���������������������������������������������������������������������������������

 

 

Sistema de recomendaci�n difuso de productos basado en l�gica difusa

 

Fuzzy product recommendation system based on fuzzy logic

 

Sistema de recomenda��o de produtos fuzzy baseado em l�gica fuzzy

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Correspondencia: rgarcia0961@utm.edu.ec

 

 

 

Ciencias T�cnicas y Aplicadas �

Art�culo de Investigaci�n

 

* Recibido: 23 de julio de 2022 *Aceptado: 12 de agosto de 2022 * Publicado: 08 de septiembre de 2022

 

 

1. Ingeniero Comercial, Universidad T�cnica De Manab�, Ecuador.
2. Mag�ster Scientiae Estad�stica Aplicada, Unalm, Universidad Nacional Agraria La Molina, Ingeniero en Sistemas Inform�ticos, Universidad T�cnica De Manab�, Ecuador.

 

 

 

 

 

Resumen

Las tecnolog�as de la informaci�n son ampliamente reconocidas como instrumentos estrat�gicos, por su capacidad para modificar la estructura y los modelos de negocios de las organizaciones, en la actualidad la gran cantidad de informaci�n que debe manejar un individuo en su d�a a d�a lo imposibilitan optimizar tiempo en la b�squeda de informaci�n deseada, los sistemas de recomendaciones son en la actualidad una herramienta que ayuda a la toma de decisiones y que poco a poco se ha ido involucrando en el mercado y d�ndole las oportunidades a las empresas a ser m�s competitivas. El objetivo principal de esta investigaci�n es dise�ar un sistema de recomendaciones difuso para poder recomendar productos de la empresa Promyvent a sus clientes de acuerdo al perfil de cada uno de ellos. La metodolog�a utilizada en esta investigaci�n inicio con el pre procesamiento de la base de datos de entrada, se le aplico t�cnicas de preparaci�n y limpieza adem�s se aplic� un an�lisis exploratorio de Datos el cual permite realizar un an�lisis descriptivos, transformaci�n y limpieza de datos, se le� aplico el m�todo del codo de jambu y se estableci� que el n�mero de cl�sters adecuado eran tres, luego en la fase de modelado se aplic� el algoritmo KNN para clasificar cada uno de los datos seg�n las compras de los clientes con menor distancia calculada, luego para aumentar el nivel de precisi�n en la clasificaci�n de datos se aplic� el m�todo C Means, de esta manera se obtiene una partici�n difusa optima otorgando un grado de membres�a a cada punto de datos. Por ultimo como resultado la recomendaci�n se genera a partir del perfil de cada cliente, la precisi�n del modelo parte en base a los registros hist�ricos de compras de los clientes para poder identificar el grado de membres�a que tiene cada cliente de acuerdo a su perfil y partiendo de estos datos el modelo gener� el filtrado de un top de siete productos en las recomendaciones de principal inter�s. El modelo implementado beneficia a la empresa no solo a recomendar un top siete de productos de inter�s de acuerdo al perfil del cliente si no tambi�n identificar los productos que tienen mayor y menor rotaci�n de inventario.

Palabras clave: Productos; Sistemas de recomendaci�n; L�gica difusa; Filtrado colaborativo; �Ventas; KNN; C Means.

 

 

Abstract

Information technologies are widely recognized as strategic instruments, due to their ability to modify the structure and business models of organizations, currently the large amount of information that an individual must handle in their day to day makes it impossible to optimize time In the search for desired information, recommendation systems are currently a tool that helps decision-making and that little by little has been involved in the market and giving companies opportunities to be more competitive. The main objective of this research is to design a diffuse recommendation system to be able to recommend products from the company Promyvent to its clients according to the profile of each one of them. The methodology used in this research began with the pre-processing of the input database, preparation and cleaning techniques were applied, and an exploratory data analysis was applied, which allows a descriptive analysis, transformation and cleaning of data. I applied the jambu elbow method and it was established that the appropriate number of clusters was three, then in the modeling phase the KNN algorithm was applied to classify each of the data according to the purchases of the customers with the least calculated distance, then To increase the level of precision in data classification, the C Means method was applied, in this way an optimal fuzzy partition is obtained, granting a degree of membership to each data point. Finally, as a result, the recommendation is generated from the profile of each client, the accuracy of the model is based on the historical records of customer purchases in order to identify the degree of membership that each client has according to their profile and starting From this data, the model generated the filtering of a top seven products in the recommendations of main interest. The implemented model benefits the company not only by recommending a top seven products of interest according to the customer's profile, but also by identifying the products that have the highest and lowest inventory turnover.

Keywords: Products; recommendation systems; Diffuse logic; Collaborative filtering; Sales; KNN; C Means.

 

Resumo

As tecnologias da informa��o s�o amplamente reconhecidas como instrumentos estrat�gicos, devido a sua capacidade de modificar a estrutura e os modelos de neg�cios das organiza��es, atualmente a grande quantidade de informa��es que um indiv�duo deve manipular no seu dia a dia impossibilita a otimiza��o do tempo na busca pelo informa��es, os sistemas de recomenda��o s�o atualmente uma ferramenta que auxilia a tomada de decis�o e que aos poucos vem se envolvendo no mercado e dando �s empresas oportunidades de serem mais competitivas. O objetivo principal desta pesquisa � projetar um sistema de recomenda��o difuso para poder recomendar produtos da empresa Promyvent aos seus clientes de acordo com o perfil de cada um deles. A metodologia utilizada nesta pesquisa come�ou com o pr�-processamento do banco de dados de entrada, foram aplicadas t�cnicas de preparo e limpeza, e foi aplicada uma an�lise explorat�ria dos dados, que permite uma an�lise descritiva, transforma��o e limpeza dos dados. e foi estabelecido que o n�mero adequado de clusters era tr�s, ent�o na fase de modelagem foi aplicado o algoritmo KNN para classificar cada um dos dados de acordo com as compras dos clientes com a menor dist�ncia calculada, ent�o para aumentar o n�vel de precis�o em Na classifica��o dos dados, foi aplicado o m�todo C Means, desta forma � obtida uma parti��o fuzzy �tima, concedendo um grau de pertin�ncia a cada ponto de dados. Por fim, como resultado, a recomenda��o � gerada a partir do perfil de cada cliente, a acur�cia do modelo � baseada nos registros hist�ricos de compras dos clientes a fim de identificar o grau de ades�o que cada cliente possui de acordo com seu perfil e a partir de Com esses dados, o modelo gerou a filtragem de um dos sete principais produtos nas recomenda��es de interesse principal. O modelo implementado beneficia a empresa n�o s� por recomendar os sete principais produtos de interesse de acordo com o perfil do cliente, mas tamb�m por identificar os produtos que apresentam maior e menor giro de estoque.

Palavras-chave: Produtos; sistemas de recomenda��o; L�gica difusa; Filtragem colaborativa; Vendas; KNN; C significa.

 

Introducci�n

De Las profundas transformaciones experimentadas en el entorno empresarial desde finales de los sesenta han introducido dificultades adicionales en los procesos decisionales de las empresas, en los que las unidades econ�micas aplicaban m�todos y modelos de gesti�n explorativos se han pasado a encontrar estructuras de encuadramiento institucionales, sociales, econ�micas, tecnol�gicas y socioculturales en constante transformaci�n (Esteban, 2017), el uso de las tecnolog�as a nivel mundial ha ido creciendo a trav�s de los a�os gracias a la constante investigaci�n cient�fica y tecnol�gica, debido a que existen muchas maneras de usar las tecnolog�as en esta era de transformaci�n digital y muchos pa�ses han ido adoptando formas en las cuales pueden realizar eficientemente trabajos, cometiendo menos errores (Kishnani Garc�a, 2020).

Ante este nuevo panorama las empresas necesitan conocer m�todos de obtenci�n de informaci�n y t�cnicas para tratarla por lo cual es indispensable buscar ventajas competitivas y por ende un desarrollo econ�mico a largo plazo (Esteban, 2017), en la actualidad existen multitudinarios cambios en los mercados, organizaciones, tecnolog�as, sociedades y culturas, raz�n por la cual se considera poco pertinente seguir maniobrando bajo el mismo enfoque tradicional, para lograr ser competitivo dentro de este entorno tan cargado de dinamismo y turbulencia (Pita, 2018), de manera que es cada vez mayor la cantidad de organizaciones empresariales que conf�an en sistemas de informaci�n para llevar a cabo el manejo de sus operaciones, interactuar con proveedores y clientes y competir en el mercado en el que se desenvuelven (Proa�o, 2018).

Las tecnolog�as basadas en la Inteligencia Artificial (IA) ya est�n siendo utilizadas para ayudar a los humanos a beneficiarse de mejoras significativas y disfrutar de una mayor eficiencia en casi todos los �mbitos de la vida por lo que se puede aplicar en casi todas las situaciones (Rouhiainen, 2018), por esta raz�n los sistemas de recomendaci�n son actualmente soluciones exitosas para facilitar el acceso de los usuarios a la informaci�n que se ajusta a sus preferencias y necesidades en espacios de b�squeda sobrecargados, adem�s se han desarrollado varias metodolog�as para mejorar su desempe�o (Yera, 2017), en consecuencia un Sistema de Recomendaci�n puede brindar informaci�n valiosa para asistir en el proceso de toma de decisiones del consumidor con el objetivo de proveer una recomendaci�n con exactitud y de manera precisa, ya que las recomendaciones que se producen ayudan a los seres humanos a satisfacer sus gustos personales y descubrir nuevos elementos, con menos esfuerzo, que si realizaran la actividad de manera manual (P�rez, 2018), tambi�n permiten agrupar productos o servicios similares que sean de inter�s para el consumidor y aumentar su fidelizaci�n. La fidelizaci�n del cliente se logra mostrando que la empresa tiene en cuenta las distintas necesidades y preferencias del consumidor y ayud�ndolo a orientar su b�squeda hacia los productos que m�s le interesan, en raz�n de que el sistema ha �aprendido� sus gustos y necesidades, lo que naturalmente aumenta la satisfacci�n del cliente (Ches�evar, 2018).

Este art�culo tiene como objetivo desarrollar un modelo de sistema de recomendaci�n difusa de productos, los mismos que proyectan determinar los factores que permitan identificar el perfil de los clientes de la empresa y definir los escenarios para poder dar las recomendaciones productos que sean de inter�s del cliente para facilitar la labor de venta y la evaluaci�n del modelo a trav�s de los experimentos realizados con nuevos clientes para optimizar el proceso y la recomendaci�n sea m�s eficiente. Los resultados en el proceso se garantizan mediante la utilizaci�n de algoritmos de agrupaci�n knn (vecino m�s cercano) y c means los cuales establecen la precisi�n del modelo en base a los registros hist�ricos de compras de los clientes para poder identificar el grado de membres�a que tiene cada cliente de acuerdo a su perfil y poderlo clasificar a un determinado cluster, cada cliente se encasilla dependiendo del tipo de clase que sean los vecinos m�s pr�ximos a �l y que generalmente su similitud es medida mediante una funci�n de distancia euclidiana o manhattan.

De esta manera poder recomendar un top siete de productos� de acuerdo a el perfil de cada cliente, recomendaciones que podr�n ser utilizadas mediante el uso de aplicaciones m�viles o p�ginas web, las cuales ser�n herramientas que� ayudaran a mejorar el desempe�o de los vendedores en el proceso de ventas, cabe destacar que las t�cnicas y modelos aplicados en esta investigaci�n son din�micos, es decir que el desempe�o de la recomendaci�n var�a dependiendo de los registros hist�ricos de cada cliente, pues este puede ir evolucionando con el tiempo y las nuevas tendencias. Adem�s este modelo beneficia a la empresa no solo a recomendar un top siete de productos de inter�s de acuerdo al perfil del cliente si no tambi�n identificar los productos que tienen mayor y menor rotaci�n de inventario, tambi�n se lo puede aplicar en otras �reas de la empresa como en departamentos cr�dito, marketing, Inventarios, entre otros para impulsar su desarrollo.

 

Base te�rica

 

Evoluci�n e innovaci�n tecnol�gica empresarial

La evoluci�n digital, apresurada por la situaci�n actual de la pandemia del covid-19, nos ha inclinado a redise�ar nuestra forma de trabajar, influyendo en la forma que vivimos dando como efecto la apertura a nuevos modelos de negocios, y cambios en el mercado laboral (Chuya, 2021), En la actualidad existen multitudinarios cambios en los mercados, organizaciones, tecnolog�as, sociedades y culturas, raz�n por la cual se considera poco pertinente seguir maniobrando bajo el mismo enfoque tradicional, para lograr ser competitivo dentro de este entorno tan cargado de dinamismo y turbulencia (Pita, 2018), en el contexto de una empresa, los sistemas de informaci�n cumplen los objetivos de cualquier otro sistema en general, tales como: el procesamiento de entradas, el almacenamiento de datos relacionados con la entidad y la producci�n de reportes y otro tipo de instrumentos de resumen de datos (Proa�o, 2018).

De modo que en un mercado globalizado es necesario que las empresas busquen soluciones basadas en las nuevas tecnolog�as, de forma que les permita proponer cambios transcendentales en su modelo de negocio, las tecnolog�as de informaci�n y comunicaci�n hoy por hoy se consideran parte significativa en la estrategia competitiva de la empresa, la operatividad de toda organizaci�n se respalda en el uso adecuado de tecnolog�as, a trav�s de las cuales es posible bajar costos, mejorando la calidad en la producci�n con el uso eficiente de recursos en todas las �reas de la empresa (Costa, 2018).

En los �ltimos a�os hemos visto una explosi�n de nuevas tecnolog�as que prometen cambiar la forma en que vivimos y definen a la innovaci�n como el motor de desarrollo socioecon�mico y al emprendimiento como la herramienta para la consolidaci�n de estos procesos (Camino, 2017), as� mismo la tecnolog�a, a trav�s de los a�os, ha adquirido un papel importante en la manera como la humanidad realiza sus tareas cotidianas, en otras palabras, si se analiza, en los �ltimos cien a�os todas las sociedades desarrolladas y en v�a de desarrollo han tenido que hacer frente a una revoluci�n tecnol�gica en los diferentes sectores primarios, secundarios y terciarios. El origen de esta revoluci�n es el aprovechamiento y el deseo de conseguir totalmente ventajas sobre los competidores de cada sector (PRIETO, 2018).

En este contexto estos sistemas son muy atractivos en situaciones donde la cantidad de informaci�n que se ofrece al usuario supera ampliamente cualquier capacidad individual de exploraci�n (Morales, 2018), la organizaci�n o instituci�n, est� creada y formada por una persona o conjunto de personas, que se dedica a una actividad econ�mica concreta para conseguir unos objetivos que luego se conviertan en� beneficios (Mero-V�lez, 2018)

De este modo las organizaciones en orden con el desarrollo cient�fico y tecnol�gico, han modificado sus estructuras en funci�n a los cambios requeridos, entre ellos han centrado la atenci�n al dise�o de controles internos, que promuevan la eficiencia en la operaciones, la salvaguarda de activos y la reducci�n de los riesgos, garantizando fiabilidad de los estados financieros en observancia al cumplimiento de las leyes y normas vigentes (Jara, 2017)�����������

Es por ello que la problem�tica que presenta la empresa Promyvent,� el crecimiento tecnol�gico y las exigencias actuales en el sector comercial, establece la importancia de desarrollar un sistema de recomendaciones� que le permitan alcanzar un desempe�o optimo y as� evolucionar para lograr satisfacer las necesidades de sus clientes y garantizar su competitividad y permanencia en un mercado; en constante cambio. Es por ello que la innovaci�n es entendida como la concepci�n y establecimiento de cambios significativos en el producto, el proceso, el marketing o la organizaci�n de la empresa, con el prop�sito de mejorar sus resultados (Altamirano, 2020), es el peque�o o gran cambio que determinar� el beneficio, el inter�s y la acumulaci�n de riqueza va en conjunto con el talento humano, la experiencia y aprendizaje, con lo que coexistir� siempre y cuando, en su conjunto, la demanda del bien a producir sea alta y en base a estudios de comportamiento del consumidor (Gonz�lez, 2018)

 

Sistema de recomendaciones

Debido al crecimiento exponencial de los datos en la era de la informaci�n moderna, existe una gran sobre carga de informaci�n y se estima que para el� 2025, se creen 463 exabytes de datos a nivel mundial todos los d�as. Aunque las empresas cobran estos datos generados, m�s de la mitad de estos datos no se utilizan debido a la falta de herramientas �tiles y de las habilidades (Choenyi, 2021), por lo cual los Sistemas de Recomendaci�n son ampliamente utilizados en la recomendaci�n de productos en diferentes plataformas, los algoritmos que trabajan las recomendaciones son sofisticados y pueden requerir esfuerzos computacionales muy altos cuando trabajan en entornos de muchos usuarios y datos (Holguera, 2021)

Es una subclase de un sistema de filtrado, el cual pretende predecir el grado de aceptaci�n de un usuario hacia determinado objeto de esa manera poder realizarle recomendaciones a dicho usuario sobre objetos que a este le puedan interesar (Cuenca Mogro, 2019), de esta manera la funci�n principal de los sistemas recomendados depende de los objetivos que hayan sido planteados al momento de su definici�n e implementaci�n; pero en t�rminos generales suelen utilizar tres tipos de objetos 1 Recopilaci�n de informaci�n 2 Extracci�n del conocimiento 3 La Recomendaci�n (G�mez, 2019), por esta raz�n la tecnolog�a de recomendaci�n es una parte importante debido a que puede brindar un mejor servicio a los usuarios y ayudarlos a obtener informaci�n en cualquier momento y en cualquier lugar, el sistema de recomendaciones debe proporcionar a los usuarios informaci�n r�pida y precisa (Cui, 2020) .

Por tanto la importancia de los sistemas recomendaciones ha incrementado con el pasar de los a�os. Los beneficios obtenidos con la implementaci�n de los mismos han sido exitosos debido a sus implementaciones en el campo de la ciencia, la educaci�n, la ingenier�a, la medicina, etc. Como se puede evidenciar en esta �ltima d�cada la tecnolog�a ha cambiado de forma positiva diferentes �mbitos acad�micos, sociales y culturales de las personas (Charnelli, 2017), es por ello que la innovaci�n es considerada como la variable clave para el �xito de las empresas, ya que estas se desenvuelven en un ambiente din�mico que aumenta constantemente sus exigencias y demanda tanto en mercados nacionales como internacionales (Polo Otero, 2017)

El sistema de recomendaciones se puede realizar mediante diversas t�cnicas como filtrado basado en contenido, el cual se utilizan filtros basados en colaboraci�n, esta t�cnica tiene en cuenta la perfil que se construye en base a su anteriores calificaciones las mismas calificaciones que determinan su inclinaci�n e intereses, formando la base para recomendar un nuevo art�culo, una calificaci�n m�s alta denota una mayor probabilidad del usuario para visitar art�culos similares por lo tanto, se recomienda un nuevo art�culo de acuerdo con el n�mero m�ximo de calificaciones dadas por el usuario en un g�nero (Keerthana, 2021), por tanto el filtrado colaborativo es un m�todo para hacer predicciones sobre los intereses de un usuario bas�ndose en informaci�n sobre las preferencias de otros usuarios. La suposici�n subyacente es que si la persona A tiene la misma opini�n que la persona B sobre algunos temas, entonces es m�s probable que A al tener opiniones similares a las de B sobre diferentes temas (Kaushik, 2018).

Los sistemas de filtrado de informaci�n est�n dirigidos a personas que carecen de la experiencia, la capacidad o el tiempo necesarios para evaluar la inmensa cantidad de t�picos que generalmente est�n a su disposici�n en un sitio Web y se basan en la premisa de que, habitualmente, la gente tiene en cuenta las recomendaciones provistas por otros para tomar decisiones rutinarias (Pacheco Pazmi�o, 2018)

 

Fuzzy C-Means

El ruido y los valores at�picos contribuyen al procedimiento computacional de los algoritmos, as� como a los puntos de datos reales que conducen a centros de cl�ster inexactos y fuera de lugar, El algoritmo Fuzzy C-Means (FCM) que adolece de estos problemas es el algoritmo de agrupamiento difuso m�s popular y ha sido objeto de numerosas investigaciones y desarrollos (Askari, 2021), el cual �permite extender la clasificaci�n n�tida en una noci�n de clasificaci�n difusa usando la medida de la suma de todos los errores cuadr�ticos ponderados y la distancia entre el centro se maximiza.

�Podemos asignar membres�a a los diversos puntos de datos en cada conjunto difuso, el resultado del algoritmo depende de la partici�n inicial lo cual nos puede llevar a un m�nimo de la funci�n objetivo, los resultado otorgan valores de pertenencia son n�meros menor o igual a 1. Por lo contrario, como los valores de agrupamiento se vuelven duros, es decir 0 o 1, es decir, controla el grado de participaci�n compartida entre grupos difusos (Flores Macalup�, 2022)

 

KNN

El KNN o vecino m�s cercano es uno de los clasificadores basados en vecindad m�s populares en el aprendizaje autom�tico, dado su simplicidad y eficiencia para detectar y clasificar elementos en categor�as, el par�metro k en KNN hace referencia al n�mero de vecinos con el cual se define la pertenencia a una categor�a, este par�metro usualmente se determina emp�ricamente, dependiendo del problema se prueba con diferentes valores de K, eligiendo el par�metro con el mejor desempe�o en precisi�n (De-La-Hoz, 2019).

Es por ello que este algoritmo es catalogado como clasificador basado en instancias. Para clasificar, compara las instancias no vistas con aquellas etiquetadas del conjunto de entrenamiento utilizando una funci�n de similitud y generalmente la similitud es medida mediante una funci�n de distancia Euclidiana o Manhattan (Maillo, 2018)

 

An�lisis de componentes principales

El� an�lisis� de� componentes� principales� (ACP)� es� una� t�cnica� de� an�lisis multivariante� que� permite� la� reducci�n� de� la� dimensionalidad� de� la� base� de datos� y� mejor� interpretaci�n� de� la� misma, con� una� m�nima� p�rdida� de informaci�n.� Desde� el� punto� de� vista� matem�tico� los� componentes� principales son� combinaciones� lineales� de� las� variables� originales� de� manera� que� sean ortogonales entre s�. La b�squeda de los componentes principales se reduce a la soluci�n de un problema de auto vectores y auto valores (de la Maza, 2019).

El m�todo an�lisis por componentes principales consiste en la representaci�n de las medidas num�ricas de varias variables en un sitio de espacio reducido donde se puedan percibir las relaciones que de otra forma, permanecer�an no visibles en dimensiones superiores tiene como objetivo transformar un conjunto de variables originales, en un nuevo conjunto de variables las cuales se caracterizan por estar correlacionadas entre s� (Gallego, 2019)

 

El codo de Jambu

El m�todo del codo es un m�todo que se utiliza para producir informaci�n para determinar el mejor n�mero de grupos al observar el porcentaje de la comparaci�n entre el n�mero de grupos que formar�n un codo en un punto. Este m�todo proporciona ideas/ideas seleccionando valores de conglomerados y luego agregando el valor del conglomerado que se usar� como modelo de datos para determinar el mejor conglomerado (Nainggolan, 2019).

En este contexto es un m�todo visual para probar la consistencia del mejor n�mero de cl�steres, por ende la idea es determinar el n�mero de conglomerados, luego sumar los conglomerados, calcular el error cuadr�tico de la suma por conglomerado hasta el n�mero m�ximo de conglomerados que se haya determinado, luego comparando la diferencia del error cuadr�tico de la suma de cada conglomerado, la diferencia m�s extrema forma el �ngulo del codo muestra el mejor n�mero de grupos (Umargono, 2020)

 

Nube de Palabras

Una nube de palabras es una representaci�n gr�fica v�vida de las palabras delimitadas en una secci�n de texto generada por herramientas orientadas a la web y es un m�todo de visualizaci�n de texto sencillo y visualmente atractivo. Tiene una utilidad vers�til para proporcionar una visi�n general fraccionando el texto a aquellas palabras con mayor frecuencia (Padmanandam, 2021), son una tecnolog�a emergente para el an�lisis de datos, se recomienda utilizar nubes de palabras como tableros porque brindan un an�lisis f�cil, r�pido y significativo de datos cualitativos adem�s las nubes de palabras resumen o analizan datos de texto y brindan interpretaciones significativas a trav�s del tama�o y el color del texto. (Sellars, 2018)

 

 

 

Metodolog�a

La perspectiva de la recomendaci�n parte por la necesidad de la innovaci�n y automatizaci�n empresarial con el fin de satisfacer las demandas de los clientes. Se refiere al cliente y a la empresa, donde el cliente tiene la necesidad de adquirir productos que sean de su inter�s y la empresa trata de cubrir esas necesidades. De esta manera, el conjunto de datos ser� recopilado en la base de datos de la empresa, informaci�n proporcionada por los agentes vendedores que visitan al cliente de manera directa en distintos cantones de la provincia de Manab�, teniendo en cuenta que cada cant�n presenta caracter�sticas distintas por poblaci�n, econom�a y ubicaci�n geogr�fica siendo en la ciudad de Portoviejo donde presenta un mayor n�mero de clientes �como se detalla en la (Fig. 1), el cual se describir� el comportamiento y caracter�sticas del perfil de los clientes ya que debido a� la cantidad de productos que distribuye la empresa esta posee clientes con distintos tipos de negocios lo que hace que cada uno tenga necesidades distintas teniendo en cuenta que la mayor cantidad de clientes que posee son Comerciales como se puede observar en la (Fig. 2).

�

Figura 1: Base de datos Promyvent Clientes por Cant�n

Figura 2: Distribuci�n de Tipo de Negocio

 

Dise�o del modelo

 

Figura 3: Dise�o del Modelo

 

El dise�o en la Figura 3 describe el sistema de recomendaci�n de productos que realiza el an�lisis descriptivo, predictivo y prescriptivo. Consta de varias fases que son esenciales para el desarrollo del modelo; la primera fase es la recopilaci�n de las necesidades del cliente de acuerdo a su tipo de negocio Figura 2, la segunda fase se realiza el pre procesamiento de la informaci�n, donde se aplica t�cnicas de transformaci�n y limpieza de datos mediante el uso de Phyton. La tercera fase de modelado, es la agrupaci�n de vecinos aplicando t�cnicas de aprendizaje autom�tico como Media C Difusa, KNN (Vecinos m�s cercanos), an�lisis de componentes principales, funci�n Test. La cuarta fase comprende a las recomendaciones de productos mediante las configuraciones de las especificaciones difusas en el perfil del cliente que podr�n ser utilizadas por aplicaciones m�viles o p�ginas web. En este caso utilizamos la informaci�n de la Base de Datos de Promyvent Figura 1.

 

Pre procesamiento

En esta fase comienza un pre procesamiento de datos de entrada. Se le aplica t�cnicas de preparaci�n y limpieza de datos mediante el uso de Phyton, adem�s se aplica un an�lisis Exploratorio de Datos el cual permite realizar un an�lisis descriptivos, transformaci�n y limpieza de datos, (en este proceso se eliminaron los registros que no tienen datos los cuales ser�an las transacciones anuladas las cuales presentaban valores en cero y no ser�an de utilidad en esta investigaci�n) y de esta forma obtener datos m�s precisos y confiables, Luego de la limpieza, estos datos est�n preparados para ser modelar el sistema de recomendaci�n difuso, adem�s mediante la utilizaci�n del m�todo del codo de jambu, el cual utiliza los valores de la inercia obtenidos tras aplicar el K-means a diferente n�mero de Clusters, siendo la inercia la suma de las distancias al cuadrado de cada objeto del Cluster a su centroide como se puede observar en la Figura 4 a todos los datos determina que n�mero adecuado de cl�steres a generar serian tres en el cual encasilla a cada uno de los clientes de acuerdo a su perfil. En la tabla 1 podemos apreciar las variables y los datos que servir�n de entradas para todos los procesos de recomendaci�n de productos los cuales ser�n filtrados para obtener el final la recomendaci�n.

 

Figura 4: N�mero Adecuado de Cl�steres

 

Figura 5: Grupo de Variables de entrada

 

La Ecuaci�n 1 se emplea para determinar los grupos creados de acuerdo al registro de las caracter�sticas del grupo de variables, este proceso se lleva a cabo asignando centroides aleatorios, los cuales se actualizan a los centros de cada grupo, con sus distancias hasta que la asignaci�n de registros queda fija.

La ecuaci�n 2 es la funci�n de pertenencia, que utiliza los centroides que se encuentran en la ecuaci�n 1 para calcular el grado de relevancia de cada registro para el grupo. Se obtiene una muestra restringida filtrando los registros, ajustando un umbral del grado de pertenencia y normaliz�ndolo.

 

Modelado

Es un algoritmo de aprendizaje difuso no supervisado que asigna grados de membres�a a cada uno de los puntos de datos. La estructura del algoritmo agrupa a los clientes por sus preferencias, gustos y necesidades relacionadas expectativas de los productos de inter�s. En el entrenamiento de este modelo se recomiendan productos seg�n las compras de los clientes con menor distancia calculada por el m�todo knn que se aplica en la Ecuaci�n 3, creando tres clusters Figura 3 que posteriormente para aumentar la precisi�n se aplica el m�todo C Means que caracteriza la participaci�n de cada muestra en todos los grupos utilizando funciones de pertenencia que toman valores entre cero y uno, lo cual indicara que los valores cercanos a uno indican una mayor similitud, mientras que los cercanos a cero indican una menor similitud, de esta manera se obtiene una partici�n difusa optima otorgando un grado de membres�a a cada punto de datos.

 

Motor de Recomendaci�n

En esta fase las preferencias, gustos y necesidades del cliente sobre los productos son considerados mediante la aplicaci�n que usa un algoritmo difuso que asocia las caracter�sticas del historial de compra de los clientes. De esta forma estas caracter�sticas mediante reglas de asociaci�n se guardan en la memoria del motor de Recomendaci�n. All� �estas caracter�sticas sufren una modificaci�n previa seg�n las preferencias en compras anteriores, en caso de no hallar similitud con compras anteriores se dirige al modelo borroso para agruparlo al grupo que potencialmente pertenece con un grado de membres�a que indican el grado en que cada punto de datos pertenece a cada grupo. Supongamos que en la b�squeda de los grados de membres�a tenemos estos valores 0.40, 0.74, 0.32, claramente podemos determinar que el grado de pertenencia se encuentra en el clusters 2. Una vez identificado el grado� de pertenencia del perfil de los clientes se filtran las recomendaciones aplicando la funci�n test y aplicando el algoritmo KNN calculado en la Ecuaci�n 3. El valor k se fija en siete, y el sistema nos recomienda un top siete de productos �que podr�n ser consumidos por aplicaciones m�viles o p�ginas web.

 

Resultados

La investigaci�n se realiz� con la informaci�n de los clientes de la empresa Promyvent la cual se dedica a distribuir una gran variedad de productos en distintos cantones de la provincia de Manab� Figura 1, teniendo as� una extensa cartera de clientes, cada uno con preferencias gustos y necesidades distintas, se utiliz� el 100% de datos de los clientes de la base de datos de la empresa y los registros de compra de todos los clientes como se observa en la Tabla 2, estos datos se los traslad� y almaceno en una hoja de c�lculo de Excel extensi�n CVS para posteriormente estos datos sean manipulados por el software Phyton con mayor facilidad.

Como resultado de esta investigaci�n se pudo recomendar un top siete de productos� de acuerdo a el perfil de cada cliente, la recomendaci�n se podr� utilizar mediante el uso de aplicaciones m�viles o p�ginas web que ayudaran a mejorar el desempe�o de los vendedores en el proceso de ventas, cabe destacar que las t�cnicas y modelos aplicados son din�micos, es decir que el desempe�o de la recomendaci�n var�a dependiendo de los registros hist�ricos de cada cliente, pues este puede ir evolucionando con el tiempo y las nuevas tendencias.

Los resultados en el proceso mediante la utilizaci�n de algoritmos de Agrupaci�n KNN (vecino m�s cercano) y C Means establecen la precisi�n del modelo en base a los registros hist�ricos de compras de los clientes para poder identificar el grado de membres�a que tiene cada cliente de acuerdo a su perfil y poderlo clasificar a un determinado cluster, cada cliente es encasillado dependiendo del tipo de clase que sean los vecinos m�s pr�ximos a �l y que generalmente su similitud es medida mediante una funci�n de distancia Euclidiana o Manhattan como podemos observar en la Figura 5 que un cliente de acuerdo a sus caracter�sticas fue encasillado en el clusters 2, luego esta informaci�n se filtra de acuerdo al perfil de cada cliente recomendando un top siete de productos de inter�s el cual lo hemos representado en una nube de palabras la cual brinda un an�lisis f�cil, r�pido y comprensivo de los datos en el cual los nombres de los productos recomendados aparecen m�s grandes y de distinto color como se aprecia en la ���Figura 6. Tambi�n se estableci� en base a la frecuencia del historial de compras de cada cliente un top diez de productos m�s vendidos y con mayor aceptaci�n permitiendo de esta manera que la empresa pueda conocer cu�les son los productos con mayor rotaci�n en el mercado y as� poder tomar una mejor decisi�n al ofrecer el producto a su cliente como se ilustra en la �Figura 7. Con el uso de 6 variables y 8000 registros, los datos fueron pre procesados mediante el uso algoritmo de aprendizaje difuso no supervisado.

 

 

 

 

 

 

 

 

Figura 6: Registro de Compras de Clientes

 

Figura 7: C Medias Grado de Membres�a

 

Figura 8: Nube de Palabras: Recomendaci�n de Productos

 

Figura 9: Top 10 de Productos de mayor rotaci�n

 

Conclusi�n

En el estado de arte establece que las tecnolog�as basadas en la Inteligencia Artificial (IA) ya est�n siendo utilizadas para ayudar a los humanos a beneficiarse de mejoras significativas y disfrutar de una mayor eficiencia en casi todos los �mbitos de la vida, de modo que en un mercado globalizado es necesario que las empresas busquen soluciones basadas en las nuevas tecnolog�as, por esta raz�n la tecnolog�a de los sistemas de recomendaci�n es una parte importante debido a que puede brindar un mejor servicio a los usuarios y ayudarlos a obtener informaci�n en cualquier momento y en cualquier lugar.

La fase del pre procesamiento de datos es esencial en todo proceso, debido a que en esta fase se identifica valores at�picos que pueden alterar resultados y propiedades de los datos.

Uno de los inconvenientes que tuvimos en el desarrollo de esta investigaci�n fue� que las frecuencias absolutas arrojaban muchos� �tems de productos con pocos valores lo cual dificultaba la presentaci�n de los valores de la recomendaci�n, por lo cual utilizamos una nube de palabras para hacer un gr�fico con una mejor presentaci�n.

El modelo implementado beneficia a la empresa no solo a recomendar un top siete de productos de inter�s de acuerdo al perfil del cliente si no tambi�n identificar los productos que tienen mayor y menor rotaci�n de inventario, esto permite a la empresa lanzar campa�as de marketing con los productos que menos acogida tienen entre los clientes. En esta investigaci�n se implement� un sistema de recomendaci�n difuso el cual fue probado y ejecutado a la base de datos de clientes de la empresa Promyvent.

En trabajos futuros este modelo de recomendaciones planteado puede ser m�s �ptimo y obtener mejores resultados si la empresa implementa un sistema que permita a los clientes valorar los productos lo que permitir� optimizar el algoritmo y obtener resultados m�s precisos.

Este modelo de recomendaciones tambi�n se lo puede aplicar en otras �reas de la empresa como en departamentos cr�dito, marketing, Inventarios, entre otros para impulsar su desarrollo.

 

Referencias

1.      Altamirano, K. L. (2020). Innovaci�n en empresas de Cuenca-Ecuador: Empleo de model�stica inteligente en el sector textil. Revista de ciencias sociales, 26(3), 148-162.

2.      Askari, S. (2021). Algoritmo de agrupamiento Fuzzy C-Means para datos con tama�os de cl�ster desiguales y contaminados con ruido y valores at�picos: revisi�n y desarrollo. Sistemas expertos con aplicaciones, 165 , 113856.

3.      Camino, R. C. (2017). Emprendimiento e innovaci�n en Ecuador, an�lisis de ecosistemas empresariales para la consolidaci�n de peque�as y medianas empresas. INNOVA Research Journal, 2(9.1), 73-87.

4.      Charnelli, M. E. (2017). Sistema recomendador basado en t�picos latentes. In Congreso Argentino de Ciencias de la Computaci�n, Vol 23.

5.      Ches�evar, C. I. (2018). El comercio electr�nico en la era de los bots. Universidad Nacional del Sur y CONICET, 126-135.

6.      Choenyi, T. T. (2021). A review on the filtering techniques used in the restaurant recommendation system. In t. J. Computation. Science Crowd. Compute, 10 (4), 113-117.

7.      Chuya, J. C. (2021). Econom�a digital, herramienta para mejorar la competitividad y productividad en las PYMES caso: Machala-Ecuador. 593 Digital Publisher CEIT, 6(3), 76-86.

8.      Costa, M. P. (2018). Inversi�n en TICS en las empresas del Ecuador para el fortalecimiento de la gesti�n empresarial Periodo de an�lisis. Revista Espacios, 39(47).

9.      Cuenca Mogro, E. M. (2019). Investigaci�n y an�lisis de sistemas de recomendaciones basados en reglas y Fuzzy para el control de la diabetes sobre art�culos cient�ficos y sistemas existentes. Universidad de Guayaquil. Facultad de Ciencias Matem�ticas y F�sicas., Guayauil.

10.  Cui, Z. X. (2020). Sistema de recomendaci�n personalizado basado en filtrado colaborativo para escenarios IoT. IEEE Transactions on Services Computing , 13 (4), 685-695.

11.  de la Maza, L. L. (2019). An�lisis de componentes principales aplicado a la fermentaci�n alcoh�lica. Revista Cient�fica de la UCSA, 6(2), 11-19.

12.  De-La-Hoz, E. J.-L.-H. (2019). Metodolog�a de aprendizaje autom�tico para la clasificaci�n y predicci�n de usuarios en ambientes virtuales de educaci�n. Informaci�n tecnol�gica, 30(1), 247-254.

13.  Esteban, I. G. (2017). Fundamentos y t�cnicas de investigaci�n comercial. Esic Editorial.

14.  Flores Macalup�, L. E. (2022). Una introducci�n a la clasificaci�n difusa. Una introducci�n a la clasificaci�n difusa. Universidad Nacional de Piura, Piura.

15.  Gallego, L. &. (2019). Variables de influencia en la capacidad de aprendizaje. un an�lisis por conglomerados y componentes principales. Informaci�n tecnol�gica, 30(2), 257-264.

16.  G�mez, P. G. (2019). Sistemas de Recomendaci�n: un enfoque a las t�cnicas de filtrado. Revista Ib�rica de Sistemas e Tecnologias de Informa��o, 286-293.

17.  Gonz�lez, J. &. (03 de 2018). Innovaci�n tecnol�gica en las empresas. Observatorio de la Econom�a Latinoamericana.

18.  Holguera, F. P. (2021). Sistemas de recomendaci�n basados en filtrado colaborativo:: aceleraci�n mediante computaci�n reconfigurable y aplicaciones predictivas sensoriales. Universidad de Extremadura.

19.  Jara, A. A. (2017). Evaluaci�n comparativa del sistema de control interno del sector comercial y del sector p�blico del Cant�n Morona. Killkana sociales: Revista de Investigaci�n Cient�fica, 1(1), 31-38.

20.  Kaushik, A. G. (2018). Una recomendaci�n de pel�cula. Sistema utilizando Redes Neuronales. Revista internacional de investigaci�n avanzada, ideas e innovaciones en tecnolog�a, 4 (2), 425-430.

21.  Keerthana, T. B. (2021). Sistema de recomendaci�n de productos Flipkart. Journal of Engineering Sciences, 33 , 34.

22.  Kishnani Garc�a, S. F. (2020). Uso de TIC y el desempe�o laboral en empresas de comercio en Lima Metropolitana. Universidad San Ignacio de Loyola, Lima.

23.  Maillo, J. L. (2018). Un enfoque aproximado para acelerar el algoritmo de clasificacion Fuzzy kNN para Big Data. Asociaci�n Espa�ola para la Inteligencia Artificial (AEPIA)., (pp. 1143-1148).

24.  Mero-V�lez, J. M. (2018). Empresa, administraci�n y proceso administrativo. Revista Cient�fica FIPCAEC (Fomento de la investigaci�n y publicaci�n en Ciencias Administrativas, Econ�micas y Contables). ISSN: 2588-090X. Polo de Capacitaci�n, Investigaci�n y Publicaci�n (POCAIP), 3(8), 84-102.

25.  Morales, C. A. (2018). Algoritmo SVD aplicado a los sistemas de recomendaci�n en el comercio. Tecnolog�a Investigaci�n y Academia, 6(1), 18-27.

26.  Nainggolan, R. P.-a. (2019). Se mejor� el rendimiento del cl�ster de K-means utilizando la suma de errores cuadr�ticos (SSE) optimizada mediante el uso del m�todo Elbow. En Journal of Physics: Conference Series, (Vol. 1361, No. 1, p. 012015).

27.  Pacheco Pazmi�o, H. W. (2018). Estudio de algoritmos de filtrado basado en contenidos para sistemas recomendadores de in formaci�n. Universidad T�cnica de Cotopaxi: Facultad de Ciencias de la Ingenier�a y Aplicadas)., Latacunga.

28.  Padmanandam, K. B. (2021). Una visualizaci�n de nube de palabras din�mica con reconocimiento de voz para res�menes de texto. En 2021 6th International Conference on Inventive Computation Technologies (ICICT) IEEE., (pp. 609-613).

29.  P�rez, S. C. (2018). An�lsis, diseno y desarrollo de un sistema de recomendaci�n basado en datos restauranteros de TripAdvisor y Foursquare. Research in Computing Science, 147, 209-224.

30.  Pita, G. E. (2018). Las TICs en las empresas: evoluci�n de la tecnolog�a y cambio estructural en las organizaciones. Dominio de las Ciencias, 4(1), 499-510.

31.  Polo Otero, J. L. (2017). Relaci�n entre I+ D, actividades innovadoras y resultados empresariales: un an�lisis para el sector de alimentos y bebidas en Colombia. Dimensi�n Empresarial, 15(1), 175-197.

32.  PRIETO, J. E. (2018). Los beneficios de la inteligencia artificial en el sector empresarial. Los beneficios de la inteligencia artificial en el sector empresarial. UNIVERSIDAD SANTO TOMAS, Bogota.

33.  Proa�o, M. F. (2018). Los sistemas de informaci�n y su importancia en la transformaci�n digital de la empresa actual. Revista Espacios, 39(45).

34.  Rouhiainen, L. (2018). Inteligencia artificial. Madrid: Alienta Editorial.

35.  Sellars, B. S.-A. (2018). Uso de nubes de palabras para analizar datos cualitativos en entornos cl�nicos. Gesti�n de enfermer�a, 49 (10), 51-53.

36.  Umargono, E. S. (2020). Optimizaci�n de agrupamiento de K-medias utilizando el m�todo del codo y la determinaci�n temprana del centroide en funci�n de la media y la mediana. En Actas de las Conferencias Internacionales sobre Sistemas y Tecnolog�as de la Informaci�n-CONRIST, (pp. 234-240).

37.  Yera, R. y. (2017). Herramientas difusas en sistemas de recomendaci�n: una encuesta. Revista Internacional de Sistemas de Inteligencia Computacional, 10 (1), 776-803.

 

 

 

� 2022 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).x