Modelo de aprendizaje automático para segmentación de clientes actuales y prospección de nuevos clientes potenciales en una empresa de servicios de tecnología
Loading...
Date
2026
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Pontificia Universidad Javeriana Cali
Share
Abstract
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.