Explorando la frontera: Aplicaciones generativas de la IA en el análisis del comportamiento de los consumidores en línea

##plugins.themes.bootstrap3.article.main##

##plugins.themes.bootstrap3.article.sidebar##

Publicado 21-03-2025
Takuma Kimura

Resumen

Este artículo presenta una revisión sistemática de la aplicación de la IA generativa en el Análisis del Comportamiento del Consumidor Online (OCBA). Con la llegada del comercio electrónico y las redes sociales, el comportamiento de los consumidores se produce cada vez más en línea, lo que genera enormes cantidades de datos. Este cambio requiere herramientas analíticas avanzadas, y la IA generativa emerge como una tecnología fundamental. La IA generativa, distinta de la IA tradicional, puede generar de forma autónoma nuevos contenidos basados en patrones de datos aprendidos, ofreciendo enfoques innovadores a la OCBA. Basado en la metodología PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) y el método de síntesis de datos propuesto por Webster y Watson (2002), este estudio analiza 28 artículos revisados por pares, centrándose en cómo se aplica la IA generativa en OCBA y cómo puede mejorar el rendimiento de OCBA. Los resultados muestran que las redes generativas adversariales (GAN) son las más utilizadas, seguidas de los autocodificadores variacionales (VAE) y los modelos autorregresivos. La revisión clasifica las áreas de aplicación de la IA generativa en OCBA y examina cómo estas tecnologías mejoran la eficacia y la eficiencia de OCBA. Además, el artículo analiza los retos asociados a la IA generativa, haciendo hincapié en la necesidad de tener en cuenta cuestiones éticas como la parcialidad y la privacidad de los datos. Esta revisión contribuye a una comprensión más profunda del papel de la IA generativa en la OCBA, esbozando sus aplicaciones y funcionalidades desde una perspectiva técnica.

Cómo citar

Kimura, . T. (2025). Explorando la frontera: Aplicaciones generativas de la IA en el análisis del comportamiento de los consumidores en línea. Cuadernos De Gestión, 25(1), 57–70. https://doi.org/10.5295/cdg.232121tk
Abstract 584 | PDF (English) Downloads 102

##plugins.themes.bootstrap3.article.details##

Keywords
References
Sección