Predicción de la Intención de Compra en el Comercio Electrónico: Caso de éxito

Resumen

El comercio electrónico ha experimentado un crecimiento acelerado en los últimos años, potenciado por la transformación digital y, especialmente, por la pandemia de COVID-19, que modificó radicalmente los hábitos de consumo a nivel mundial. Este estudio analiza la intención de compra en línea mediante la aplicación de técnicas de minería de datos y algoritmos de clasificación. Para ello, se trabajó con un conjunto de datos de 12.546 sesiones de compra, complementado con información local en Ecuador. El análisis incluyó variables relacionadas con la duración de las visitas, tipos de páginas consultadas, tasas de rebote y valores de página, aplicando un enfoque cuantitativo y correlacional. Los modelos de aprendizaje automático evaluados —Extra Trees Classifier, Random Forest y Gaussian Naive Bayes— fueron comparados en función de su precisión y métrica AUC. Los resultados muestran que el modelo Extra Trees Classifier alcanzó un rendimiento superior (93,99% de exactitud y AUC de 0,92), lo que confirma su idoneidad para predecir la intención de compra en plataformas minoristas. Este hallazgo permite proponer un modelo de predicción que contribuya a personalizar la experiencia del usuario, optimizar estrategias de marketing y aumentar las tasas de conversión en el comercio electrónico ecuatoriano.