Aplicación de modelos de Machine Learning para la toma de decisiones basada en segmentos de clientes en la industria de alimentos y bebidas en Chile

Abstract

Esta investigación tiene como propósito analizar cómo las técnicas de Machine Learning pueden apoyar la segmentación de clientes y mejorar la toma de decisiones estratégicas en la industria chilena de alimentos y bebidas. El estudio surge ante la necesidad de superar los métodos tradicionales de segmentación, basados principalmente en variables demográficas o socioeconómicas, los cuales no siempre permiten comprender la diversidad actual de los consumidores. Para ello, se utilizaron datos de la IX Encuesta de Presupuestos Familiares del INE, integrando una base de personas y una base de cantidades, lo que permitió construir una base final de 13.316 hogares con información de ingreso, gasto, composición del hogar, productos y canales de compra. La metodología aplicada fue cuantitativa, descriptiva y aplicada. Primero se realizó la limpieza, integración y transformación de los datos. Luego se construyeron variables relevantes, como gasto total, gasto per cápita, ingreso per cápita, gasto en bebidas, cantidad de productos, número de establecimientos y participación del canal supermercado. Posteriormente, se aplicaron modelos supervisados y no supervisados. En los modelos supervisados se utilizaron Regresión Logística, KNN y SVM para predecir la clasificación socioeconómica de los hogares. Los resultados mostraron un desempeño moderado, destacando SVM con un Accuracy de 56,32% y Regresión Logística con el mejor ROC-AUC macro de 76,23%. Esto indica que los patrones de consumo entregan señales útiles para diferenciar segmentos, aunque no reemplazan completamente variables directas como ingreso y educación. En el análisis no supervisado se aplicó K-Means, identificando cuatro perfiles de hogares: familias jóvenes de gasto moderado, hogares mayores de consumo conservador, compradores selectivos de mayor ingreso y consumidores intensivos multicanal. Estos segmentos permiten comprender mejor los distintos comportamientos de compra y pueden apoyar decisiones de marketing, promociones, surtido, precios y planificación de demanda. Esta investigación demuestra que(...).