E. Barón, J Olave / Journal Business Science V 7 N°1 (2026) 117 – 137
Facultad de Ciencias Administrativas, Contables y Comercio. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
117
APLICACIÓN DE ANALÍTICA DE DATOS PARA OPTIMIZAR VENTAS Y EXPERIENCIA DE
CONSUMO EN TIENDAS DE BARRIO
USING DATA ANALYTICS TO OPTIMIZE SALES AND CUSTOMER EXPERIENCE IN
NEIGHBORHOOD STORES
Ena Yuritze Barón López
1
; Jefferson Olave Rubio
2
Universidad Central Colombia
Ena Yuritze Barón López: https://orcid.org/0000-0002-2659-4500
Jefferson Olave Rubio: https://orcid.org/0009-0006-9678-439X
Recibido: 22-feb-2026 Aceptado: 28-abr-2026
Códigos Clasificación JEL M10, M15, M21
Resumen
Esta investigación tiene como objetivo desarrollar e implementar herramientas de recomendación de
productos en analítica de datos para mejorar ventas y experiencias de consumo en tiendas de barrio en Colombia.
El estudio se centra en Supermercado La Comarca, ubicado en el barrio Bonanza, considerando las limitaciones
tecnológicas y desconfianza hacia los pagos digitales presentes en este tipo de negocios. La propuesta utiliza
registros del sistema POS mediante arquitectura orientada al ciclo de vida de los datos, desde su extracción hasta
su transformación en información útil para la toma de decisiones. A partir de estos datos se implementó un
algoritmo de recomendación basado en similitud de cosenos, integrado a un chatbot capaz de generar ofertas
personalizadas según el historial de compras. El análisis se fundamenta en el enfoque Market Basket Analysis y
reglas de asociación para identificar patrones de consumo y sugerir productos complementarios, fortaleciendo la
fidelización del cliente.
Palabras Clave: Comercio Tradicional Minorista, Chatbot, MBA, Reglas de Asociación, Algoritmo de
Recomendación.
Abstract
The objective of this research is to develop and implement product recommendation tools using data
analytics to improve sales and customer experiences at neighborhood stores in Colombia. The study focuses on
Supermercado La Comarca, located in the Bonanza neighborhood, taking into account the technological
limitations and mistrust of digital payments present in this type of business. The proposal utilizes POS system
records through a data lifecycle-oriented architecture, from data extraction to its transformation into useful
information for decision-making. Based on this data, a recommendation algorithm using cosine similarity was
implemented and integrated into a chatbot capable of generating personalized offers based on purchase history.
The analysis is based on the Market Basket Analysis approach and association rules to identify consumption
patterns and suggest complementary products, thereby strengthening customer loyalty.
Keywords: Traditional Retail Commerce, Chatbot, MBA, Association Rules, Recommendation
Algorithm.
E. Barón, J Olave / Journal Business Science V 7 N°1 (2026) 117 – 137
Facultad de Ciencias Administrativas, Contables y Comercio. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
118
Introducción
El sector minorista en Colombia, especialmente las tiendas de barrio o canal tradicional, ha sido esencial
en el desarrollo económico de muchas familias y sigue siendo una opción preferida por los consumidores debido
a su cercanía y confianza con los tenderos, se calcula que en Colombia hay 450.000 tiendas (Fenalco, 2021). Estos
negocios proporcionan empleo a miles de colombianos, incluso después de la pandemia, este es el medio que más
personas consideraron como una opción para desarrollarse económicamente. Sin embargo, enfrenta desafíos
significativos debido a la competencia de otros formatos minoristas y a la lenta adopción de tecnologías, lo que lo
hace vulnerable frente a tiendas de descuento y otros competidores.
El avance tecnológico ha impulsado la integración de canales físicos y digitales en el sector minorista. En
los últimos años, numerosos minoristas, independientemente de su tamaño, han incorporado canales en línea,
consolidándose como minoristas multicanal. Asimismo, se evidencia un creciente interés de las marcas por
fortalecer su presencia digital (Frasquet et al., 2015; Schoenbachler & Gordon, 2002). Actualmente, los negocios
multicanal evolucionan hacia la omnicanalidad, entendida como la integración total de los canales de venta y
comunicación con el consumidor.
Esta transformación exige que las empresas desarrollen capacidades en áreas estratégicas como: (1)
tecnologías y herramientas para facilitar la toma de decisiones; (2) visualización y gestión de la oferta de
mercancías; (3) consumo y participación del cliente; (4) recopilación y aprovechamiento de grandes volúmenes de
datos; y (5) análisis y rentabilidad. Adicionalmente, resulta relevante considerar el potencial de tecnologías
emergentes como el Internet de las cosas, la realidad virtual, la realidad aumentada, la inteligencia artificial, los
robots, los drones y los vehículos autónomos (Grewal et al., 2016).
El comercio electrónico ha generado nuevas oportunidades para que los minoristas recopilen y analicen
datos de los clientes mediante plataformas digitales. Esto permite comprender los comportamientos de consumo,
identificar tendencias y ofrecer recomendaciones personalizadas, convirtiéndose en una herramienta clave para la
toma de decisiones y la mejora de la experiencia de compra (Aversa et al., 2021). No obstante, aunque las tiendas
de barrio continúan siendo competidores relevantes dentro del consumo masivo, su sostenibilidad futura depende
de su capacidad de modernización tecnológica, ya que enfrentan el riesgo de rezago si no se adaptan a las nuevas
dinámicas digitales (La República, 2019).
En la actualidad, las tiendas de barrio no aprovechan plenamente los beneficios de la tecnología y de la
analítica de datos para mejorar sus ventas, expandir sus negocios y brindar mayores beneficios a sus clientes.
Factores como los aspectos culturales de consumidores y tenderos, el desconocimiento en el uso de herramientas
tecnológicas y la preferencia arraigada por el dinero en efectivo limitan su avance hacia la adopción de medios
digitales (La República, 2021).
En este contexto, el presente proyecto se orienta a la aplicación de herramientas de analítica de datos en
beneficio del comercio minorista tradicional de barrio. A partir del modelamiento de datos relacionados con ventas,
productos facturados y datos de contacto para domicilios, se busca desarrollar una herramienta de recomendación
y segmentación que facilite tanto al tendero como al consumidor los procesos de compra y venta digital. Asimismo,
la propuesta permitirá generar recomendaciones de compra basadas en el historial de consumo de los clientes. El
proyecto se desarrolla a partir del caso del Supermercado La Comarca, ubicado en el barrio Bonanza.
E. Barón, J Olave / Journal Business Science V 7 N°1 (2026) 117 – 137
Facultad de Ciencias Administrativas, Contables y Comercio. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
119
Revisión de la literatura y contexto
Para las marcas minoristas, los datos se han vuelto cruciales para crear experiencias personalizadas y
generar valor para las organizaciones. El valor de los datos es ahora mayor que los activos físicos y porque el uso
estratégico de la analítica ha demostrado mayor rentabilidad para las empresas minoristas. La capacidad de
transformar datos en acciones concretas ofrece una ventaja competitiva significativa y mejora los resultados
financieros en el sector.
Uso y estudio de la analítica de datos en el sector minorista
La literatura también muestra investigaciones sobre el uso de la analítica en el sector minorista. García y
Rodríguez (2019) propusieron un diseño integral de una solución digital para innovar el modelo de negocio de la
industria del retail integrando analítica, cloud computing e internet. Otra de las investigaciones encontradas,
propone un diseño modelo que combina tecnologías con Cloud Computing, con el fin de eliminar dichas
restricciones en la planeación y gestión de inventario de las PYME peruanas (López & Guerrero, 2017).
Por otro lado, Iregui Sanclemente (2021) hace un análisis de los beneficios de las PYMES en Bogotá a
partir de un estudio de casos. Específicamente en el análisis de modelos analíticos sobre tiendas de barrio se han
encontrado los siguientes estudios: Gómez Betancur (2021) desarrolló un modelo para predecir las ventas de la
semana siguiente a partir de la información del último año en todas las tiendas para una marca específica. Los
datos fueron extraídos directamente de la base de datos de Tienda Registrada, una empresa que se dedicada a la
captura de información de ventas del canal de las tiendas de barrio, por medio de un sistema POS.
El sector minorista en Colombia y su evolución hacia lo digital
En Colombia, la adopción de procesos digitales ha sido más lenta que en países desarrollados; no obstante,
la pandemia del COVID-19 impulsó significativamente la cultura digital, evidenciada en un aumento del 113 %
en nuevos compradores online entre 2019 y 2020, lo que reflejó cambios en el comportamiento de consumo
(Bancolombia, 2020). Ante este contexto, el sector minorista ha integrado canales digitales junto a los físicos
tradicionales. Aunque el consumidor colombiano continúa mostrando preferencia por el canal físico, el uso del
canal digital ha crecido de manera importante y forma parte actualmente de sus prácticas de compra.
Panorama del e-commerce en Colombia
El comercio electrónico en Colombia se originó en la década de 1990 y ha experimentado un crecimiento
progresivo en las décadas posteriores, impulsado por la expansión de internet, las redes sociales y los sitios de
contenido digital, los cuales transformaron las dinámicas de compra y el comportamiento del consumidor. En
América Latina, ya se proyectaba un crecimiento significativo del gasto en comercio electrónico desde mediados
de la década de 2010, evidenciando el potencial de este canal en la región (Patiño, 2014). No obstante, el punto de
inflexión hacia la digitalización ocurrió con la pandemia de COVID-19, periodo en el cual el uso de canales
digitales se intensificó de manera notable debido a cambios en los hábitos de consumo, el aumento de la confianza
en las transacciones online y la necesidad de mantener el acceso a bienes y servicios durante las restricciones
sanitarias.
Este contexto aceleró la transformación digital incluso en organizaciones tradicionalmente resistentes al
cambio, incluyendo micro, pequeñas y medianas empresas, que adoptaron tecnologías digitales para garantizar su
continuidad operativa (ACIS, 2021; Cámara Colombiana de Comercio Electrónico). Este proceso se vio
E. Barón, J Olave / Journal Business Science V 7 N°1 (2026) 117 – 137
Facultad de Ciencias Administrativas, Contables y Comercio. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
120
acompañado por iniciativas del gobierno y del sector privado orientadas a mejorar la infraestructura tecnológica y
la penetración de internet, especialmente en ciudades intermedias y pequeñas. A pesar de estos avances, Colombia
partía de niveles de digitalización inferiores al promedio mundial —con un índice de 48 sobre 100,
aproximadamente un 12,7 % por debajo de la media global—, lo que evidencia que el crecimiento reciente
responde tanto a un proceso de aceleración como a la reducción de brechas estructurales en el ecosistema digital
(BBVA Research, 2022).
El consumo de productos en canales digitales y los modelos multi y omnicanal
El crecimiento de la venta minorista se está apalancando en el desarrollo de canales digitales y de modelos
mixtos como la multicanalidad y la omnicanalidad, provocando que los consumidores cambien sus hábitos y su
comportamiento de compra. Es fundamental comprender los factores de la intención de compra en el contexto del
consumidor (Kazancoglu & Aydin, 2018). Las empresas de OCR (Omnichannel Retailing por sus siglas en inglés)
deben comprender la percepción de los consumidores influenciada por las dimensiones de compromiso cognitivo,
social, conductual, psicológico y emocional, ya que esto les ayudará a enmarcar estrategias que los involucrarán
con mayor éxito (Sharma et al., 2020). Estos nuevos modelos de distribución y comercialización de negocios
minoristas implican unas condiciones en cuanto a la logística, el manejo de los datos y la aceptación tecnológica
por parte de los consumidores, las condiciones son:
• Logística del producto y cumplimiento: Las políticas de devolución representan un elemento estratégico para
que las organizaciones aumenten su flexibilidad, competitividad y la confianza del cliente, ya que muchos
consumidores las revisan antes de realizar una compra. Sin embargo, en contextos omnicanal su gestión se
vuelve más compleja para los minoristas, debido a la posibilidad de devoluciones a través de múltiples canales,
lo que genera incertidumbre y mayores desafíos en la logística inversa (Hübner et al., 2016; de Borba et al.,
2020).
• Aceptación tecnológica y seguridad en los datos: La implementación del modelo omnicanal requiere que
organizaciones y consumidores se adapten a nuevas tecnologías, siendo especialmente relevante la adopción y
el uso por parte de los clientes, lo que implica superar barreras asociadas a los canales digitales y la aceptación
tecnológica. En este contexto, las marcas deben garantizar sistemas seguros que generen confianza y lealtad;
no obstante, la solicitud de información personal puede percibirse como una amenaza a la privacidad,
provocando desconfianza en los consumidores (Kazancoglu & Aydin, 2018; Piotrowicz & Cuthbertson, 2014).
La tecnología en el comercio tradicional
El comercio tradicional corresponde a pequeños negocios independientes ubicados en barrios y
urbanizaciones, caracterizados por contar con un espacio físico reducido, atención personal directa por parte del
propietario o vendedores, y, en algunos casos, modalidad de autoservicio con una única caja registradora.
Generalmente presentan superficies entre 40 y 100 m² y se especializan en la venta de productos de primera
necesidad, como panaderías y misceláneas, siendo valorados por los consumidores debido a la cercanía, la
familiaridad y la atención personalizada del tendero (Morales, 2012; Lozsán & Nieves, 2022).
Tradicionalmente, los tenderos llevaban registros y controlaban el inventario de forma análoga, pero
actualmente han implementado tecnología como el sistema POS para el registro de ventas, especialmente después
de la reglamentación de la DIAN (Dirección de Impuestos y Aduanas Nacionales) en Colombia obligara a facturar
siempre que la venta del bien y/o prestación del servicio que se registre en el mismo no supere las 5 UVT (Unidad
E. Barón, J Olave / Journal Business Science V 7 N°1 (2026) 117 – 137
Facultad de Ciencias Administrativas, Contables y Comercio. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
121
de Valor tributario (DIAN, 2022). Considerando que el tiquete promedio de una tienda es de COP $ 27000 (La
República, 2021) los tenderos se han visto en la obligación de implementar cada vez más el sistema POS.
• Equipo POS que es el sistema de facturación en el punto de venta que garantiza un funcionamiento continuo
en su facturación.
• Uso de las Tecnologías de la Información y las Comunicaciones (TIC) para controlar sus inventarios, cuentas,
gastos y créditos, e incrementar sus ingresos prestando nuevos servicios.
• Sistema de videovigilancia para poder monitorear los distintos escenarios que se pueden presentar ya sea en
el interior o exterior de la tienda.
• Implementar los ‘mini datáfonos’ para permitirle a los usuarios realizar pagos mínimos desde los 2.000 o
5.000 pesos en adelante con sus tarjetas débito o crédito.
• Software para ventas para tiendas, micro mercados, droguerías, almacenes, entre otros, que deseen
sistematizar el control de sus procesos, ventas e inventario (ACIS, 2021).
La figura 1 muestra una caracterización de las tiendas de barrio con datos sobre el uso de tecnologías, medios de
pago, edades de los consumidores y barreras de digitalización.
Figura 1
Digitalización de las tiendas de barrio
Nota. Fuente: La República 2021.
Modelos analíticos aplicados al comercio minorista.
Mishra et al. (2021) destacan la necesidad de profundizar en el aporte de la analítica de datos para
comprender el comportamiento de compra y la toma de decisiones del consumidor. En este contexto, los minoristas
utilizan sistemas de recomendación —como motores de búsqueda y algoritmos— que emplean información de la
actividad digital para sugerir productos (Cabrera-Sánchez et al., 2020); sin embargo, muchos se basan en datos de
popularidad o en marcas patrocinadas (Nguyen et al., 2022), lo que puede generar recomendaciones poco ajustadas
a las preferencias reales. Aunque se ha demostrado que la personalización incrementa las ventas en comercio
electrónico, su implementación supone retos para las marcas, especialmente cuando el sistema no permite
comprender adecuadamente al consumidor o no se gestiona de forma eficiente el catálogo de productos dentro de
la estrategia minorista (Balakrishnan et al., 2018).
E. Barón, J Olave / Journal Business Science V 7 N°1 (2026) 117 – 137
Facultad de Ciencias Administrativas, Contables y Comercio. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
122
Figura 2
Esquema de un sistema de recomendación
Nota. Fuente: elaboración propia a partir de Olguín, De Jesús y Pérez de Celis, 2019.
De acuerdo con Olguín, De Jesús y Pérez de Celis (2019), los sistemas de recomendación pueden
clasificarse en relación con el enfoque utilizado para obtener la lista de recomendación. La lista de recomendación
es el resultado del orden de los ítems por su utilidad con respecto al usuario. En ese sentido, los sistemas de
recomendación consideran los elementos de la lista, basados en las recomendaciones previas de la comunidad o el
histórico de elementos considerados por los usuarios. De acuerdo con Olguín, De Jesús y Pérez de Celis (2019)
los sistemas híbridos combinan distintos enfoques —como contenido, conocimiento y colaboración— con el fin
de compensar las debilidades de cada método y mejorar la precisión de las recomendaciones y se clasifican en 4
categorías:
• Los sistemas de recomendación pueden clasificarse en cuatro tipos principales:
• Los basados en contenido generan sugerencias a partir de las similitudes entre los elementos del catálogo
y las preferencias previas del usuario, aunque presentan limitaciones con usuarios nuevos.
• Los basados en conocimiento utilizan información previa y criterios definidos para satisfacer necesidades
específicas, pero requieren mecanismos de discriminación cuando varios productos cumplen las mismas
condiciones.
• Los basados en colaboración se fundamentan en las valoraciones de otros usuarios, asumiendo que
personas con preferencias similares compartirán intereses.
Análisis de la cesta de compra (Market Basket Analysis).
El Market Basket Analysis o análisis de la canasta de compra es un método que permite identificar
relaciones entre los productos que adquieren los clientes. Al detectar qué artículos se compran conjuntamente con
mayor frecuencia, facilita el diseño de promociones dirigidas, recomendaciones y la disposición estratégica de
productos en la tienda para aumentar las ventas (Bismi, 2022). Esta técnica se basa en reglas de asociación
aplicadas a bases de datos transaccionales, con el objetivo de descubrir patrones de compra y generar conocimiento
sobre el comportamiento del consumidor mediante algoritmos de análisis (Raeder & Chawla, 2011).
¿Qué son las reglas de asociación y como las utilizan los minoristas para crear promociones o sugerir las
compras? En el sector minorista, las reglas de asociación se emplean para identificar patrones frecuentes en datos
provenientes de ventas, lo que permite comprender el comportamiento de compra y diseñar promociones con alta
probabilidad de éxito. Este enfoque se aplica comúnmente al análisis de canastas de productos adquiridos por los
E. Barón, J Olave / Journal Business Science V 7 N°1 (2026) 117 – 137
Facultad de Ciencias Administrativas, Contables y Comercio. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
123
clientes, facilitando el desarrollo de estrategias de marketing orientadas a mejorar las ventas (Amaris & Rodríguez,
2003). En términos generales, las reglas de asociación constituyen una técnica de minería de datos ampliamente
utilizada para detectar relaciones, correlaciones y co-ocurrencias entre conjuntos de datos mediante algoritmos de
aprendizaje automático.
El resultado de este análisis se expresa en reglas del tipo “si… entonces”, donde el antecedente
corresponde a un elemento presente en los datos y el consecuente al elemento que aparece en combinación con él
(Piatetsky-Shapiro, 1996, como se citó en Amaris & Rodríguez, 2003; AprendeIA, 2023). En el contexto de
compras, el antecedente es el producto que el consumidor adquiere y el consecuente el que probablemente
comprará en conjunto; por ejemplo, si un cliente compra leche, es probable que también compre pan.
Desarrollo de asociaciones a partir de algoritmos
Antes de aplicar cualquier algoritmo de análisis de canasta de compra, es necesario construir una matriz
de transacciones que relacione productos y compradores mediante valores binarios (0 y 1), indicando si cada cliente
adquirió o no un producto específico. A partir de esta matriz se identifican asociaciones entre productos que suelen
comprarse conjuntamente, lo que permite comprender el comportamiento de los consumidores y detectar patrones
de compra mediante algoritmos de asociación; en consecuencia, el proceso inicia con la construcción de dicha
matriz a partir de las bases de datos de ventas.
Tabla 1
Matriz de transacciones
Producto 1
Producto 2
Producto 3
Producto 4
Producto 5
Producto 6
Cliente 1
1
1
0
1
0
0
Cliente 2
0
0
1
0
0
0
Cliente 3
1
0
1
1
1
1
Cliente 4
0
1
1
0
0
1
Nota. Fuente: elaboración Propia
Algoritmos usados en la asociación de productos
Los algoritmos Apriori, Eclat y FP-Growth son ampliamente utilizados para identificar asociaciones
frecuentes en bases de datos y generar reglas de asociación. El algoritmo Apriori es pionero en este ámbito y opera
mediante iteraciones sucesivas que identifican ítems frecuentes a partir de un umbral mínimo de soporte,
generando conjuntos cada vez mayores hasta que no se obtienen nuevas combinaciones relevantes (Rocha et al.,
2016; Báez Acuña et al., 2018). Por su parte, el algoritmo Eclat realiza búsquedas en profundidad, lo que
incrementa su eficiencia al trabajar con conjuntos más pequeños; organiza las transacciones en matrices por ítems
y calcula los soportes mediante la intersección de identificadores de transacciones, eliminando aquellos que no
cumplen las reglas establecidas (Rocha et al., 2016; Báez Acuña et al., 2018). El algoritmo FP-Growth utiliza una
estructura de árbol de patrones frecuentes (FP-tree) que almacena información sobre la ocurrencia de los productos,
permitiendo identificar patrones frecuentes de forma más eficiente sin generar candidatos explícitos (Vergara
Orozco et al., 2022).
Adicionalmente, el algoritmo de similitud de coseno es una técnica de análisis de datos empleada para
medir la similitud entre vectores, como productos o usuarios, mediante el coseno del ángulo entre ellos; valores
cercanos a 1 indican alta similitud, mientras que valores cercanos a −1 reflejan diferencias significativas. En el
E. Barón, J Olave / Journal Business Science V 7 N°1 (2026) 117 – 137
Facultad de Ciencias Administrativas, Contables y Comercio. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
124
comercio minorista, esta técnica se utiliza para sistemas de recomendación de productos basados en patrones de
compra (Grapheverywhere, 2023).
Metodología
Caso comercio tradicional “Supermercado la Comarca”
Para el desarrollo del proyecto se analizó el caso Supermercado la Comarca, ubicado en el barrio Bonanza
que se encuentra en la localidad de Engativá, considerado por sus dimensiones y nivel de servicios como comercio
tradicional y opera como una tienda de barrio. El supermercado cuenta con un sistema POS en el que se registran
todas las transacciones de la tienda.
Descripción del barrio Bonanza
Bonanza es un barrio está ubicado en la Localidad de Engativá, en la ciudad de Bogotá, ubicado de norte
a sur entre las calles 75 y 68, y de oriente a occidente entre la carrera 78 y la Avenida Boyacá. Es un barrio
tradicional de clase media con zonas residenciales específicas y vías principales dedicadas al comercio. La tabla 1
muestra datos demográficos de la localidad de Engativá.
Tabla 2
Análisis demográfico y económico de la localidad de Engativá
Datos
Bogotá
Localidad de Engativá
Número de habitantes
7.834.167 habitantes
814.467 habitantes
Tasa de ocupación 2021
Bogotá: 56,6%
Engativá: 56,6%
Tasa de desempleo 2021
Bogotá: 16,2%
Engativá: 11,4%
Tasa de informalidad 2021
Bogotá: 42,4%
Engativá: 37,7%
Nota. Fuente: Alcaldía Mayor de Bogotá, 2022
La localidad de Engativá concentra aproximadamente el 10 % de la población de Bogotá y constituye una
de las principales fuentes de fuerza laboral de la ciudad, con una participación cercana al 10,7 %, debido a que la
mayoría de sus habitantes se encuentra en edad productiva. Aunque presenta una tasa de ocupación similar al
promedio distrital y un desempleo menor, también registra niveles importantes de informalidad (37,7 %), lo que
refleja condiciones laborales heterogéneas (ODEB, 2022). En términos socioeconómicos, predomina el estrato 3,
seguido del estrato 2, lo que caracteriza a la localidad como mayoritariamente de clase media. Asimismo, se trata
principalmente de una zona residencial, con una proporción reducida de uso comercial, industrial o de servicios
(Alcaldía Mayor de Bogotá, 2022).
Metodología CRISP-DM
Para abordar el problema del bajo aprovechamiento de la información disponible en las tiendas de barrio,
se empleó la metodología CRISP-DM con el propósito de estructurar el análisis de datos y responder al objetivo
del proyecto. Aunque estos negocios registran información financiera y operativa, esta se utiliza de manera
limitada para la toma de decisiones y la mejora de la experiencia del cliente. Sin embargo, el creciente uso de
canales digitales ha incrementado la disponibilidad de datos que podrían aprovecharse estratégicamente para
optimizar inventarios y personalizar la oferta de valor, especialmente en un contexto caracterizado por rezagos en
E. Barón, J Olave / Journal Business Science V 7 N°1 (2026) 117 – 137
Facultad de Ciencias Administrativas, Contables y Comercio. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
125
digitalización (Branch, 2020; Fenalco, 2021). A partir de ello, se presentan las etapas de la metodología CRISP-
DM.
Tabla 3
Descripción de los pasos de la metodología CRISP DM para el proyecto
Paso
Descripción
Desarrollo
1. Entendimiento
del negocio
Exposición de generalidades
Análisis de la situación actual basado en antecedentes sobre el uso de
tecnología en tiendas de barrio y en la caracterización del caso
“Supermercado La Comarca”, seguido de la definición de los objetivos de
minería de datos a partir de la información de ventas y domicilios, y el
diseño de la arquitectura de la solución propuesta.
2.Comprensión
de los datos
Análisis descriptivo de las variables
intervinientes dentro de la base de datos
obtenida.
Recopilación y análisis de los datos de domicilios mediante visualización,
incluyendo variables de facturación, horarios, volumen de pedidos y
georreferenciación de consumidores, así como la verificación de la calidad
de la información proveniente del sistema POS.
3. Preparación de
datos
Definición de los procesos de
extracción, transformación y carga
(ETL) para estructurar la base de datos
que será utilizada en el modelo
propuesto.
Selección de datos, almacenamiento de los datos de los clientes (dirección
y teléfono)
Limpieza de los datos
Construcción de nuevos datos desde el proceso ETL diseñado en Python /
Integración de datos de acuerdo con el objetivo del proyecto
4.Modelado
Se establecerán las técnicas a ser
utilizadas, así como su implementación
y validación a ser desarrollada para
obtener el mejor modelo acorde con el
objetivo de la investigación.
Selección de técnicas de modelado basadas en sistemas de recomendación,
desarrollo de un algoritmo de similitud de cosenos a partir del historial y
preferencias de los usuarios, generación de la matriz de predicciones y
evaluación del modelo mediante la implementación de un chatbot en
WhatsApp como herramienta de interacción con el cliente.
5.Evaluación:
Los resultados obtenidos serán
evaluados en su utilidad y pertinencia
que le brindarán al campo de análisis en
el que estos podrán ser utilizados.
Realización de experimentos controlados.
Conjunto de datos de prueba con datos nuevos.
Feedback de usuarios
Seguimiento de resultados en producción
6.Distribución
Uso de técnicas de visualización
descriptiva, como tableros de control,
para facilitar la comprensión y el
análisis del negocio.
Definición, implementación y validación de las técnicas necesarias para
obtener el modelo óptimo que permita alcanzar los objetivos propuestos.
Nota. Fuente: elaboración propia
Entendimiento del negocio
El Supermercado La Comarca es una tienda de barrio que comercializa productos de consumo mediante
dos modalidades: atención presencial, donde los clientes seleccionan productos por categorías y realizan el pago
en caja, y pedidos a domicilio, gestionados por teléfono, WhatsApp o página web, seguidos de la preparación y
entrega. Este último grupo resulta especialmente relevante para el estudio, ya que se dispone de información sobre
compras, productos, cantidades y datos de contacto, cuyo aprovechamiento permitiría optimizar la organización
del surtido, mejorar la eficiencia del servicio a domicilio, diseñar promociones en períodos de alta demanda, captar
nuevos clientes e implementar desarrollos tecnológicos orientados al incremento de las ventas. En este contexto,
se propone una arquitectura de solución alineada con los objetivos del trabajo.
E. Barón, J Olave / Journal Business Science V 7 N°1 (2026) 117 – 137
Facultad de Ciencias Administrativas, Contables y Comercio. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
126
Figura 3
Flujo de compras de los clientes
Nota. Fuente: elaboración propia
Arquitectura de datos:
Para el caso puntual del Supermercado La Comarca, la arquitectura descrita presenta varias etapas para
el aprovechamiento de los datos almacenados en el sistema POS las cuales consisten en:
1. Almacenamiento de los datos de los clientes (dirección y teléfono)
2. Extracción, transformación y carga de los datos en una nueva base de datos.
3. Implementación de algoritmos de clasificación y recomendación que permita generar valor al cliente
4. Generación de tableros de control para seguimiento de métricas de distribución y ubicación de clientes.
5. Ventas por fecha, clientes frecuentes y de alto consumo, productos de alta y baja rotación entre otros.
Figura 4
Arquitectura de la solución
Nota. Fuente: elaboración propia
Compresión de los y preparación de los datos
Los datos del Supermercado La Comarca se almacenan en un sistema POS que permite gestionar
transacciones, inventarios y compras de clientes, generando información útil para la toma de decisiones. Este
sistema opera sobre una base de datos MySQL con múltiples tablas, por lo que fue necesario implementar un
proceso ETL para extraer, transformar y cargar la información relevante requerida para el proyecto.
E. Barón, J Olave / Journal Business Science V 7 N°1 (2026) 117 – 137
Facultad de Ciencias Administrativas, Contables y Comercio. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
127
Estructura, almacenamiento y descripción de los datos:
Dada la extracción de los datos desde la fuente de origen (sistema POS), se relaciona a continuación el
flujo (MER) y diseño propuesto:
Figura 5
Flujo de información
Nota. Fuente: elaboración propia
Modelado
De acuerdo con el objetivo del proyecto, se emplearon sistemas de recomendación basados en reglas de
asociación para identificar patrones y hábitos de compra a partir del historial de transacciones, con el propósito de
predecir productos de interés para los clientes. Dentro de estos enfoques, se seleccionó el filtrado colaborativo,
que permite recomendar productos mediante la identificación de usuarios con preferencias y comportamientos de
compra similares.
Descripción del algoritmo se similitud de cosenos
El algoritmo seleccionado fue el de similitud de cosenos, debido a las características y naturaleza de los
datos, ya que permite medir la semejanza entre vectores —en este caso, productos representados en un espacio
vectorial— mediante el coseno del ángulo entre ellos (Rojas Hernández & Gelvez García, 2016). Este enfoque
parte de que valores cercanos a 1 indican alta similitud, valores cercanos a −1 reflejan diferencias, y valores
intermedios representan distintos grados de relación entre los elementos (Nguyen & Bai, 2011; Grapheverywhere,
2023). La figura siguiente ilustra este principio a partir de la dirección de los vectores.
E. Barón, J Olave / Journal Business Science V 7 N°1 (2026) 117 – 137
Facultad de Ciencias Administrativas, Contables y Comercio. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
128
Figura 6
Gráfico de vectores con similitudes cercanas a 1, cercanas a 0 y cercanas a -1.
Nota. Fuente: tomado de Karabiber, 2023
La similitud puede tomar valores entre -1 y +1. Los ángulos más pequeños entre vectores producen valores
de coseno más grandes, lo que indica una mayor similitud de coseno. Cuando dos vectores tienen la misma
orientación, el ángulo entre ellos es 0 y la similitud del coseno es 1. Los vectores perpendiculares tienen un ángulo
de 90 grados entre ellos y una similitud de coseno de 0. Los vectores opuestos tienen un ángulo de 180 grados
entre ellos y una similitud de coseno de -1.
La formulación de la similitud del coseno en términos del lenguaje de la regla de asociación se puede
escribir como:
Figura 7
Fórmula de similitud de cosenos
C
(
A → B
)
=
𝑠𝑢𝑝𝑝(A,B)
√
𝑠𝑢𝑝𝑝
(
A
)
𝑠𝑢𝑝𝑝(B)
Nota. La similitud del coseno entre a y b es igual al soporte entre (a,b) / la raíz cuadrada del producto de
los soportes individuales de a y de b. Elaboración propia.
El soporte es la probabilidad frecuentista de ocurrencia aparición de un producto. La métrica de soporte
mide la proporción de transacciones que contiene un conjunto de elementos, es decir:
Figura 8
Métrica de confianza
número de transacciones con artículos
número de transacciones
Nota 2: La métrica de confianza nos da la probabilidad de que compraremos Y dado que hemos comprado
X. Elaboración propia.
En la tabla 3 se interpreta la métrica de confianza
E. Barón, J Olave / Journal Business Science V 7 N°1 (2026) 117 – 137
Facultad de Ciencias Administrativas, Contables y Comercio. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
129
Tabla 4
Interpretación de la métrica de confianza
ID
ID
ID
ID
1
Café, Leche
1
Café, Leche
2
Pan, Leche, Naranja
2
Pan, Leche, Naranja
3
Pan, Leche
3
Pan, Leche
4
Pan, Leche, Azúcar
4
Pan, Leche, Azúcar
5
Pan, Huevo, Leche
5
Pan, Huevo, Leche
𝑆𝑜𝑝𝑜𝑟𝑡𝑒
(
𝑙𝑒𝑐ℎ𝑒 𝑦 𝑐𝑎𝑓é
)
= 0,20
𝑆𝑜𝑝𝑜𝑟𝑡𝑒
(
𝑙𝑒𝑐ℎ𝑒
)
= 1
𝑆𝑜𝑝𝑜𝑟𝑡𝑒
(
𝑙𝑒𝑐ℎ𝑒 𝑦 𝑐𝑎𝑓é
)
𝑆𝑜𝑝𝑜𝑟𝑡𝑒
(
𝑙𝑒𝑐ℎ𝑒
)
=
0,20
1
= 0.20
La probabilidad de comprar leche y café no cambia si condicionamos la compra de leche. Comprar leche
no nos dice nada acerca de comprar café.
Operatividad del algoritmo
El funcionamiento del algoritmo puede describirse en tres etapas: primero, el motor de filtrado
colaborativo identifica usuarios con patrones de valoración similares al usuario activo; segundo, establece esta
similitud a partir del historial, las preferencias y las decisiones de compra; y tercero, utiliza las valoraciones de
esos usuarios semejantes para predecir la posible valoración de productos no explorados previamente, permitiendo
recomendar artículos que otros consumidores con comportamientos similares ya han adquirido.
Figura 9
Ejemplo de la asociación del algoritmo
Nota. Fuente: elaboración del algoritmo
E. Barón, J Olave / Journal Business Science V 7 N°1 (2026) 117 – 137
Facultad de Ciencias Administrativas, Contables y Comercio. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
130
Resultados
Desarrollo del algoritmo de similitud de cosenos:
Inicialmente y teniendo en cuenta que ya se realizó la importación de librerías, extracción y limpieza
de los datos, se dio inicio del análisis sobre la descripción del producto, para tal fin se realizó un conteo por
el campo descripción del producto como se muestra a continuación:
Generación de la variable de conteo
comercio_tx[‘prod_descripcion’].value_counts()
La siguiente imagen muestra los tipos de datos que son relevantes y no relevantes para el proyecto;
existen categorías dentro de los registros como ‘SERVICIO A DOMICILIO' que no aportan nada al análisis
ni a una futura recomendación.
Figura 10
Variable conteo
Nota. Fuente: elaboración propia
La variable 'conteo_productosxcliente' permite contar la cantidad de veces que se ha comprado
determinado producto, en diferentes facturas. La tabla anterior nos muestra como el cliente con numero de
celular 3116886948, compró el producto ATUN VAN CAMPS LOMITOS X 184 GRS en 7 momentos
distintos, y ese conteo se ve reflejado en la variable que creamos.
Figura 11
Conteo productos cliente
Nota. Fuente: elaboración propia
Creación de la matriz usuario producto
Posteriormente se construye la matriz usuario-producto, que registra para cada cliente si ha
adquirido o no un producto (1 si lo compró y 0 en caso contrario), independientemente de la cantidad. Esta
E. Barón, J Olave / Journal Business Science V 7 N°1 (2026) 117 – 137
Facultad de Ciencias Administrativas, Contables y Comercio. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
131
representación permite cuantificar los valores no vacíos mediante el indicador de sparsity; en este caso, la
matriz presenta un 23,57 % de elementos distintos de cero, lo que indica un nivel adecuado de información
en el conjunto de datos.
Figura 12
Matriz usuario producto
Nota. Fuente: elaboración propia
Matriz de similitud de cosenos
Matriz de similitud por medio del algoritmo de Similitud del Coseno el cual permite observar y
medir la similitud entre los vectores de productos adquiridos por los clientes, es decir, que tan similares son
los clientes con respecto a otros con base en los productos comprados, la matriz nos muestra en una escala
de 0.3 a 1, unos usuarios que tienen una similitud cercana al 0.8 aproximadamente.
Figura 13
Matriz de similitud de coseno
Nota. Fuente: elaboración propia
Predicción de la compra
La predicción de compra se realizó calculando el peso de cada cliente sobre los productos a partir
de la similitud entre usuarios, donde cada rating se multiplica por el factor de similitud correspondiente y
la predicción final se obtiene mediante la suma de los pesos normalizados o suma ponderada.
Posteriormente, se generan las recomendaciones de productos para cada usuario. Para validar el
funcionamiento del modelo, se definieron dos parámetros —cantidad de productos aleatorios y cantidad de
productos seleccionados— que permiten determinar tanto el número de productos con mayor probabilidad
de compra como los que serán mostrados al cliente. Este procedimiento incorpora un componente de
E. Barón, J Olave / Journal Business Science V 7 N°1 (2026) 117 – 137
Facultad de Ciencias Administrativas, Contables y Comercio. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
132
aleatoriedad que diversifica las recomendaciones, evitando que el sistema sugiera siempre los mismos
productos y mejorando la experiencia del usuario.
Figura 14
Resultado de la matriz de predicciones
Nota. Fuente: elaboración propia
Herramienta para uso del tendero. Chat bot para la tienda
Para hacer funcionales los resultados del algoritmo se decide realizar un chatbot de atención al
cliente vía WhatsApp, que pueda ser una herramienta útil para mejorar la atención e incrementar las ventas.
Los chatbot´s son programas, algunos con algoritmos de inteligencia artificial, diseñados para interactuar
con los clientes a través de una interfaz de chat.
Figura 15
Evidencia del despliegue de WhatsApp
Nota. Fuente: elaboración propia
Este chatbot se alimenta con el histórico de compras del cliente, promociones y recomendaciones
Puntualmente el chatbot puede hacer recomendaciones personalizadas basadas en las compras anteriores del
cliente, los productos más vendidos o los productos que están en promoción.
Se espera que, con esta solución, se logre aumentar las ventas al proporcionar recomendaciones
relevantes y personalizadas a los clientes toda vez que el algoritmo del que se alimenta puede identificar
E. Barón, J Olave / Journal Business Science V 7 N°1 (2026) 117 – 137
Facultad de Ciencias Administrativas, Contables y Comercio. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
133
patrones de compra y sugerir productos complementarios o relacionados que puedan interesar al cliente,
aumentando así la probabilidad de aumentar los productos de compra y con ello las ventas.
Discusión
Los sistemas de recomendación se utilizan para apoyar la toma de decisiones de consumidores y
empresas y mejorar la experiencia de compra (Cabrera-Sánchez et al., 2020); grandes minoristas como Éxito,
Amazon y Mercado Libre los emplean para fortalecer su oferta de valor, mientras que las tiendas de barrio
presentan rezagos en su adopción tecnológica (La República, 2021). En este contexto, el proyecto se orienta
a aprovechar los datos históricos del tendero —ventas, productos, clientes y domicilios— almacenados en
un sistema POS con base MySQL (280 tablas), para lo cual se implementó un proceso ETL en Python que
permitió construir una nueva base de datos y desarrollar un algoritmo de recomendación basado en filtrado
colaborativo y similitud de coseno, capaz de generar ofertas personalizadas según el perfil del cliente.
El caso de estudio corresponde al Supermercado La Comarca, una tienda tradicional ubicada en el
barrio Bonanza, donde se evidenció un bajo aprovechamiento de la información disponible, lo que justificó
el uso de analítica de datos como solución al objetivo del proyecto. Asimismo, la revisión de la literatura
mostró la ausencia de investigaciones que integren algoritmos de recomendación y chatbots en tiendas de
barrio en Bogotá o Latinoamérica con enfoque práctico para incrementar ventas a domicilio, lo que resalta
la contribución de este trabajo al proporcionar una herramienta aplicable para el tendero. En este sentido, los
algoritmos basados en reglas de asociación se constituyen en herramientas eficaces para identificar
relaciones entre productos a partir del historial de compras, en línea con el enfoque estratégico de la canasta
de compra.
Conclusiones
El propósito de esta investigación fue desarrollar un chatbot que, a partir de los datos históricos de
los clientes de los tenderos, permitiera generar recomendaciones personalizadas para los consumidores.
Asimismo, se diseñó una herramienta tecnológica basada en analítica de datos orientada a apoyar a los
tenderos en la mejora de la experiencia de consumo y en el fortalecimiento de sus estrategias de venta. En
este sentido, el proyecto logró cumplir ambos propósitos mediante la integración de tecnologías de
recomendación y herramientas de interacción digital.
El desarrollo de herramientas basadas en analítica de datos representa una oportunidad estratégica
para fortalecer la competitividad de las tiendas de barrio dentro del sector minorista. Aunque estos negocios
han gestionado tradicionalmente la relación con sus clientes mediante el conocimiento empírico y la
experiencia cotidiana, las nuevas dinámicas de consumo exigen una mayor capacidad para interpretar y
aprovechar los datos generados en los procesos de compra. En este contexto, el uso de tecnologías de
recomendación permite transformar la información disponible en conocimiento útil para la toma de
decisiones y la personalización de la experiencia de consumo.
Los resultados evidencian que la implementación de modelos predictivos y algoritmos de
recomendación contribuye a mejorar la interacción entre tenderos y consumidores, facilitando la generación
de ofertas más ajustadas a las preferencias y hábitos de compra de los clientes. Asimismo, el desarrollo del
E. Barón, J Olave / Journal Business Science V 7 N°1 (2026) 117 – 137
Facultad de Ciencias Administrativas, Contables y Comercio. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
134
chatbot permitió integrar procesos de recomendación automatizada en un entorno de comunicación cotidiano
para los consumidores, fortaleciendo la experiencia de compra y promoviendo nuevas posibilidades de
comercialización digital para el comercio tradicional.
De igual manera, el estudio demuestra que las estrategias orientadas al análisis de patrones de
consumo, como el Market Basket Analysis y los sistemas de recomendación basados en similitud,
constituyen herramientas efectivas para identificar asociaciones entre productos y optimizar la oferta de
valor del minorista. Esto no solo favorece el incremento potencial de las ventas, sino que también permite
al tendero responder de manera más eficiente a los cambios en el comportamiento del consumidor y a las
exigencias de un entorno cada vez más omnicanal.
Finalmente, la investigación pone de manifiesto que la transformación digital del comercio
tradicional no depende únicamente de la incorporación de tecnología, sino también de la capacidad de los
tenderos para adoptar una cultura orientada al uso estratégico de los datos. En consecuencia, el
aprovechamiento de la analítica de datos se consolida como un elemento clave para la sostenibilidad y
modernización de las tiendas de barrio, permitiéndoles competir en escenarios minoristas caracterizados por
consumidores más digitales, informados y dinámicos.
Referencias Bibliograficas
ACIS. (2021, April). La Cámara Colombiana de Comercio Electrónico presenta el informe de cierre sobre el
comercio electrónico en 2020.
Aversa, J., Hernandez, T., & Doherty, S. (2021). Incorporating big data within retail organizations: A case
study approach. Journal of Retailing and Consumer Services, 60.
.https://doi.org/10.1016/j.jretconser.2021.102447
Alcaldía Mayor de Bogotá. (2022). Diagnóstico Local Engativa.
https://www.integracionsocial.gov.co/images/_docs/entidad/10_Diagnostico_local_Engativa_2021
_VF.pdf
Amaris, M. E., & Rodríguez, R. J. E. (2003). La contribución de las reglas de asociación a la minería de
datos. Tecnura, 7, 94-109.
AprendeIA. (2023, May 13). Reglas de asociación. https://aprendeia.com/reglas-de-asociacion/
Báez Acuña, J. M., Paredes Cabañas, C. A., Sosa Cabrera, G., & García, M. E. (2018). Descubriendo reglas
de asociación en bases de datos del sector retail usando R. In XXIV Congreso Argentino de Ciencias
de la Computación (Ed.), Descubriendo reglas de asociación en bases de datos del sector retail
usando R.
Bancolombia (2020). eCommerce en Colombia: cifras, tendencias y retos actuales.
https://www.bancolombia.com/empresas/capital-inteligente/tendencias/tendencias-
globales/ecommerce-colombia-cifras-tendencias-retos
BBVA Research. (2022). DiGiX 2022 Update: A Multidimensional Index of Digitization. DiGiX 2022
Update: A Multidimensional Index of Digitization.
E. Barón, J Olave / Journal Business Science V 7 N°1 (2026) 117 – 137
Facultad de Ciencias Administrativas, Contables y Comercio. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
135
Balakrishnan, J., Cheng, C. H., Wong, K. F., & Woo, K. H. (2018). Product recommendation algorithms in
the age of omnichannel retailing – An intuitive clustering approach. Computers and Industrial
Engineering, 115, 459–470. https://doi.org/10.1016/j.cie.2017.12.005
Bismi, B. S., & Azeem, S. (2022). A survey on increasing the capacity of 5g fronthaul systems using ROF.
Optical Fiber Technology, 74, 103078.
Branch. (27 de 04 de 2020). El crecimiento del ecommerce en Colombia. https://branch.com.co/en/marketing-
digital/el-crecimiento-del-e-commerce-en-colombia-analisis-2020/
de Borba, J. L. G., Magalhaes, M. R. de, Filgueiras, R. S., & Bouzon, M. (2020). Barriers in omnichannel
retailing returns: a conceptual framework. International Journal of Retail & Distribution
Management, 49(1), 121–143.
Cabrera-Sánchez, J. P., Ramos-De-luna, I., Carvajal-Trujillo, E., & Villarejo-Ramos, Á. F. (2020). Online
recommendation systems: Factors influencing use in E-commerce. Sustainability (Switzerland),
12(21), 1–15. https://doi.org/10.3390/su12218888
DIAN. (2022). RESOLUCIÓN 001092.
Fenalco. (2021). Perspectiva económica del tendero. Fenalco.
Frasquet, M., Mollá, A., & Ruiz, E. (2015). Identifying patterns in channel usage across the search, purchase
and post-sales stages of shopping. Electronic Commerce Research and Applications, 14(6), 654–
665. https://doi.org/10.1016/j.elerap.2015.10.002
García Rodríguez, N. (2019). Diseño integral de una solución digital para innovar el modelo de negocio de
la industria del retail integrando analítica, cloud computing e internet del todo [Doctoral
dissertation, Universidad Externado de Colombia].
Gómez Betancur, F. (2021). Predicción de ventas en las tiendas de barrio Colombianas. Universidad de
Antioquía.
Grapheverywhere (2023). Algoritmo de similitud de cosenos. https://www.grapheverywhere.com/algoritmo-
de-similitud-de-coseno/
Grewal, D., Bart, Y., Spann, M., & Zubcsek, P. P. (2016). Mobile advertising: A framework and research
agenda. Journal of interactive marketing, 34(1), 3-14.
Hübner, A., Wollenburg, J., & Holzapfel, A. (2016). Retail logistics in the transition from multi-channel to
omni-channel. International Journal of Physical Distribution & Logistics Management, 46(6/7),
562–583.
Kazancoglu, I., & Aydin, H. (2018). An investigation of consumers’ purchase intentions towards omni-
channel shopping: A qualitative exploratory study. International Journal of Retail & Distribution
Management.
La República. (2019, August 26). Tiendas de barrio, el canal tradicional que se sigue reinventando.
https://www.larepublica.co/consumo/tiendas-de-barrio-el-canal-tradicional-que-se-sigue-
reinventando-2899909
La Republica. (2021, October 2). ¿Por qué las tiendas de barrio de Colombia se resisten a empezar con la
digitalización?. https://www.larepublica.co/internet-economy/por-que-las-tiendas-de-barrio-de-
colombia-se-resisten-a-entrar-en-la-digitalizacion-3241191
E. Barón, J Olave / Journal Business Science V 7 N°1 (2026) 117 – 137
Facultad de Ciencias Administrativas, Contables y Comercio. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
136
Lopez, M., & Guerrero, R. (2017). Modelo de Inteligencia de Negocios y Analítica en la nube para PYMES
del sector retail. Cloud Business Intelligence & Analytics model for SMEs retail. 4to Congreso
Internacional AmITIC. Popayán, Colombia.
Nguyen, H. V., & Bai, L. (2011). Cosine similarity metric learning for face verification. Lecture Notes in
Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in
Bioinformatics), 6493 LNCS(PART 2), 709–720. https://doi.org/10.1007/978-3-642-19309-5_55
ODEB. (2022, December 22). El mercado laboral en 19 localidades de Bogotá. Observatorio de Desarrollo
Económico. https://observatorio.desarrolloeconomico.gov.co/mercado-laboral-especial/el-
mercado-laboral-en-19-localidades-de-bogota-resultados-de-la-encuesta
Olguín, G. M., De Jesús, Y. L., & de Celis Herrero, M. C. P. (s. f.). Métricas de similitud y evaluación para
sistemas de recomendación de filtrado colaborativo: Similarity and evaluation metrics for
collaborative based recommender systems.
Morales, D. P. (2012). Tiendas de barrio en Colombia. Pensamiento & gestión, (32), vii-xi.
Patiño, A. S. (2014). ¿Hacia dónde va el comercio electrónico en Colombia? Ploutos, 4(1), 17–24.
Piotrowicz, W., & Cuthbertson, R. (2014). Retail: Toward Omnichannel Retailing. International Journal of
Electronic Commerce / Summer, 18(4), 5–15. https://doi.org/10.2753/JEC1086-4415180400
Lopez, M., & Guerrero, R. (2017). Modelo de Inteligencia de Negocios y Analítica en la nube para PYMES
del sector retail. Cloud Business Intelligence & Analytics model for SMEs retail. 4to Congreso
Internacional AmITIC. Popayán, Colombia.
Lozsán, Nieves. (2022, 17 junio). Mercado minorista: significado, clases de tiendas y diferencias entre
comercio minorista y mayorista. Cinco Noticias. https://www.cinconoticias.com/mercado-
minorista/
Mishra, R., Rajesh, Singh, K., & Koles, Bernadett. (2021). Consumer decision-making in omnichannel
retailing: Literature review and future research agenda. Int. J. Consum. Stud, 45, 147–174.
https://doi.org/10.1111/ijcs.12617
Morales, D. P. (2012). Tiendas de barrio en Colombia. Pensamiento & gestión, (32), vii-xi
Nguyen, H. V., & Bai, L. (2010, November). Cosine similarity metric learning for face verification. In Asian
conference on computer vision (pp. 709-720). Springer Berlin Heidelberg.
Sharma, M., Gupta, M., & Joshi, S. (2020). Adoption barriers in engaging young consumers in the Omni-
channel retailing. Young Consumers, 21(2), 193–210.
Sanclemente, M. I. (2021). Beneficios de la analítica de datos para PYMES en Bogotá. https://repository.
cesa. edu. co/bitstream/handle/10726/4102/ADM_1020836039_20 21_1. pdf.
Schoenbachler, D. D., & Gordon, G. L. (2002). Multi‐channel shopping: understanding what drives channel
choice. Journal of Consumer Marketing.
Raeder, T., & Chawla, N. V. (2011). Market basket analysis with networks. Social network analysis and
mining, 1, 97-113.
Rocha, J. A., Rodríguez, D. M., & Rodríguez, J. E. (2016). A research comparative among association rules
algorithms. Visión Electrónica, 10(2), 210–217.
https://revistas.udistrital.edu.co/index.php/visele/index
E. Barón, J Olave / Journal Business Science V 7 N°1 (2026) 117 – 137
Facultad de Ciencias Administrativas, Contables y Comercio. Universidad Laica Eloy Alfaro de Manabí. Manta, Ecuador.
https://revistas.uleam.edu.ec/index.php/business_science
Licencia de Creative Commons (http://creativecommons.org/licenses/by-nc-sa/4.0)
137
Rojas Hernández, A. F., & Gelvez García, N. Y. (2016). Distributed processing using cosine
similarity for mapping Big Data in Hadoop (UNESCO-UNIR ICT & Education Latam
Congress 2016, Ed.). http://research.unir.net
Vergara Orozco, J. C., Vives Calonge, M. C., & Beltrán Cortés, A. M. (2022). Diseño de un proceso para la
reorganización estratégica de productos en Rappi por medio de un análisis de canasta. Universidad
Javeriana.
