Mostrar el registro sencillo del documento
Un modelo de segmentación sociodemográfica para los consumidores de un portafolio de productos y servicios enfocado en marketing digital
dc.rights.license | Atribución-NoComercial 4.0 Internacional |
dc.contributor.advisor | Villa Garzón, Fernán Alonso |
dc.contributor.author | González Hernández, Gustavo Adolfo |
dc.date.accessioned | 2023-03-21T16:38:44Z |
dc.date.available | 2023-03-21T16:38:44Z |
dc.date.issued | 2023 |
dc.identifier.uri | https://repositorio.unal.edu.co/handle/unal/83648 |
dc.description | ilustraciones, diagramas |
dc.description.abstract | La pandemia del COVID-19, declarada como tal a inicios del año 2020, tuvo serios impactos en la vida cotidiana. La población mundial tuvo que adaptarse a nuevas condiciones, entre ellas, al uso de diferentes elementos físicos y tecnológicos con el fin de contener el contagio. Así, el tapabocas se convirtió en el accesorio más usado a nivel mundial y, empresas como las agencias publicitarias, pueden conocer qué personas lo usan a diario por medio de la aplicación de Machine Learning a sus estrategias de Marketing Digital. Para resaltar esta relación, esta tesis propone un modelo de segmentación sociodemográfica para los consumidores de una campaña de marketing digital de la agencia de publicidad “A” que ofrece al público un portafolio de tapabocas quirúrgicos desechables. Los datos utilizados son los aportados por el Instituto Nacional de Salud y el Ministerio de Salud sobre los casos positivos de Covid-19 en Colombia desde el 2 de marzo de 2020 hasta el 21 de diciembre de 2022. Metodológicamente, se realiza una clusterización bajo el método k-means. Como resultado, se obtuvieron 5 clústeres a partir de la programación por aprendizaje no supervisado de Machine Learning. Se concluye que la aplicación de modelos de Machine Learning L al Marketing Digital resulta ser efectiva para la clasificación de posibles grupos de usuarios de productos y servicios que se puedan ofrecer por estas plataformas como Facebook e Instagram (Texto tomado de la fuente) |
dc.description.abstract | The COVID-19 pandemic, declared as such at the beginning of 2020, had serious impacts on everyday life. The world population had to adapt to new conditions, including the use of different physical and technological elements to contain the virus. Thus, the mask became the most used accessory worldwide and, companies such as advertising agencies, can know which people use it daily through the application of Machine Learning to their Digital Marketing strategies. To highlight this relationship, this thesis proposes a sociodemographic segmentation model for the consumers of a digital marketing campaign of the advertising agency "A" that offers the public a portfolio of disposable surgical masks. The data used are those provided by the National Institute of Health and the Ministry of Health on positive cases of Covid-19 in Colombia from March 2, 2020 to December 21, 2022. Methodologically, a clustering is performed under the k-means method. As a result, five clusters were obtained from Machine Learning unsupervised learning programming. It is concluded that the application of Machine Learning L models to Digital Marketing is effective for the classification of groups of users of products and services that can be offered by these platforms such as Facebook and Instagram. |
dc.format.extent | xiv, 70 páginas |
dc.format.mimetype | application/pdf |
dc.language.iso | spa |
dc.publisher | Universidad Nacional de Colombia |
dc.rights.uri | http://creativecommons.org/licenses/by-nc/4.0/ |
dc.subject.ddc | 620 - Ingeniería y operaciones afines::629 - Otras ramas de la ingeniería |
dc.subject.ddc | 000 - Ciencias de la computación, información y obras generales::003 - Sistemas |
dc.title | Un modelo de segmentación sociodemográfica para los consumidores de un portafolio de productos y servicios enfocado en marketing digital |
dc.type | Trabajo de grado - Maestría |
dc.type.driver | info:eu-repo/semantics/masterThesis |
dc.type.version | info:eu-repo/semantics/acceptedVersion |
dc.publisher.program | Medellín - Minas - Maestría en Ingeniería - Analítica |
dc.description.degreelevel | Maestría |
dc.description.degreename | Magíster en Ingeniería - Analítica |
dc.identifier.instname | Universidad Nacional de Colombia |
dc.identifier.reponame | Repositorio Institucional Universidad Nacional de Colombia |
dc.identifier.repourl | https://repositorio.unal.edu.co/ |
dc.publisher.faculty | Facultad de Minas |
dc.publisher.place | Medellín, Colombia |
dc.publisher.branch | Universidad Nacional de Colombia - Sede Medellín |
dc.relation.indexed | RedCol |
dc.relation.indexed | LaReferencia |
dc.relation.references | Bayoude, K., Ouassit, Y., Ardchir, S., & Azouazi, M. (2018a). How machine learning potentials are transforming the practice of digital marketing: State of the art. Periodicals of Engineering and Natural Sciences, 6(2), 373–379. https://doi.org/10.21533/pen.v6i2.526 |
dc.relation.references | Bayoude, K., Ouassit, Y., Ardchir, S., & Azouazi, M. (2018b). How machine learning potentials are transforming the practice of digital marketing: State of the art. Periodicals of Engineering and Natural Sciences, 6(2), 373–379. https://doi.org/10.21533/PEN.V6I2.526 |
dc.relation.references | Benton, M., Batalova, J., Davidoff-Gore, S., & Schmidt, T. (2021). COVID-19 and the State of Global Mobility in 2020. Migration Policy Institute & International Organization for Migration. https://publications.iom.int/books/covid-19-and-state-global-mobility-2020 |
dc.relation.references | Chinnamgari, S. K. (2019). R Machine Learning Projects. Implement supervised, unsupervised, and reinforcement learning techniques using R 3.5. Packt Publishing. https://books.google.com.co/books?hl=es&lr=&id=4dKDDwAAQBAJ&oi=fnd&pg=PP1&dq=machine+learning+supervised+unsupervised&ots=pxmI3Mf0tG&sig=9GPNZQuvrIpn9bTYP8nvqIih0_o&redir_esc=y#v=onepage&q=machine learning supervised unsupervised&f=true |
dc.relation.references | Concepto. (n.d.). Redes Sociales - Qué son, tipos, ejemplos, ventajas y riesgos. Concepto. Retrieved December 2, 2022, from https://concepto.de/redes-sociales/ |
dc.relation.references | De Mauro, A., Sestino, A., & Bacconi, A. (2022). Machine learning and artificial intelligence use in marketing: a general taxonomy. Italian Journal of Marketing, 1–19. https://doi.org/10.1007/S43039-022-00057-W |
dc.relation.references | Departamento Nacional de Planeación. (2017). Indicadores sociodemográficos. Departamento Nacional de Planeación. Observatorio de Familia. https://observatoriodefamilia.dnp.gov.co/Sistema-de-monitoreo/Indicadores-sociodemográficos/Tipologias-de-familias/Paginas/Indicadores-sociodemográficos.aspx |
dc.relation.references | Deutsche Welle. (2022, November 21). China: nuevos confinamientos tras repunte de COVID. Deutsche Welle. https://www.dw.com/es/china-nuevos-confinamientos-tras-repunte-de-covid/av-63835652 |
dc.relation.references | Ebrahimi, P., Basirat, M., Yousefi, A., Nekmahmud, M., Gholampour, A., & Fekete‐Farkas, M. (2022). Social Networks Marketing and Consumer Purchase Behavior: The Combination of SEM and Unsupervised Machine Learning Approaches. Big Data and Cognitive Computing, 6(35), 1–18. https://doi.org/10.3390/bdcc6020035 |
dc.relation.references | Erickson, B. F. (2010). La publicidad. Firmas Press. https://books.google.com.co/books?id=zHTpDwAAQBAJ&dq=que+es+publicidad+&lr=&hl=es&source=gbs_navlinks_s |
dc.relation.references | Guarda, T., Santos, M., Pinto, F., Silva, C., & Lourenço, J. (2012). A Conceptual Framework for Marketing Intelligence. International Journal of E-Education, e-Business, e-Management and e-Learning, 2(6), 455–459. https://doi.org/10.7763/ijeeee.2012.v2.163 |
dc.relation.references | Guzmán Elisea, J. (2003). Desarrollo de Campaña Publicitaria [Universidad Autónoma de Nuevo León]. http://eprints.uanl.mx/5347/1/1020149150.PDF |
dc.relation.references | Hagen, L., Uetake, K., Yang, N., Bollinger, B., Chaney, A. J. B., Dzyabura, D., Etkin, J., Goldfarb, A., Liu, L., Sudhir, K., Wang, Y., Wright, J. R., & Zhu, Y. (2020). How can machine learning aid behavioral marketing research? Marketing Letters, 31(4), 361–370. https://doi.org/10.1007/S11002-020-09535-7/TABLES/1 |
dc.relation.references | Fernandez, L. (2021). 3M’s N95 mask production worldwide 2019-2021. Statista. https://www.statista.com/statistics/1232566/global-n95-mask-production-of-3m/ |
dc.relation.references | Hair Jr., J. F., & Sarstedt, M. (2021). Data, measurement, and causal inferences in machine learning: opportunities and challenges for marketing. Journal of Marketing Theory and Practice, 29(1), 65–77. https://doi.org/10.1080/10696679.2020.1860683 |
dc.relation.references | Held, D. (2002). Introducción. In Transformaciones globales : Política, economía y cultura. Oxford University Press. |
dc.relation.references | Instituto Nacional de Estadística e Informática de la República del Perú. (2018). Definición de indicadores sociodemográficos. https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/Lib1753/definiciones.pdf |
dc.relation.references | Instituto Nacional de Salud. (2020). Sobre el dataset de casos de COVID-19 en Colombia. In วารสารวิชาการมหาวิทยาลัยอีสเทิร์นเอเชีย (Vol. 4, Issue 1). https://www.ins.gov.co/BibliotecaDigital/dataset-casos.pdf |
dc.relation.references | Jara, L. (2015, August 8). Indicadores Sociodemográficos. Observatorio Económico Social UNR. https://observatorio.unr.edu.ar/indicadores-sociodemograficos/ |
dc.relation.references | Kaličanin, K., Čolović, M., Njeguš, A., & Mitić, V. (2019). Benefits of Artificial Intelligence and Machine Learning in Marketing. Sinteza 2019 - International Scientific Conference on Information Technology and Data Related Research, 472–477. https://doi.org/10.15308/sinteza-2019-472-477 |
dc.relation.references | León, A. (2022, December 12). Tapabocas en Colombia: Minsalud informa que no volverá a ser obligatorio. El Tiempo. https://www.eltiempo.com/salud/tapabocas-en-colombia-minsalud-informa-que-no-volvera-a-ser-obligatorio-725252 |
dc.relation.references | Luna, M. (2004). Redes sociales. Revista Mexicana de Sociología, 66, 59. https://doi.org/10.2307/3541443 |
dc.relation.references | Ma, L., & Sun, B. (2020). Machine learning and AI in marketing – Connecting computing power to human insights. International Journal of Research in Marketing, 37(3), 481–504. https://doi.org/10.1016/j.ijresmar.2020.04.005 |
dc.relation.references | McPherson, J. M., Popielarz, P. A., & Drobnic, S. (1992). Social Networks and Organizational Dynamics. American Sociological Review, 57(2), 153. https://doi.org/10.2307/2096202 |
dc.relation.references | Ngai, E., & Wu, Y. (2022). Machine learning in marketing: A literature review, conceptual framework, and research agenda. Journal of Business Research, 145, 35–48. https://doi.org/10.1016/j.jbusres.2022.02.049 |
dc.relation.references | Olivar Urbina, N. (2021). El proceso de posicionamiento en el marketing: pasos y etapas. Academia & Negocios, 7(1), 55–64. https://revistas.udec.cl/index.php/ran/article/view/3066/3179 |
dc.relation.references | Organización Mundial de la Salud. (2021). Enfermedad por coronavirus (COVID-19): Accesibilidad y asignación de las vacunas. Organización Mundial de La Salud. https://www.who.int/es/news-room/questions-and-answers/item/coronavirus-disease-(covid-19)-vaccine-access-and-allocation |
dc.relation.references | Organización Mundial de la Salud. (2022). Enfermedad por el coronavirus (COVID-19): Vacunas. Organización Mundial de La Salud. |
dc.relation.references | Organización Panamericana de la Salud. (2021). Colombia recibe las primeras vacunas que llegan a las Américas a través del Mecanismo COVAX. Organización Panamericana de La Salud. https://www.paho.org/es/noticias/1-3-2021-colombia-recibe-primeras-vacunas-que-llegan-americas-traves-mecanismo-covax |
dc.relation.references | Petteri, L. (2018). Inteligencia artificial. 101 cosas que debes saber hoy sobre nuestro futuro. Editorial Planeta. https://static0planetadelibroscom.cdnstatics.com/libros_contenido_extra/40/39308_Inteligencia_artificial.pdf |
dc.relation.references | Portafolio. (2022, December 2). ¿Volverá uso obligatorio de tapabocas en Colombia? Esto dice Minsalud. Portafolio. https://www.portafolio.co/economia/gobierno/volvera-uso-obligatorio-de-tapabocas-en-espacios-cerrados-575030 |
dc.relation.references | Santos, M. (1993). Los espacios de la globalización. Anales de Geografía de La Universidad Complutense, 13, 69–77. https://revistas.ucm.es/index.php/AGUC/article/download/AGUC9393110069A/31671 |
dc.relation.references | Ullal, M. S., Hawaldar, I. T., Soni, R., & Nadeem, M. (2021). The Role of Machine Learning in Digital Marketing. SAGE Open, 11(4), 1–12. https://doi.org/10.1177/21582440211050394/FORMAT/EPUB |
dc.relation.references | Vargas, P. (2021). Más de 50 países han desarrollado aplicaciones móviles para rastrear el nuevo coronavirus. La República. https://www.larepublica.co/internet-economy/mas-de-50-paises-desarrollaron-aplicaciones-para-rastrear-el-nuevo-coronavirus-3124948 |
dc.relation.references | Viteri Luque, F. E., Herrera Lozano, L. A., & Bazurto Quiroz, A. F. (2017). Las Tendencias del Marketing: Cuáles son y definiciones. Recimundo, 1(5), 974–988. https://doi.org/10.26820/recimundo/1.5.2017.974-988 |
dc.relation.references | World Health Organization. (2021). Coronavirus disease (COVID-19) advice for the public: When and how to use masks. World Health Organization. https://www.who.int/emergencies/diseases/novel-coronavirus-2019/advice-for-public/when-and-how-to-use-masks |
dc.relation.references | World Health Organization. (2022a). Coronavirus disease (COVID-19): Masks. World Health Organization. https://www.who.int/news-room/questions-and-answers/item/coronavirus-disease-covid-19-masks |
dc.relation.references | World Health Organization. (2022b). Tracking SARS-CoV-2 variants. World Health Organization. https://www.who.int/activities/tracking-SARS-CoV-2-variants |
dc.rights.accessrights | info:eu-repo/semantics/openAccess |
dc.subject.lemb | Mercadeo por internet |
dc.subject.lemb | Internet marketing |
dc.subject.proposal | Machine Learning |
dc.subject.proposal | Aprendizaje no supervisado |
dc.subject.proposal | Clusterización |
dc.subject.proposal | Mercadeo digital |
dc.subject.proposal | Pandemia |
dc.subject.proposal | Unsupervised Learning |
dc.subject.proposal | Clustering |
dc.subject.proposal | Digital marketing |
dc.subject.proposal | Pandemic |
dc.title.translated | A sociodemographic segmentation model for consumers of a portfolio of products and services focused on digital marketing |
dc.type.coar | http://purl.org/coar/resource_type/c_bdcc |
dc.type.coarversion | http://purl.org/coar/version/c_ab4af688f83e57aa |
dc.type.content | Text |
dc.type.redcol | http://purl.org/redcol/resource_type/TM |
oaire.accessrights | http://purl.org/coar/access_right/c_abf2 |
dcterms.audience.professionaldevelopment | Público general |
dc.description.curriculararea | Área Curricular de Ingeniería de Sistemas e Informática |
Archivos en el documento
Este documento aparece en la(s) siguiente(s) colección(ones)
![Atribución-NoComercial 4.0 Internacional](/themes/Mirage2//images/creativecommons/cc-generic.png)