Page 34 - 1 REVISTA TÉCNICO/PRACTICO DE LA CARRERA DE TECNOLOGÍAS DE LA INFORMACIÓN

evaluaron barreras como alfabetización digital
mediante encuestas simuladas y datos secundarios. Se
incorporaron variables como acceso a internet
(medido en penetración por país) y habilidades
digitales (basadas en índices de la ONU).

El desarrollo incluyó simulación de escenarios: por
ejemplo, un modelo predictivo para optimizar
inventarios usando regresión lineal, ajustado para
desigualdades regionales. Se analizaron desafíos como
datos sesgados que perpetúan desigualdades género o
étnicas en recomendaciones.

2.3 Aplicación
Aplicado a casos prácticos, como el uso de Big Data
en recomendaciones de productos en Amazon,
mejorando tasas de conversión hasta un 30%. En
Shopify, la personalización ha permitido a PYMES
aumentar ventas en 25% mediante análisis de Figura 2: análisis Avanzado en Plataformas Digitales
comportamiento. Para mercados emergentes, se aplicó
a plataformas como Jumia en África, donde Big Data La fig. 2 representa un dashboard avanzado con
mitiga brechas, pero enfrenta limitaciones de herramientas de análisis, incluyendo visualizaciones
infraestructura. En la interactivas de datos como heatmaps de navegación,
curvas de retención y predicciones de tendencias para
optimizar estrategias de personalización.
En la Tabla 1 a continuación se muestra el detalle de
los principales beneficios con datos cuantitativos, lo
que facilita la comprensión de cómo Big Data impulsa
la eficiencia operativa.

Tabla 1: Beneficios de Big Data en eCommerce.
Beneficio Descripción Ejempl Impac
o to
Cuant
itativo
Figura 1: Dashboard de Big Data en eCommerce

La Fig. 1 es un ejemplo de un panel de control típico Personalización Análisis de datos Amazon +35%
en plataformas de eCommerce, que visualiza datos en para Prime en
tiempo real como gráficos de ventas, patrones de recomendaciones ventas
comportamiento de usuarios y métricas de
rendimiento para facilitar la toma de decisiones Optimización Predicción de Shopify -20%
basadas en Big Data. de Inventarios demanda en
costos

Segmentación Grupos Mercad Libre+
de Audiencia específicos por o Libre 25%
comportamiento retenci
ón

Análisis Pronósticos de Alibaba +40%
Predictivo tendencias eficien
cia

2.4 Validación de Modelos

Para validar el desempeño del modelo, se aplicaron
diferentes métricas y pruebas orientadas a medir su
exactitud, confiabilidad y capacidad de
generalización. En primer lugar, se evaluó la precisión
en las recomendaciones mediante el uso de

34