Prototipo de modelo de aprendizaje automático para estimar la viabilidad de productos tecnológicos mediante la predicción de la satisfacción del consumidor

Abstract

En este trabajo se propone y construye un prototipo de modelo predictor de viabilidad de productos tecnológicos, cuyo objetivo es transformar información textual estructurada en un indicador numérico. Este indicador es el resultado de la interpretación cuantitativa de la satisfacción del consumidor, expresada a través de reseñas de usuarios en el contexto del comercio electrónico, y está orientado a apoyar la planeación de productos tecnológicos, particularmente en etapas tempranas de análisis del entorno y caracterización del producto. El prototipo se fundamenta en un modelo de aprendizaje de máquina que analiza los componentes textuales presentes tanto en la información descriptiva de los productos como en las reseñas publicadas en línea, permitiendo estimar finalmente la satisfacción del consumidor como un indicador numérico. Como aproximaciones cuantificables para la construcción de este indicador, se emplean la calificación numérica otorgada por los usuarios y los votos de utilidad asociados a las reseñas. Para la construcción del prototipo, se inició con la adquisición de un conjunto de datos compuesto por información de productos y reseñas provenientes de la plataforma de comercio en línea Amazon. Sobre este conjunto se ejecutaron procesos de exploración, limpieza y transformación de datos para obtener un conjunto de entidades y atributos representativos de las percepciones de usuarios en internet. Por otro lado, a partir de las definiciones propuestas por diversos autores en el contexto del análisis de productos, se definió un conjunto de métricas que permiten la conversión de información semántica codificada en el indicador numérico propuesto. En función de la caracterización de dichas métricas objetivo, se construyó el prototipo de modelo de aprendizaje de máquina, el cual integra la codificación de información textual en vectores numéricos, la agrupación de productos similares para una comparación consistente de entidades y la selección de estrategias supervisadas y formuladas basadas en la calificación numérica de reseñas de usuario. Como resultado, el modelo seleccionado logró representar la viabilidad de un producto con un nivel de precisión de hasta 96%, de acuerdo con las interpretaciones de negocio analizadas. Finalmente, la estructura del prototipo fue seleccionada a partir de la evaluación de métricas de desempeño por modelo y la ejecución de flujos de validación manual. (Texto tomado de la fuente)

This work proposes and develops a prototype of a predictive model for the viability of technological products, whose objective is to transform structured textual information into a numerical indicator. This indicator results from the quantitative interpretation of consumer satisfaction, expressed through user reviews in e-commerce contexts, and is intended to support technological product planning, particularly during early stages of environmental analysis and product characterization. The prototype is based on a machine learning model that analyzes textual components present in both product descriptions and online user reviews, ultimately enabling the estimation of consumer satisfaction as a numerical indicator. As quantifiable approximations for constructing this indicator, the model employs the numerical ratings assigned by users and the helpfulness votes associated with the reviews. For the construction of the prototype, a dataset composed of product information and reviews obtained from the Amazon e-commerce platform was collected. This dataset underwent exploration, cleaning, and transformation processes to derive a set of entities and attributes representative of user perceptions on the internet. Additionally, based on definitions proposed by various authors in the context of product analysis, a set of metrics was defined to enable the conversion of encoded semantic information into the proposed numerical indicator. According to the characterization of these target metrics, the machine learning prototype was constructed by integrating textual information encoding into numerical vectors, clustering of similar products to ensure consistent entity comparison, and the selection of supervised learning strategies formulated based on user review ratings. As a result, the selected model achieved up to 96% accuracy in representing product viability, according to the analyzed business interpretations. Finally, the structure of the prototype was determined based on the evaluation of performance metrics per model and the execution of manual validation workflows.