La Facultad de Ingeniería en Mecánica y Ciencias de la Producción (FIMCP) de la Escuela Superior Politécnica del Litoral (ESPOL) continúa ampliando sus líneas de investigación en inteligencia artificial y análisis de datos, con propuestas orientadas a transformar grandes volúmenes de información en herramientas para la toma de decisiones.
En este contexto, la investigación “Basket2vec: Learning Retail Basket Representations From Transactional Data” presenta un enfoque basado en inteligencia artificial para analizar los patrones presentes en las compras de los consumidores a partir de datos transaccionales.
Cada transacción contiene información que puede revelar relaciones entre productos, preferencias de consumo y comportamientos recurrentes. Sin embargo, identificar estos patrones en grandes cantidades de datos representa un desafío para los sistemas tradicionales de análisis.
Frente a esta necesidad, Basket2Vec propone representar las canastas de compra mediante representaciones densas en un espacio latente de alta dimensión. Este enfoque permite transformar la información de las transacciones en representaciones matemáticas que facilitan la identificación de similitudes y relaciones entre diferentes canastas.
Una de las características relevantes del sistema es su capacidad para analizar la co-ocurrencia de artículos, es decir, identificar qué productos tienden a aparecer juntos dentro de las mismas compras.
Este tipo de información puede ser especialmente útil para las empresas del sector retail, ya que permite comprender con mayor profundidad los hábitos de sus clientes y detectar relaciones entre productos que podrían no ser evidentes mediante análisis convencionales.
A partir de estas representaciones, Basket2Vec también puede contribuir a tareas como la predicción de compras y generación de recomendaciones personalizadas. Al reconocer patrones presentes en las transacciones anteriores, los modelos pueden identificar posibles productos de interés para determinados consumidores.
La personalización constituye uno de los principales desafíos del comercio actual. Los consumidores interactúan con grandes catálogos de productos y esperan experiencias cada vez más adaptadas a sus necesidades. En este escenario, las técnicas de inteligencia artificial pueden ayudar a procesar información y generar recomendaciones basadas en patrones reales de comportamiento.
Otra aplicación del modelo es la segmentación de clientes. Al representar las canastas de compra en un espacio común, es posible identificar similitudes entre diferentes grupos de consumidores y utilizar esta información para desarrollar estrategias comerciales más específicas.
Esto permite pasar de una visión general del comportamiento del mercado a una perspectiva basada en diferentes perfiles y patrones de consumo.
La investigación también aborda el análisis de tendencias, aprovechando la información contenida en las transacciones para identificar cambios en las preferencias o relaciones entre productos.
Este tipo de análisis puede apoyar decisiones relacionadas con la planificación comercial, gestión de inventarios, promociones y estrategias de recomendación, especialmente cuando se trabaja con grandes volúmenes de información. A medida que las empresas generan mayores cantidades de datos, contar con herramientas capaces de identificar patrones relevantes se vuelve cada vez más importante. En este escenario, investigaciones como esta contribuyen al desarrollo de soluciones que permiten aprovechar la información como un recurso estratégico.
