Abstract:
CONDITION FOR PUBLICATION OF PROJECT. In the retail sector, improving product offerings is essential for increasing sales and enhancing the customer experience. This study develops a product recommendation system aimed at commercial and sales teams, with the goal of suggesting product combinations that improve profitability. Three machine learning algorithms were implemented: K-Nearest Neighbors (KNN), Alternating Least Squares (ALS), and Neural Collaborative Filtering (NCF), evaluating their performance using Precision, Recall, and F1-Score.
Historical purchase data was analyzed to identify consumption patterns and segment products. The models were then trained and evaluated in different scenarios to determine the best-performing model for generating recommendations. The results show that NCF achieved the best performance, providing more accurate suggestions.
Additionally, an interactive application prototype was developed, allowing commercial teams to select products and receive real-time recommendations. This approach facilitates promotion planning and improves data-driven decision-making.
It is concluded that the developed recommendation system serves as a valuable tool for product management in retail, enhancing the customer experience and the efficiency of commercial strategies.
Keywords: Recommendation systems, Retail, Machine learning, Data science.
Description:
CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. En el sector retail, mejorar la oferta de productos es fundamental para aumentar las ventas y mejorar la experiencia del cliente. Este estudio desarrolla un sistema de recomendación de productos para equipos comerciales y de ventas, con el objetivo de sugerir combinaciones de productos que mejoren la rentabilidad. Se implementaron tres algoritmos de aprendizaje automático: K-Nearest Neighbors (KNN), Alternating Least Squares (ALS) y Neural Collaborative Filtering (NCF), evaluando su desempeño con Precisión, Recall y F1-Score.
Se analizaron datos históricos de compras para identificar patrones de consumo y segmentar productos. Luego, los modelos fueron entrenados y evaluados para determinar el de mejor desempeño en la generación de recomendaciones. Los resultados indicaron que el modelo NCF obtuvo la mejor precisión, proporcionando sugerencias más acertadas.
Además, se diseñó un prototipo de aplicación interactiva que permite a los equipos comerciales seleccionar productos y recibir recomendaciones en tiempo real. Este enfoque facilita la planificación de promociones y mejora la toma de decisiones basada en datos.
Se concluye que el sistema desarrollado representa una herramienta útil para la gestión de productos en retail, mejorando la experiencia del cliente y la eficiencia de las estrategias comerciales.
