Browsing by Subject "CRM"

Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    Desarrollo de modelo para predicción de ventas B2B en empresa del sector agroindustrial
    (Pontificia Universidad Javeriana de Cali, 2023) Giacometto Cheij, Antonio; Fajardo Macías, Antonio José; Castaño Mejía, Wilmer; González Gómez, Daniel Enrique
    El trabajo presentado corresponde al desarrollo de un modelo de aprendizaje automático para predecir la probabilidad de conversión en venta de las cotizaciones recibidas en una empresa del sector agroindustrial colombiano. Los diferentes modelos probados, fueron entrenados utilizando un dataset consolidado con los datos históricos de ventas de la organización y algunas fuentes externas; La preparación de este dataset involucró diferentes etapas de limpieza, mejoramiento de datos y pre procesamiento, las cuales permitieron además de alimentar los modelos de predicción probados, desarrollar un modelo de agrupamiento que permitió identificar perfiles de clientes de acuerdo a algunas de sus principales características basados en la información de cotizaciones. Como complemento fue desarrollada una herramienta de visualización para el monitoreo y control de indicadores claves de desempeño dentro del área comercial.
  • Thumbnail Image
    Item
    Modelo de aprendizaje automático para segmentación de clientes actuales y prospección de nuevos clientes potenciales en una empresa de servicios de tecnología
    (Pontificia Universidad Javeriana Cali, 2026) Mendoza Valero, Karen Sofía; Torres Valencia, Cristian Alejandro
    Este proyecto aplicado desarrolló un sistema analítico de segmentación y prospección comercial para la filial en Colombia de una empresa multinacional del sector tecnológico, con el propósito de transformar la información disponible en su CRM Salesforce en conocimiento accionable para el equipo comercial. La problemática que motivó la iniciativa fue la ausencia de mecanismos sistemáticos para clasificar y priorizar a los clientes actuales y potenciales, lo que limitaba la personalización de las estrategias comerciales y reducía la efectividad del pipeline de ventas, dado que la generación de prospectos se realizaba de forma reactiva y sin criterios predictivos basados en datos históricos. El objetivo general consistió en aplicar técnicas de aprendizaje automático para caracterizar los 167 clientes activos del CRM correspondientes al período 2018–2025, identificar patrones de comportamiento y construir perfiles estratégicos mediante algoritmos de agrupamiento (K-Means), así como en entrenar modelos supervisados (Random Forest, XGBoost y Regresión Logística) y de similitud coseno para evaluar 572 registros de prospectos externos generados mediante Gemini Deep Research, priorizando aquellos con mayor afinidad a los clientes de alto valor. Los resultados obtenidos confirmaron que cada Unidad de Negocio posee una estructura de segmentación propia, con calidad geométrica heterogénea: Cloud Pública y Cyber Security presentaron grupos compactos y bien diferenciados (Silhouette escalado > 0.94), mientras que SAP y Digital Business requirieron mayor tolerancia a la heterogeneidad interna. El modelo de cross selling alcanzó AUCs sólidos en Digital Workplace (0.970), Cyber Security (0.926) y Digital Business (0.893), con desempeños más modestos en SAP (0.625) y Private Cloud (0.750), patrón que reflejó tanto el tamaño muestral como la naturaleza del consumo de cada línea. El score híbrido —que combinó similitud coseno con el mejor clasificador supervisado en proporción 50/50— produjo rankings priorizados de los 572 prospectos externos por cada BU y un ranking agregado global. Como aplicaciones, los rankings se incorporaron como herramienta operativa para los equipos de preventa y cuentas, permitieron identificar oportunidades de cross-selling sobre la base instalada y sentaron las bases para una cultura de gestión basada en datos. La solución resultó replicable y escalable a otros mercados de otras filiales en Latinoamérica, con extensiones potenciales en campañas de marketing dirigido, análisis de mercado y diseño de portafolios de servicios personalizados.
  • Thumbnail Image
    Item
    Modelo predictivo del potencial de rendimiento del cultivo de maíz a través de técnicas de aprendizaje estadístico y automático
    (Pontificia Universidad Javeriana Cali, 2026) Rojas Prado, Laura; Gutiérrez Orjuela, Juan Sebastián; Ortiz Flórez, Sebastián Alejandro; Arango Londoño, David
    La producción de maíz en Colombia es un componente estratégico para la seguridad alimentaria y la economía agropecuaria nacional; sin embargo, su desempeño presenta elevada variabilidad espacio - temporal asociada a factores agroclimáticos, tecnológicos y estructurales que dificultan la planificación territorial y la gestión del riesgo agrícola. En este contexto, el proyecto propone un marco predictivo para estimar el rendimiento potencial del cultivo de maíz a escala municipal, integrando información agroproductiva y climática histórica de fuentes oficiales de acceso abierto: de la Unidad de Planificación Rural Agropecuaria (UPRA) y el Instituto de Hidrología, Meteorología y Estudios Ambientales (IDEAM). El rendimiento potencial se operacionaliza mediante el cuantil τ = 0,95 del rendimiento observado, criterio sustentado en la teoría de fronteras de producción y eficiencia técnica, pues representa un umbral productivo empíricamente alcanzable bajo condiciones eficientes y con menor sensibilidad a valores atípicos. A partir del marco predictivo propuesto, el estudio estimará la frontera productiva municipal y cuantificará las brechas de rendimiento como la diferencia entre el rendimiento observado y dicha frontera, lo que permitirá aproximar escenarios de pérdidas de productividad e ingresos asociados a limitaciones técnicas, climáticas o de manejo agronómico. Se espera que los resultados constituyan una herramienta analítica reproducible y escalable, útil para productores, entidades gubernamentales, programas de extensión rural, aseguradoras y actores financieros del sector, en la focalización de asistencia técnica, la priorización de inversiones y la formulación de estrategias de adaptación agroclimática y planificación agrícola basada en evidencia cuantitativa en Colombia.