de las empresas para personalizar adecuadamente sus ofertas, lo que reduce la eficacia de sus campañas de marketing y afecta a las tasas de conversión. La falta de una segmentación y personalización precisas de las ofertas hace que a las empresas se les dificulte conectar emocionalmente con sus consumidores, lo que se traduce en menores niveles de fidelidad y una menor tasa de conversión (Instituto nacional de estadística y censos, 2023).
La problemática persiste en muchas pymes, donde la falta de herramientas adecuadas de recopilación y análisis de datos sigue siendo un obstáculo importante. El uso de las plataformas de marketing digital ha crecido, muchas empresas no logran integrar de manera eficiente los datos de los usuarios, lo que limita las posibilidades de ofrecer ofertas personalizadas. Únicamente un pequeño porcentaje de empresas de Santo Domingo ha logrado incorporar tecnologías avanzadas en sus estrategias de marketing, lo que subraya la necesidad urgente de mejorar la capacitación e implementación de más infraestructuras tecnológicas en el sector (Ministerio de Producción, 2025).
En relación con la problemática planteada, esta investigación se enfoca en cómo la inteligencia de datos de usuarios puede mejorar la personalización de las ofertas y aumentar las tasas de conversión, específicamente en los supermercados. El objetivo principal de este estudio es analizar cómo el uso de inteligencia de datos permite a los supermercados diseñar campañas de marketing más efectivas y personalizadas, adaptadas a las necesidades y preferencias de los consumidores.
Referencial Teórico
En marketing, las tasas de conversión se consideran una métrica fundamental para evaluar la efectividad de la personalización. Partiendo de la premisa de que los modelos analíticos avanzados, capaces de interpretar con mayor precisión el sentimiento del consumidor, tienen un potencial significativo para incrementar el rendimiento de la conversión. La implementación de tácticas sistemáticas de marketing personalizado, las cuales se basan en un análisis multidimensional de los sentimientos, logra aumentar eficazmente las tasas de conversión.
Estas estrategias, como las recomendaciones personalizadas o las promociones dirigidas, demuestran ser efectivas para atraer a más clientes potenciales. Al evaluar la efectividad de estas estrategias, es crucial considerar que existen factores externos, como la competencia del mercado, las fluctuaciones en el comportamiento del consumidor y las variaciones estacionales, que pueden influir y afectar los resultados finales de la conversión (Li et al., 2025).
Las tasas de conversión se analizan como una variable fundamental y un resultado clave para medir la productividad de la estrategia en cuanto a personalización. Existen factores que influyen en las conversiones de compra, examinando métricas de interacción como la actividad en redes sociales, la duración de la sesión y las tasas de clics. Los estudios demuestran que estas métricas de engagement, por sí solas, son insuficientes para predecir de manera concluyente los resultados de conversión. Se ha observado que métricas superficiales, como los clics, no siempre se traducen directamente en compras, y su impacto aislado puede ser mínimo o estadísticamente insignificante.
Por esta razón, el análisis del sentimiento del consumidor se considera un complemento crucial; el sentimiento positivo a menudo se asocia con una mayor probabilidad de conversión, mientras que el sentimiento negativo puede disuadir la acción de compra. Lograr un impacto directo y significativo en la conversión requiere un enfoque holístico, ya que los impulsores de la decisión de compra son multifacéticos y complejos. Ciertamente, es esencial integrar variables más amplias que combinen conocimientos conductuales, emocionales y contextuales (Shlash et al. 2025).
La implementación de herramientas predictivas basadas en IA (inteligencia artificial) ha demostrado tener un impacto notablemente positivo en las tasas de conversión. El principal mecanismo para lograr este incremento es la mejora significativa en la personalización de las interacciones con los clientes. La capacidad de la IA para analizar datos permite una segmentación de mercado más precisa y la adaptación de los mensajes a los comportamientos individuales. Este enfoque predictivo faculta a las empresas para anticipar el comportamiento del consumidor y, por consiguiente, las tasas de conversión son identificadas como un indicador clave de rendimiento y un objetivo central en la optimización de estrategias de marketing.
La implementación del marketing predictivo basado en inteligencia artificial busca activamente influir en este indicador, habiéndose reportado un impacto notablemente positivo en sus resultados. Esta mejora se atribuye a la capacidad de las tecnologías de IA para potenciar la personalización de las interacciones con los clientes. Al utilizar herramientas predictivas, las organizaciones pueden analizar comportamientos y ajustar los mensajes de manera precisa, lo que resulta en un aumento de la satisfacción del cliente y, como resultado, en un incremento de las tasas de conversión.
Así pues, la IA permite una segmentación de mercado más precisa, lo que optimiza los recursos al dirigir las campañas únicamente a aquellos segmentos con la mayor probabilidad de conversión. La capacidad de anticipar preferencias y dirigir los esfuerzos hacia audiencias con alto potencial es un factor decisivo para impulsar la mejora de las tasas de conversión en el entorno digital (García & Herrero, 2025).
La aplicación del aprendizaje automático para predecir el comportamiento del consumidor, y más específicamente la intención de compra, es la herramienta fundamental utilizada para abordar el desafío de las tasas de conversión. Estos modelos predictivos permiten a las organizaciones y empresas identificar con mayor precisión a los consumidores potenciales. Basándose en los resultados de dicha predicción, se desarrollan e implementan estrategias de marketing optimizadas, tales como los sistemas de recomendación personalizados y la publicidad de precisión dirigida. Se ha establecido que estas tácticas personalizadas, al analizar el historial de comportamiento e intereses del usuario, son un medio eficaz para mejorar significativamente las tasas de conversión. Sin duda, la predicción precisa del comportamiento se considera un pilar para optimizar los recursos de marketing, mejorar la fidelidad e incrementar la conversión final del usuario o cliente (Lin, 2025).
Esta tasa de conversión se define teóricamente como la proporción de individuos que, tras acceder a una plataforma o interactuar con un anuncio, completan una acción deseada específica, como finalizar una compra o rellenar un formulario. Se enfoca en validar el rendimiento de los modelos predictivos utilizando esta métrica, comparándola con otros indicadores como la tasa de clics y el retorno de la inversión.
El aplicar métodos de aprendizaje automático al análisis de la intención de compra es, por consiguiente, optimizar las iniciativas de marketing. Al predecir con mayor precisión el comportamiento del consumidor, las empresas pueden mejorar sus estrategias, lo que se traduce en un incremento de las tasas de conversión y, en última instancia, en un mayor éxito comercial y una mejor conexión con la audiencia o público objetivo (Shi et al., 2025).
En marketing, la inteligencia de datos de usuarios se materializa en la aplicación de algoritmos para optimizar las campañas de publicidad digital mediante el análisis del comportamiento del consumidor. Estas herramientas procesan los datos de interacción generados en plataformas publicitarias como clics, conversiones y costos, para aprender eficientemente la relación entre las acciones de marketing, tales como las ofertas en subastas y la asignación de presupuestos, y los resultados obtenidos. El enfoque explota el conocimiento del dominio para construir modelos predictivos, como regresiones paramétricas, capaces de operar eficazmente incluso con datos limitados o censurados y en mercados cambiantes.
Estos sistemas gestionan activamente el dilema entre la exploración, que consiste en recopilar más datos para refinar el conocimiento del comportamiento del usuario, y la explotación, que es utilizar el conocimiento actual para maximizar las conversiones. El propósito es tomar decisiones secuenciales óptimas que personalicen la estrategia publicitaria, adapten las ofertas y la distribución del presupuesto en tiempo real, y mejoren el rendimiento general, medido a través de métricas como el número total de conversiones (Gigli & Stella, 2025).
La inteligencia de datos de usuarios incluye a la aplicación de tecnologías como la inteligencia artificial, incluyendo algoritmos de aprendizaje automático y procesamiento de lenguaje natural, junto con el análisis predictivo, para examinar grandes volúmenes de datos sobre el comportamiento del consumidor. Este proceso implica explorar datos históricos y en tiempo real, como el historial de navegación, preferencias e interacciones, con el fin de identificar patrones, segmentar audiencias y predecir acciones futuras como la probabilidad de compra o abandono. Mediante la comprensión profunda del comportamiento del cliente, las organizaciones pueden diseñar y entregar experiencias, mensajes y ofertas altamente personalizadas en tiempo real, adaptadas a las necesidades individuales, mejorando así la efectividad de las campañas, el compromiso del cliente y, en última instancia, las tasas de conversión (Vij et al., 2025).
Implica el uso de técnicas avanzadas de aprendizaje automático, para analizar extensos conjuntos de datos transaccionales y conductuales de los consumidores. Este proceso utiliza algoritmos de aprendizaje por refuerzo y redes neuronales profundas para reconocer patrones complejos, derivar conocimientos sobre el comportamiento del cliente y comprender la dinámica del mercado en tiempo real. Buscando optimizar las estrategias de marketing digital, particularmente en la fijación dinámica de precios, permitiendo a las empresas adaptar sus ofertas y decisiones de precios de manera continua. Al aprender de las interacciones y ajustar las acciones basándose en la retroalimentación observada, estas herramientas permiten una personalización implícita de la oferta a través de precios adaptativos, respondiendo ágilmente a las condiciones cambiantes y las preferencias de los clientes (Loukili et al., 2025).
Centrándose en el uso de herramientas como grafos de conocimiento basados en interacciones y algoritmos avanzados de aprendizaje automático, incluyendo redes neuronales de grafos y modelos de atención, para analizar el comportamiento del consumidor en redes sociales. Este análisis implica procesar datos diversos como las interacciones de los usuarios, el contenido que generan y sus preferencias o afinidad hacia marcas específicas, a menudo cuantificadas mediante métricas como el punto de pasión y la puntuación de creación de contenido. El propósito de estas herramientas y análisis es extraer valor y comprender patrones ocultos en el comportamiento y las relaciones de los usuarios, yendo más allá de las conexiones explícitas (Nguyen et al., 2025).
MÉTODO
En el presente estudio, se empleó una metodología mixta cualitativa y cuantitativa, combinando los métodos de investigación sistemático, descriptivo y analítico-sintético (Ruiz et al., 2024). La investigación sistemática permitió abordar el fenómeno desde una perspectiva integral, considerando tanto los aspectos cualitativos como cuantitativos del problema de estudio. A través del enfoque cuantitativo, se llevó a cabo una encuesta dirigida a los clientes de supermercados en la ciudad de Santo Domingo, con el fin de obtener datos estadísticos sobre las preferencias y comportamientos de compra. Este enfoque permitió establecer patrones y realizar análisis correlacionales (Acosta et al., 2024).
La parte cualitativa de la investigación se complementó con la revisión documental de fuentes relacionadas con el tema de estudio y la observación directa en los supermercados. La revisión documental proporcionó un marco teórico y contextual necesario para interpretar los resultados obtenidos en las encuestas, mientras que la observación directa permitió una comprensión más profunda del comportamiento de los consumidores en un entorno natural. Esta combinación de métodos permitió obtener una visión más completa y detallada del fenómeno en cuestión, enriqueciendo los hallazgos cuantitativos con los matices y contextos proporcionados por la investigación cualitativa (Medina et al., 2024).
RESULTADOS
En el siguiente apartado, se presentan los resultados obtenidos de la investigación realizada con 75 clientes de supermercados en la ciudad de Santo Domingo. Estos hallazgos permiten analizar cómo la inteligencia de datos de usuarios está siendo aplicada en las estrategias de marketing para personalizar ofertas y su consecuente impacto en el aumento de las tasas de conversión.
Tabla 1
Resultados de las principales variables de investigación.
|
Variable |
Nivel |
Recuentos |
Total |
Proporción |
p |
|
|||||
|
Segmentación por preferencias |
A) Sí, significativamente |
29 |
75 |
0.387 |
0.064 |
||||||
|
B) Sí, algo |
30 |
75 |
0.400 |
0.105 |
|||||||
|
C) Neutral |
11 |
75 |
0.147 |
< .001 |
|||||||
|
D) No mucho |
5 |
75 |
0.067 |
< .001 |
|||||||
|
Inteligencia de datos |
A) Sí, definitivamente |
36 |
75 |
0.480 |
0.818 |
||||||
|
B) Sí, algo |
31 |
75 |
0.413 |
0.165 |
|||||||
|
C) No estoy seguro |
8 |
75 |
0.107 |
< .001 |
|||||||
Elaboración: Los autores.
El análisis revela fuertes percepciones de los clientes sobre el uso de la inteligencia de datos para personalizar ofertas de marketing. Una clara mayoría de los clientes siente que la segmentación basada en sus preferencias influye en sus decisiones de compra hasta cierto punto, lo que indica la relevancia de los enfoques personalizados. A pesar de la percepción de estar significativa o algo influenciado no alcanzó significancia estadística, los hallazgos demuestran que sentirse neutral o mínimamente influenciado por la segmentación basada en preferencias es estadísticamente infrecuente.
Existe una creencia generalizada entre los clientes de que la inteligencia de datos es utilizada definitivamente o al menos en parte por las empresas en sus estrategias de marketing. Colectivamente, estos resultados subrayan la importancia percibida y la prevalencia del uso de la inteligencia de datos de usuarios y la segmentación basada en preferencias para moldear la experiencia del cliente.
Figura 1. Tendencia de la segmentación por preferencia y la inteligencia de datos.
Elaboración: Los autores.
Los resultados evidencian que el 40% percibe que la segmentación por preferencias influye algo en sus decisiones de compra, mientras que el 38.7% considera que influye significativamente. En contraste, el 14.7% mantiene una postura neutral y el 6.7% siente que no influye mucho. En cuanto a la percepción sobre el uso de la inteligencia de datos, una clara mayoría cree que utiliza definitivamente con un 48% de encuestados o Si algo con una 41.3%, dejando solo un 10.7% que no está seguro. Estos hallazgos reflejan una alta conciencia y percepción del impacto que tienen tanto la segmentación basada en preferencias como el uso general de la inteligencia de datos en las estrategias de marketing, subrayando su relevancia para personalizar ofertas y su potencial para aumentar la conversión.
Tabla 2
Distribución de respuestas por ofertas personalizadas y compras online.
|
Variable |
Nivel |
Recuentos |
Total |
Proporción |
p |
||||||
|
Ofertas personalizadas |
A) Sí, definitivamente |
17 |
75 |
0.227 |
< .001 |
||||||
|
B) Sí, tal vez |
22 |
75 |
0.293 |
< .001 |
|||||||
|
C) No estoy seguro |
20 |
75 |
0.267 |
< .001 |
|||||||
|
D) Probablemente no |
9 |
75 |
0.120 |
< .001 |
|||||||
|
E) No, nunca |
7 |
75 |
0.093 |
< .001 |
|||||||
|
Compras Online |
A) Sí, siempre |
33 |
75 |
0.440 |
0.356 |
||||||
|
B) Sí, a menudo |
22 |
75 |
0.293 |
< .001 |
|||||||
|
C) A veces |
12 |
75 |
0.160 |
< .001 |
|||||||
|
D) Rara vez |
8 |
75 |
0.107 |
< .001 |
|||||||
Elaboración: Los autores.
La respuesta de los clientes a las ofertas personalizadas es variada; mientras algunos se sienten influenciados, otros muestran incertidumbre o escepticismo, indicando diferentes sensibilidades a la personalización. Una parte importante de los consumidores realiza compras online con frecuencia, lo que confirma un mercado digital activo. Esta combinación sugiere que, aunque los clientes compran en línea, las estrategias actuales de inteligencia de datos para personalizar ofertas no convencen a todos por igual. Existe una clara oportunidad para refinar la personalización, haciéndola más relevante y efectiva para captar a los segmentos inseguros o escépticos y así mejorar la conversión, aprovechando sus hábitos de compra digital ya establecidos.
Figura 2. Tendencia de las ofertas personalizas y las compras online.
Elaboración: Los autores.
Los resultados evidencian una opinión dividida sobre el impacto de las ofertas personalizadas en las decisiones de compra. Mientras un 22.7% siente que definitivamente influyen y un 29.3% cree que tal vez lo hacen, un significativo 26.7% no está seguro de su efecto. Además, un 12% piensa que probablemente no influyen y un 9.3% afirma que nunca lo hacen. En cuanto a la frecuencia de compras online, el 44% de los encuestados afirma comprar siempre por este medio, seguido por un 29.3% que lo hace a menudo. Un 16% compra a veces y solo un 10.7% lo hace rara vez.
Estas cifras muestran una fuerte tendencia hacía las compras online, pero la percepción variada sobre la efectividad de las ofertas personalizadas sugiere que, aunque el canal digital es muy utilizado, las estrategias actuales basadas en inteligencia de datos para personalizar ofertas no impactan uniformemente a todos los consumidores. Esto indica una oportunidad para refinar dichas estrategias y mejorar su relevancia, con el fin de aumentar la conversión entre aquellos que aún se muestran inseguros o escépticos respecto al valor de la personalización.
DISCUSIÓN
La presente discusión contrasta los resultados empíricos obtenidos con el cuerpo de conocimiento existente se examinan críticamente las similitudes y diferencias respecto a estudios previos sobre el uso de inteligencia de datos de usuarios para la personalización de ofertas y el aumento de la conversión se evalúa la contribución específica de esta investigación al marketing digital proponiendo interpretaciones contextualizadas y señalando futuras líneas de indagación.
La inteligencia de negocios mediante análisis predictivo y segmentación avanzada optimiza las estrategias de marketing al permitir identificar patrones de comportamiento del consumidor y anticipar tendencias lo cual facilita la personalización de campañas y mejora el retorno sobre la inversión. Esta perspectiva empresarial sobre el uso estratégico de la inteligencia de datos de usuarios coincide parcialmente con los hallazgos de la presente investigación donde los consumidores de supermercados en la ciudad de Santo Domingo reconocen el uso de la segmentación por preferencias y la inteligencia de datos sintiendo que influyen en sus decisiones.
El potencial de estas herramientas para personalizar ofertas y optimizar la estrategia desde la visión organizacional asumiendo una mejora en la efectividad mientras que los resultados propios revelan una incertidumbre considerable por parte de los consumidores sobre si esta personalización realmente aumenta la conversión o los impulsa a comprar más. Aunque tanto la teoría como la percepción empresarial destacan el valor de la inteligencia de datos para personalizar y optimizar el marketing la percepción del consumidor final sobre su impacto directo en la conversión puede variar indicando que la efectividad real depende no solo de la recolección de datos sino de una implementación estratégica precisa y posiblemente de superar barreras organizacionales internas para que la personalización logre su objetivo final de aumentar la conversión.
De acuerdo con el trabajo de Ortega et al., (2025) la integración de algoritmos de aprendizaje automático en el marketing permite predecir el comportamiento de los clientes, identificar sus preferencias y pronosticar cuánto gastarán utilizando datos históricos. Este enfoque sobre el uso de la inteligencia de datos de usuarios comparte similitudes fundamentales con la presente investigación centrada en personalizar ofertas y aumentar la conversión en supermercados ya que ambos estudios se basan en el análisis predictivo del comportamiento del consumidor a partir de datos.
La investigación comparada valida la efectividad técnica de algoritmos específicos para realizar predicciones precisas sobre aspectos como el gasto y las preferencias del cliente lo cual es la base necesaria para poder personalizar ofertas de manera informada. Los hallazgos revelan incertidumbre por parte de los clientes sobre el impacto en la conversión contrastan con la validación técnica de los modelos predictivos en el estudio comparado; esto sugiere que las herramientas de inteligencia de datos pueden predecir eficazmente el comportamiento la traducción de esas predicciones en ofertas personalizadas que efectivamente aumenten la conversión sigue siendo un desafío estratégico que no se resuelve únicamente con la precisión algorítmica.
Jauregui et al., (2024) hace énfasis en la capacidad de la inteligencia de datos para segmentar y caracterizar al consumidor coincide con los hallazgos donde los clientes de supermercados son conscientes de que se utiliza la segmentación por preferencias basada en sus datos. Para lograr una segmentación precisa que posibilita la personalización como un beneficio estratégico intrínseco el estudio actual capturó directamente la incertidumbre de los consumidores sobre si estas ofertas personalizadas resultantes realmente aumentan sus compras o la conversión.
La revisión sistemática se enfoca en la potencia de la inteligencia de datos para segmentar y extraer conocimiento asumiendo su utilidad para el marketing mientras que los datos empíricos cuestionan si la personalización derivada de esta segmentación tiene un impacto percibido y directo en la conversión final desde la óptica del cliente. Esto sugiere que, la inteligencia de datos permite una segmentación efectiva, la traducción de esos segmentos en ofertas personalizadas que logren aumentar la conversión de manera perceptible para el consumidor representa un desafío adicional que va más allá de la mera precisión técnica de la segmentación.
Según Almidón et al., (2025) la evolución del marketing digital impulsada por tecnologías como el big data y la inteligencia artificial ha transformado la manera en que las empresas interactúan con los consumidores facilitando la segmentación y la personalización. Esta perspectiva sobre el uso de la inteligencia de datos de usuarios para personalizar ofertas coincide con la presente investigación en supermercados donde los clientes reconocen la aplicación de la segmentación por preferencias y el uso de inteligencia de datos por parte de las empresas.
No obstante, surgen diferencias en cuanto al énfasis en la conversión y los desafíos contextuales, mientras la presente investigación midió directamente la percepción del cliente sobre si la personalización aumenta la conversión hallando incertidumbre el estudio comparado se enfoca más en la adopción de herramientas digitales por parte de las empresas latinoamericanas y los beneficios generales como la mejora en la interacción y el posicionamiento aunque también destaca barreras significativas en la región como la falta de capacitación y conectividad que limitan la plena adopción y sofisticación de estas estrategias. La limitación contextual descrita podría explicar indirectamente la incertidumbre observada respecto al impacto real en la conversión ya que una implementación menos avanzada o integral de la inteligencia de datos dificultada por estas barreras podría resultar en una personalización menos efectiva.
De acuerdo con Gómez et al., (2024) la adaptación a factores tecnológicos como la personalización es clave para que las empresas capitalicen oportunidades en el e-commerce y mantengan su competitividad destacando que el uso de tecnologías avanzadas como la inteligencia artificial y el análisis de big data permite adaptar productos y servicios para satisfacer necesidades específicas fomentando la lealtad y mejorando las tasas de conversión.
Esta perspectiva sobre el uso de la inteligencia de datos de usuarios en marketing para personalizar ofertas y aumentar la conversión resuena con los hallazgos de la presente investigación donde los clientes de supermercados en Santo Domingo son conscientes de la segmentación y el uso de inteligencia de datos. Ambos estudios coinciden en la relevancia estratégica de la personalización impulsada por datos en el entorno digital, a pesar de que las empresas reconocen los beneficios del e-commerce, su éxito depende de superar desafíos operativos y adoptar tecnologías emergentes.
CONCLUSIONES
El uso de la inteligencia de datos en el marketing digital ha demostrado ser un factor determinante para personalizar las ofertas y aumentar las tasas de conversión. La investigación muestra que la segmentación de usuarios basada en sus preferencias e interacciones previas permite a las empresas crear campañas más efectivas, que resuenan mejor con los consumidores. La implementación exitosa de estas estrategias depende de la integración adecuada de tecnologías avanzadas y la capacitación del personal para optimizar el aprovechamiento de los datos. La personalización de las ofertas no solo mejora la experiencia del cliente, sino que también se traduce en un rendimiento comercial superior al aumentar la relevancia de las campañas publicitarias.
Los resultados obtenidos en el estudio muestran una percepción dividida entre los consumidores sobre el impacto de las ofertas personalizadas en su comportamiento de compra. Aunque una parte significativa de los encuestados reconoce que la segmentación por preferencias influye en sus decisiones, existe un porcentaje importante que se muestra escéptico sobre la efectividad real de estas ofertas para incrementar las compras. Esto sugiere que, a pesar del uso generalizado de la inteligencia de datos, las estrategias de personalización aún no son completamente efectivas para todos los consumidores, lo que subraya la necesidad de ajustar las tácticas para abordar mejor las expectativas y comportamientos diversos.
El análisis de la investigación resalta que la implementación de inteligencia artificial en el marketing predictivo puede tener un impacto positivo en las tasas de conversión. Para analizar grandes volúmenes de datos y predecir comportamientos de compra permite una personalización precisa de las ofertas, lo que mejora la experiencia del cliente y, en consecuencia, aumenta las probabilidades de conversión. La eficacia de estas herramientas depende de su correcta implementación y de la capacidad de las empresas para integrar de manera adecuada los modelos predictivos en sus estrategias de marketing, optimizando los recursos y maximizando el retorno de inversión. A pesar de los avances en la recopilación y el análisis de datos, las estrategias de marketing personalizadas aún necesitan ser refinadas para obtener resultados óptimos en las tasas de conversión.
CONFLICTO DE INTÉRES
No existe conflicto de interés con personas o instituciones ligadas a la investigación.
AGRADECIMIENTO
A todos los factores sociales que influyeron en el desarrollo de esta investigación.
REFERENCIAS CONSULTADAS
Acosta, M., Erazo, J., & Bermeo, K. (2024). Desarrollo Sostenible y Marketing: Cómo las empresas pueden alinear sus prácticas con RSC. . Universidad y Sociedad, 232–241. https://n9.cl/evkf6
Almidón, C., Ñañez, M., Chiok, P., & Rojas, J. (2025). Evolución histórica del marketing digital y su impacto en la expansión de las PYMEs en América Latina. Revista de Historia, Ciencias Humanas y Pensamiento Crítico, 5(10), 1236-1267. doi:10.5281/zenodo.15345905
Banco Central del Ecuador. (2022). Estadísticas económicas. BCE. https://www.bce.fin.ec/estadisticas-economicas/
García, A., & Herrero, Á. (2025). Impacto del marketing predictivo basado en inteligencia artificial: Transformando estrategias de comunicación y ventas en Pymes y Startups. Revista Internacional de Cultura Visual, 17(1), 165-178. https://n9.cl/j60qh
Gigli, M., & Stella, F. (2025). Multi-armed bandits for performance marketing. International Journal of Data Science and Analytics, 20, 151-165. https://n9.cl/t2p5i
Gómez, J., Álvarez, J., Tinto, J., & Bermeo, K. (2024). E-commerce: oportunidades y desafíos para las marcas en los entornos virtuales. Universidad y Sociedad, 16(S2), 162-171. https://n9.cl/ngbzwt
Instituto nacional de estadística y censos. (2023). Ecuador en Cifras. INEC. https://www.ecuadorencifras.gob.ec/
Jauregui, R., Alca, J., Vilca, M., & Llanos, O. (2024). La inteligencia artificial en la segmentación del cliente potencial: enfoque machine . Data and Metadata, 3, 305. https://n9.cl/g4mip
Li, M., Guo, S., & Liu, R. (2025). BERT-based Consumer Sentiment Analysis for Personalized Marketing Strategies. Informatica, 49(28), 211-226. https://n9.cl/falxk
Lin, J. (2025). Application of machine learning in predicting consumer behavior and precision marketing. PLOS One, 20(5). https://n9.cl/k2rxt
Loukili, M., Messaoudi, F., El Aalouche, O., El Youbi, R., & Loukili, R. (2025). Adaptive Pricing Strategies in Digital Marketing: A Machine Learning Approach with Deep Q-Networks. Statistics, Optimization and Information Computing, 14, 1244-1251. https://n9.cl/3ntni
Medina Herrera, M. A., Erazo Álvarez, J. C., & Cordero Guzmán, D. M. (2024). El impacto de la inteligencia artificial en la personalización de la experiencia del cliente en el e-commerce. Universidad Y Sociedad, 16(4), 394–403. https://n9.cl/0oueu
Ministerio de Producción. (2025). Boletines de Comercio Exterior. Tercera Edición. https://n9.cl/g3xyn
Nguyen, H., Huynh, T., Tran, Q., Ngo, H., Pham, V., & Nguyen, H. (2025). Personal brand value extraction method to identify micro-influencer for effective digital marketing. Complex & Intelligent Systems, 11, 438. https://n9.cl/9q8wt
Ortega, D., Palencia, I., Ojeda, A., & Cortes, O. (2025). Integración de algoritmos de aprendizaje automático como herramienta innovadora para la enseñanza del mercadeo en programas de administración de empresas. Formación Universitaria, 8(4), 73-84. https://n9.cl/guhh8o
Ruiz, F., Erazo, J., & Tinto, J. (2024). La influencia de la psicología del consumidor en las estrategias de marketing. Universidad y Sociedad, 450–459. https://n9.cl/6odemb
Shi, Z., Cao, K., & Yao, X. (2025). The Impact of Digital Marketing Campaign Strategies on Consumer Buying Intention. Technical Gazette , 32(3), 819-829. https://n9.cl/nefrez
Shlash, A., Shelash, S., Al Oraini, B., Hindieh, A., Vasudevan, A., & Alshurideh, M. (2025). Decoding Consumer Behaviour: Leveraging Big Data and Machine Learning for Personalized Digital Marketing. Data and Metadata, 4(700), 1-17. https://n9.cl/rfxats
Vij, M., Vij, A., Kumar, P., Masoud, E., Al Kurdi, B., & Alzoubi, H. (2025). Artificial Intelligence in Digital Marketing Strategies in the UAE: The Mediating Role of Predictive Analytics in Enhancing Customer Conversion. International Review of Management and Marketing, 15(4), 380-387. https://n9.cl/wokwd
©2025 por los autores. Este artículo es de acceso abierto y distribuido según los términos y condiciones de la licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) (https://creativecommons.org/licenses/by-nc-sa/4.0/).