Ingeniería y sus
Alcances, Revista de Investigación
Enero-abril
2025 / Volumen 9 / No. 23
ISSN:
2664 – 8245
ISSN-L:
2664 - 8245
https://revistaingenieria.org
pp.
15 – 30
Tendencias
en el desarrollo de inteligencia artificial en la gestión comercial: Una
revisión sistemática
Trends in the development of artificial intelligence in business management: A systematic review
Tendências no desenvolvimento
da inteligência artificial na
gestão comercial: Uma revisão sistemática
Juan
Pedro Santos Fernández
jsantos@unitru.edu.pe
https://orcid.org/0000-0002-8882-9256
Juan
Luis Cordova Otero
jcordovao@unitru.edu.pe
https://orcid.org/0000-0003-4159-7037
Jaime
Eduardo Centurión Goicochea
jcenturion@unitru.edu.pe
https://orcid.org/0000-0001-6544-0638
Rommel
Eduardo Ulco Chavarria
rulco@unitru.edu.pe
https://orcid.org/0009-0005-3496-8508
Universidad
Nacional de Trujillo. Trujillo, Perú
Artículo
recibido 20 de octubre 2024 | Aceptado 28 de noviembre 2024 | Publicado 17 de
enero 2025
Escanea
en tu dispositivo móvil o revisa este artículo en:
https://doi.org/10.33996/revistaingenieria.v9i23.129
RESUMEN
La
inteligencia artificial ha transformado significativamente la gestión
comercial, ofreciendo nuevas soluciones a los retos tradicionales que enfrentan
las empresas. El objetivo del estudio es analizar sistemáticamente las
tendencias en el desarrollo de inteligencia artificial (IA) en la gestión
comercial. Es de enfoque cualitativo, tipo descriptivo, diseño documental. Se
analizaron 44 artículos publicados entre 2019 y 2024. Estados Unidos lidera con
un 20% de la producción, seguido de China (18%) y Ecuador (9%). Los resultados
revelan que, Python es el lenguaje de programación más utilizado, mencionado en
36 de los 38 artículos, mientras que R se menciona en 2. Las conclusiones
señalar que, las áreas de Finanzas, Ventas y Marketing son las más investigadas,
con un aumento significativo en la producción académica desde 2021, alcanzando
su punto máximo en 2024, lo que destaca la creciente importancia de la IA para
optimizar procesos comerciales y mejorar la toma de decisiones estratégicas en
diversas áreas clave.
Palabras
clave:
Artificial; Comercial; Gestión; Inteligencia; Sistemas; Web
ABSTRACT
Artificial
intelligence has significantly
transformed business management, offering new solutions to traditional
challenges faced by companies. The
aim of the
study is to systematically analyze trends in the development of artificial intelligence (AI) in business management. It is qualitative in approach, descriptive type, documentary design. 44 articles published between 2019 and 2024 were analyzed. The United
States leads with 20% of the production,
followed by China (18%) and
Ecuador (9%). The results reveal that Python is the most
used programming language, mentioned in 36 of the 38 articles,
while R is mentioned in 2. The conclusions point out that the
areas of Finance, Sales and Marketing are the
most researched, with a significant increase in academic production since 2021, peaking in 2024, highlighting the growing importance
of AI to
optimize business processes and improve strategic decision-making in various key areas.
Key words: Artificial; Commercial;
Management; Intelligence; Systems;
Web
RESUMO
A inteligência artificial transformou
significativamente a gestão empresarial, oferecendo novas soluções para os
desafios tradicionais que
as empresas enfrentam. O objetivo do estudo é analisar sistematicamente as tendências no
desenvolvimento da inteligência
artificial (IA) na gestão
empresarial. Tem uma abordagem qualitativa, tipo descritiva, desenho documental. Foram analisados 44 artigos publicados entre 2019 e 2024. Os Estados Unidos lideram com 20% da produção, seguidos pela China (18%) e pelo Equador (9%). Os resultados revelam
que o Python é a linguagem de programação
mais utilizada, mencionada em 36 dos 38 artigos, enquanto o R é
mencionado em 2. As conclusões indicam
que as áreas de Finanças, Vendas e Marketing são as mais pesquisadas, com um aumento significativo de
pesquisas académicas.
Palavras-chave: Artificiais;
Comercial; Gestão; Inteligência;
Sistemas; Rede
INTRODUCCIÓN
Las
herramientas tecnológicas, como los algoritmos de aprendizaje automático y los
sistemas de análisis predictivo, han transformado significativamente las
estrategias de ventas y marketing en las empresas modernas (Reyero,
2024). Estas tecnologías permiten procesar grandes volúmenes de datos y ofrecer
soluciones que mejoran la toma de decisiones estratégicas en tiempo real.
En cuanto
a la tendencia evolución y dirección de las aplicaciones de la IA en la gestión
comercial a lo largo del tiempo, se puede incluir la adopción de nuevas
tecnologías, la frecuencia de uso de determinadas herramientas y lenguajes de
programación, y los principales desafíos y oportunidades que se presentan en
este campo (Kaplan y Haenlein, 2019; Davenport,
2018).
En los
últimos años, la inteligencia artificial (IA) ha ganado una relevancia crucial
en áreas como la comercialización y la proyección de ventas, debido a su
capacidad para personalizar la experiencia del cliente y optimizar procesos
clave.
En este
sentido, las IA están definidas como un conjunto de técnicas y algoritmos que
permiten a las máquinas simular procesos cognitivos humanos, como los
aprendizajes, el razonamiento y la resolución de problemas. En el contexto de
esta investigación, se refiere a la aplicación de estas técnicas en el ámbito
de la gestión comercial para optimizar procesos, mejorar la toma de decisiones
y personalizar la experiencia del cliente (Russell y Norvig,
2021). Por otro lado, la gestión comercial, viene a ser el conjunto de
actividades y procesos que se relacionan con la planificación, organización,
dirección y control de las operaciones comerciales de una organización o
empresa, con la finalidad de alcanzar los objetivos de ventas y maximizar los
beneficios (Kotler y Keller, 2016).
En este
mismo orden, la IA, ha revolucionado la gestión comercial, ofreciendo ventajas
significativas. Entre ellas está su capacidad para procesar grandes cantidades
de datos permitiendo a las empresas obtener valiosas perspectivas sobre el
comportamiento de los consumidores, lo que facilita la personalización de los
productos y servicios. Además de esto, la IA, realiza la automatización de las
tareas, evitando ser repetitivas, mejorando la eficiencia operativa y
reduciendo costos. De igual forma, también potencia la toma de decisiones
proporcionando análisis en tiempo real y simulación de escenarios futuros.
Sin
embargo, la implementación de la IA en la gestión comercial también presenta
algunos desafíos, entre los que se pueden mencionar está la necesidad de contar
con datos de alta calidad y en grandes cantidades para entrenar a los modelos
de la IA. En este punto, existe el riesgo de que los algoritmos de la IA
perpetúen sesgos presentes en los datos de entrenamiento. Lo que puede llevar a
decisiones discriminatorias. Asimismo, otro punto es la inversión inicial en
infraestructura y el personal capacitado, puede ser elevado para muchas
empresas especialmente para las pequeñas y medianas.
En este
contexto, la investigación se centra en la implementación de IA en el ámbito de
ventas y marketing, destacando cómo estas tecnologías se han convertido en
herramientas esenciales para las empresas que buscan mantenerse competitivas en
un mercado global dinámico. A través de un análisis de la literatura reciente,
se examinan las tecnologías más utilizadas, como Python, y los enfoques de
procesamiento de datos aplicados en este contexto, así como los beneficios
obtenidos en términos de eficiencia operativa y satisfacción del cliente. El
propósito central de este estudio es identificar las principales aplicaciones
recurrentes de la IA en estos campos y evaluar su impacto en la transformación
digital de las pequeñas y medianas empresas (PYMES) durante los últimos cinco
años. El objetivo de esta revisión sistemática es analizar las tendencias
emergentes en el desarrollo de la IA dentro del contexto de la gestión
comercial, para comprender cómo estas tecnologías están influyendo en
diferentes áreas, desde la automatización de procesos hasta la personalización
del servicio al cliente.
A través
de una revisión de la literatura existente, se pretende proporcionar una visión
integral de las oportunidades y desafíos que la IA presenta para las empresas
en su búsqueda de mayor eficiencia y competitividad. Los resultados de esta
revisión no solo ofrecerán una guía valiosa para las organizaciones que buscan
integrar IA en sus operaciones comerciales, sino que también contribuirán al
avance del conocimiento en este campo, identificando áreas que requieren mayor
investigación y exploración en el futuro.
Atendiendo
a lo anterior, y dada la relevancia creciente de la IA en la gestión comercial,
es fundamental comprender las últimas tendencias y desafíos en este campo. Para
ello, esta investigación busca llenar este vacío al analizar sistemáticamente
la literatura científica reciente y proporcionar una visión actualizada del
estado del arte. Los resultados de este estudio pueden servir como una guía
para los futuros investigadores, profesionales y empresas que buscan aprovechar
al máximo el potencial de la IA en sus operaciones.
Asimismo,
este estudio, describe la integración de la IA en la eficiencia administrativa
en las empresas, realizando un análisis descriptivo mediante la investigación
de estudios ya existentes y aportando un valor agregado en fundamentos y
fiabilidad para responder a las preguntas base de la investigación, las cuales
son: ¿Cuáles son las librerías más usadas a la hora de desarrollar IA?, ¿Cuáles
son las principales IAs usadas en las
investigaciones?, ¿Cuáles son los lenguajes utilizados para desarrollar IA? y
¿En qué año se publicaron la mayor cantidad de investigaciones?
METODOLOGÍA
Se empleó
un enfoque cualitativo y descriptivo, basado en una revisión documental. Para
ello, se utilizó como técnica principal la revisión literaria sistemática (SLR), aplicada a cinco bases de datos científicas: Science Direct, IEEE Explore, Google Scholar,
Microsoft Academic y Scopus.
Como
instrumento, se emplearon ecuaciones de búsqueda específicas para cada base de
datos, diseñadas para localizar artículos relacionados con la inteligencia
artificial (IA) y la eficiencia administrativa en empresas. El período de
recolección de datos abarcó publicaciones de los últimos 5 años para asegurar
la relevancia y actualidad de la información.
Se
identificaron inicialmente 378,935 artículos potenciales. Para refinar esta
selección, se aplicaron cinco criterios de exclusión: 1) antigüedad no mayor a
5 años, 2) idioma inglés o español, 3) relevancia para las preguntas de
investigación, 4) acceso público, y 5) formato de artículo científico. Este
proceso de filtrado resultó en una selección final de 44 artículos para
análisis detallado.
Se
definieron cuatro preguntas de investigación (RQ)
como variables de estudio: a) Países con mayor producción de artículos sobre IA
(RQ1), b) Lenguajes de programación utilizados en el desarrollo de IA (RQ2), c)
Año con mayor número de publicaciones (RQ3), d) Tendencias de IA en gestión
comercial (RQ4). El análisis se realizó mediante la revisión exhaustiva de los
44 artículos seleccionados, extrayendo datos relevantes para cada variable de
estudio. Este proceso permitió identificar patrones, tendencias y insights significativos en el campo de la IA aplicada a la
eficiencia administrativa empresarial.
La
metodología empleada facilitó una exploración sistemática y objetiva de la
literatura científica reciente (ver tabla 1), proporcionando una base sólida
para responder a las preguntas de investigación planteadas y ofrecer una visión
actualizada del estado del arte en la aplicación de IA para la optimización de
procesos administrativos en empresas.
Tabla
1.
Bibliografía para la revisión sistemática de la investigación
|
Autor(es) |
Titulo del estudio |
Año |
|
Kotler, P., y Keller, K. L. |
Marketing Management (15th ed.) |
2016 |
|
Davenport, T. H. |
Artificial
intelligence for the real world |
2018 |
|
Nguyen, T., Zhou, L., Spiegler, V., Ieromonachou, P., y Lin, Y. |
Big data analytics in supply chain management: A state-of-the-art
literature review |
2018 |
|
Hanechko, Iryna y Oksana, Trubei |
Business
Economics: Management Concept |
2019 |
|
Kaplan, A., y Haenlein, M. |
Siri, Siri, in my hand: Who's the fairest in the land? On the
interpretations, illustrations, and implications of artificial intelligence |
2019 |
|
Liu, J., Chang, H., Forrest, J. Y., y Yang, B. |
Influence of
artificial intelligence on technological innovation: Evidence from the panel
data of China's manufacturing sectors |
2020 |
|
Kasereka, H. |
Importance of web scraping in e-commerce and e-marketing |
2020 |
|
Bertomeu, J. |
Machine
learning improves accounting: discussion, implementation and research
opportunities |
2020 |
|
Roca, I. |
Propuesta de mejora enfocada en la productividad de la fuerza de
ventas de una entidad bancaria mediante un modelo de optimización de la
gestión comercial |
2021 |
|
Cordero, B. |
Modelo de
evaluación de crédito para capital de trabajo utilizando lenguaje Python
aplicado a la banca pública: Caso de estudio en proyecto camaronero |
2021 |
|
Data Science
for Marketing Analytics: A practical guide to forming a killer marketing
strategy through data analysis with Python |
2021 |
|
|
Fedirko, O., Zatonatska, T., Wolowiec, T., y Skowron, S. |
Data Science
and marketing in E-Commerce amid COVID-19 Pandemic |
2021 |
|
Lang, S., Reggelin, T., Müller, M., y
Nahhas, A. |
Open-source discrete-event simulation software for applications in
production and logistics: An alternative to commercial tools? |
2021 |
|
Li, Y. |
Investigation
and probabilistic health risk assessment of trace elements in good sale lip
cosmetics crawled by Python from Chinese e-commerce market |
2021 |
|
Ivanova, D. R., Foster, A., Kleinegesse, S.,
Gutmann, M. U., y Rainforth, T. |
Implicit Deep Adaptive Design: Policy-Based Experimental Design
without Likelihoods |
2021 |
|
Russell, S. J., y Norvig, P. |
Artificial
Intelligence: A Modern Approach (4th ed.) |
2021 |
|
International Conference on Smart Systems and Inventive Technology (ICSSIT) |
Computer-based simulation data model for employment of business
management talents in colleges: Python implementations |
2022 |
|
Villagómez, J. G. Y., y Gómez, R. R. P. |
Análisis
logístico de los puntos de carga y descarga de una compañía de transporte de
la ciudad de Guayaquil utilizando las cadenas de Márkov con Python |
2022 |
|
Cordero-Torres, B. P. |
Algoritmos de Aprendizaje Supervisado para Proyección de Ventas de
Camarón Ecuatoriano con Lenguaje de Programación Python |
2022 |
|
Lenort, R. |
Selecting
Sustainability Key Performance Indicators For Smart
Logistics Assessment |
2022 |
|
Kayikci, Y., Demir, S., Mangla, S. K., Subramanian,
N., y Koc, B. |
Data-driven optimal dynamic pricing strategy for reducing perishable
food waste at retailers |
2022 |
|
Symeonidis, S., Peikos, G., y Arampatzis, A. |
Unsupervised
consumer intention and sentiment mining from microblogging data as a business
intelligence tool |
2022 |
|
Ying, Y., Cui, X., y Jin, S. |
Artificial intelligence and green total Factor Productivity: The
moderating effect of slack resources |
2023 |
|
Ping, Y., Buoye, A., y Vakil, A. |
Enhanced
review facilitation service for C2C support: machine learning approaches |
2023 |
|
Mytnyk, B., Tkachyk, O., Shakhovska, N., Fedushko, S., y Syerov, Y. |
Application of artificial intelligence for fraudulent banking
operations recognition |
2023 |
|
Ping, Y., Buoye,
A. and Vakil, A. |
"Enhanced review facilitation service for
C2C support: machine learning approaches", Journal of Services
Marketing, Vol. 37 No. 5, pp. 620-635 |
2023 |
|
Wael, H. A., Abdallah, W., Ghura, H., y Buallay, A. |
Factors influencing artificial intelligence adoption in the accounting
profession: the case of public sector in Kuwait |
2023 |
|
Xu, C., Sun, G., y Kong, T. |
The impact of
digital transformation on enterprise green innovation |
2024 |
|
Messner W. |
Exploring multilevel data with
deep learning and XAI: The effect of personal-care advertising spending on
subjective happiness,» International Business
Review, vol. 33, nº 1, p. 102203, 2024. |
2024 |
|
Zaghloul, M., Barakat, S., y Rezk, A. |
Predicting
E-commerce customer satisfaction: Traditional machine learning vs. deep
learning approaches |
2024 |
|
Wang, W., Hu, R., Zhang, C., y Shen, Y. |
Impact of common institutional ownership on enterprise digital
Transformation—Collaborative governance or collusion fraud? |
2024 |
|
Vitali, S., y Giuliani, M. |
Emerging
digital technologies and auditing firms: Opportunities and challenges |
2024 |
|
Ting T., Mia M. A., Hossain I. y Wah K. K |
Predicting the Financial Performance of Microfinance Institutions with
Machine Learning Techniques |
2024 |
|
Weiß, T., y Pfeiffer, J. |
Consumer
decisions in virtual commerce: Predict good help-timing based on cognitive
load |
2024 |
|
Yadav, S., Banshiwal, N., y Yadav, P. |
Artificial Intelligence Integration in Social Media Marketing: A Comprehensive
Analysis |
2024 |
|
Ying, Y., y Jin, S. |
Artificial
intelligence and green product innovation: Moderating effect of
organizational capital |
2024 |
|
Zhang, K., y Bu, C. |
Top managers with information technology backgrounds and digital transformation:
Evidence from small and medium companies |
2024 |
RESULTADOS
Y DISCUSIÓN
En esta
sección, se muestra la resolución a cada una de las preguntas (RQ's) mencionada en la sección de la metodología se llevará
a cabo de acuerdo con la recopilación de datos de los 44 artículos leídos. Ver
tabla 2:
RQ1:
¿Cuáles son los países con mayor cantidad de artículos de IA?
Tabla
2.
Distribución de publicaciones sobre Inteligencia Artificial por país
|
Ranking |
País |
Cantidad de artículos |
Porcentaje del total |
|
1 |
Estados Unidos |
20 |
20% |
|
2 |
China |
18 |
18% |
|
3 |
Ecuador |
9 |
9% |
|
4 |
Alemania |
2 |
2% |
|
5 |
Perú |
2 |
2% |
|
6 |
Taiwán |
2 |
2% |
|
7 |
Italia |
2 |
2% |
|
8 |
India |
3 |
3% |
|
9 |
Inglaterra |
3 |
3% |
|
10 |
Polonia |
3 |
3% |
Para
responder a la pregunta de la tabla 2, sobre cuáles son los países con mayor
cantidad de artículos en el desarrollo de inteligencia artificial (IA), se
realizó una revisión sistemática de 34 artículos. Según los datos recopilados,
se ha establecido un ranking de los países con más publicaciones en este campo.
De
acuerdo con estos datos, USA se destaca como el país con la mayor cantidad de
artículos de IA, representando un 20% del total revisado. Este liderazgo se
puede atribuir al robusto ecosistema de investigación y desarrollo en el ámbito
de la inteligencia artificial (IA), abarcando tanto la innovación tecnológica
como la aplicación práctica de nuevos enfoques y metodologías, impulsado por
universidades, centros de investigación y un vibrante sector tecnológico.
Estados Unidos ha sido un pionero en diversas áreas de la inteligencia
artificial, lo que se refleja en su alta producción de artículos científicos.
En
segundo lugar, se encuentra China con un 18% de los artículos. China ha
mostrado un compromiso continuo con la innovación en IA, respaldado por
significativas inversiones en investigación y desarrollo. La comunidad
académica china ha crecido exponencialmente, contribuyendo de manera importante
al avance de las tecnologías de inteligencia artificial.
Ecuador
ocupa el tercer lugar con un 9% de los artículos, destacándose como un
contribuyente emergente en la investigación en IA. El enfoque de Ecuador en la
innovación tecnológica y su participación en redes internacionales de
colaboración han resultado en un número considerable de publicaciones en este
campo.
Alemania,
Perú, Taiwán e Italia también tienen una presencia notable con 2 artículos cada
uno, representando un 6% cada uno del total de artículos revisados. Estos
países han mostrado un interés creciente en el desarrollo de tecnologías de IA,
apoyados por políticas gubernamentales, colaboración internacional y avances en
infraestructura tecnológica.
Otros
países como India, Inglaterra, Polonia, Venezuela, Kuwait, Egipto, Suiza,
Malasia, Ucrania, Reino Unido y República de Corea también contribuyen al
panorama global de la investigación en IA, aunque en menor medida, cada uno con
un 3% del total de artículos revisados. Estos países aportan perspectivas
valiosas y avances en el campo, enriqueciendo la diversidad y profundidad de la
investigación en inteligencia artificial.
A
continuación, tabla 3: RQ2: ¿Cuáles son los lenguajes utilizados para
desarrollar IA?
Tabla
3.
Lenguajes de programación más usados en el desarrollo de la IA
|
Ranking |
Lenguaje |
Cantidad de menciones en los
artículos |
Porcentaje del total |
Características destacadas |
|
1 |
Python |
36 |
94.7% |
Simplicidad, amplia comunidad, bibliotecas especializadas (TensorFlow, Keras, PyTorch) |
|
2 |
R |
2 |
5.3% |
Análisis
estadístico, visualización de datos, paquetes especializados (caret, randomForest) |
Para
responder a esta pregunta analizada en la tabla 3, se muestra un conjunto de 38
artículos científicos que abordan el desarrollo de inteligencia artificial. En
este análisis, se destacan dos lenguajes de programación que son frecuentemente
utilizados en la creación de aplicaciones de IA: Python y R.
Python se
sitúa en primer lugar con una aparición en 36 artículos, consolidándose como el
lenguaje más popular para el desarrollo de IA. Este lenguaje ha sido
ampliamente adoptado gracias a su simplicidad y la facilidad con la que puede
ser implementado y utilizado, lo que facilita el desarrollo rápido y eficiente
de prototipos y aplicaciones de IA. Además, Python cuenta con una amplia
comunidad y soporte, lo que contribuye a una extensa documentación, foros de
soporte y recursos educativos, invaluable para desarrolladores tanto novatos
como experimentados. Otro factor crucial es la disponibilidad de bibliotecas y frameworks específicos de IA, tales como TensorFlow, Keras, PyTorch y Scikit-learn, que
simplifican la implementación de modelos complejos y aceleran el proceso de
desarrollo. Python también se integra fácilmente con otros lenguajes y
herramientas, permitiendo una mayor flexibilidad en el desarrollo de
aplicaciones complejas que pueden requerir diferentes tecnologías y recursos.
Por otro
lado, R ocupa el segundo lugar con 2 menciones en los artículos analizados.
Aunque menos dominante que Python, R tiene características distintivas que lo
hacen útil en ciertos contextos de IA. R es altamente valorado en la comunidad
científica y académica por su capacidad para realizar análisis estadísticos y
visualización de datos de manera eficaz. Dispone de varios paquetes como caret, randomForest y nnet, que son utilizados para implementar algoritmos de
aprendizaje automático y otras técnicas de IA. Además, R es frecuentemente
utilizado en el ámbito académico y de investigación, donde la reproducibilidad
y la rigurosidad estadística son cruciales.
En
resumen, Python y R lideran el uso en el desarrollo de IA, con Python dominando
ampliamente debido a su simplicidad, extensa comunidad de soporte y poderosas
bibliotecas especializadas. R, por su parte, mantiene una presencia
significativa en aplicaciones que requieren análisis estadístico riguroso y
visualización de datos. La elección del lenguaje de programación adecuado
dependerá de varios factores, incluyendo el tipo de aplicación, las necesidades
del proyecto y las habilidades del equipo de desarrollo.
En la
tabla 4, a continuación: RQ3: ¿En qué año se publicaron la mayor cantidad de
investigaciones?
Tabla
4.
Distribución de publicaciones sobre Inteligencia Artificial por año
|
Ranking |
Año |
Cantidad de artículos |
|
1 |
2024 |
15 |
|
2 |
2021 |
9 |
|
2 |
2022 |
9 |
|
4 |
2023 |
4 |
|
5 |
2019 |
2 |
|
5 |
2020 |
2 |
Para
responder a esta pregunta, se han analizado en la tabla 4, un conjunto de
artículos científicos que abarcan varios años. En este análisis, se observa que
el año 2024 se destaca con la mayor cantidad de investigaciones publicadas,
alcanzando un total de 15 artículos. Esto sugiere un creciente interés y un
aumento significativo en la producción de investigaciones en el campo durante
este año.
Los años
2021 y 2022 se sitúan en segundo lugar, con 9 artículos publicados cada uno.
Este alto nivel de publicaciones en ambos años refleja una continuidad en la
investigación y posiblemente un enfoque consolidado en el área de estudio
durante este periodo.
El año
2023, aunque con un menor número de publicaciones, presenta 4 artículos, lo que
indica una ligera disminución en la producción de investigaciones en
comparación con los años anteriores, pero mantiene un interés sostenido en el
campo.
Los años
2019 y 2020 están empatados, cada uno con 2 publicaciones. Este periodo
representa una fase de menor producción en comparación con los años
posteriores, lo que podría deberse a diferentes factores, incluyendo cambios en
las prioridades de investigación o en el enfoque de los estudios.
En
resumen, 2024 se destaca como el año con la mayor cantidad de investigaciones
publicadas, seguido por 2021 y 2022, que muestran un nivel constante de
producción. El año 2023 presenta una leve disminución, mientras que 2019 y 2020
reflejan una producción más moderada. Este patrón muestra un incremento en la
atención y el esfuerzo dedicado al campo de investigación en los últimos años,
especialmente en 2024.
RQ4:
¿Cuál es la tendencia de la IA en las áreas de gestión comercial?, en la tabla
5:
Tabla
5.
Tendencia de IA por año, en las áreas de gestión comercial
|
Año |
Finanzas |
Ventas |
Marketing |
Total de artículos |
|
2019 |
2 |
2 |
2 |
6 |
|
2020 |
2 |
2 |
2 |
6 |
|
2021 |
3 |
3 |
3 |
9 |
|
2022 |
3 |
3 |
3 |
9 |
|
2023 |
2 |
1 |
1 |
4 |
|
2024 |
4 |
3 |
6 |
13 |
|
Total |
16 |
14 |
17 |
47 |
Para
poder responder a la pregunta de la tabla 5, luego de haber analizado los 39
artículos, se puede observar un patrón interesante en la aplicación de la
inteligencia artificial (IA) en las áreas de gestión comercial.
El
análisis de las publicaciones revela que las áreas de Finanzas, Ventas, y
Marketing han sido las más investigadas en términos de aplicación de IA. Entre
2019 y 2024, se registró un total de 7 artículos en el área de Finanzas, 6 en
Ventas y 5 en Marketing. Este enfoque en estas áreas destaca la importancia
creciente de la IA para optimizar procesos clave en la gestión comercial, como
la toma de decisiones financieras, la automatización de ventas y la
personalización en marketing.
FIRURA: Tendencia de IA en
las áreas de gestión comercial
El
análisis también muestra una tendencia ascendente en la producción académica.
En 2019 y 2020, solo se encontraron 2 artículos por año, lo que indica un
interés incipiente en la IA aplicada a la gestión comercial. Sin embargo, a
partir de 2021, se observa un crecimiento sostenido con 9 publicaciones tanto
en 2021 como en 2022. Este número experimentó una ligera disminución en 2023
con 4 publicaciones, pero alcanzó su punto máximo en 2024 con 13 artículos.
Este incremento refleja un interés creciente en la exploración y aplicación de
IA en la gestión comercial, impulsado posiblemente por avances tecnológicos y
una mayor integración de estas tecnologías en las empresas.
Discusión
Se sabe
que el desarrollo de inteligencia artificial (IA) es un campo que genera una
buena cantidad de artículos de investigación cada año. Este interés constante
se debe a los diversos atributos y aplicaciones de la IA que la hacen atractiva
para nuevas investigaciones. De la búsqueda realizada, se puede concluir que
esta gran cantidad de artículos se ve ampliamente beneficiada por las ventajas
de la IA, tales como la automatización de procesos y tareas repetitivas
procesos, la optimización en la toma de decisiones y la capacidad de gestionar
grandes volúmenes de datos.
En los
últimos años, de las bases de datos consideradas para el proyecto, Science Direct ha sido la fuente más prolífica, aportando
con el 56% de los artículos revisados. Esto demuestra que Science
Direct es una fuente esencial para investigaciones en IA, probablemente debido
a su amplia colección de publicaciones y su enfoque en la calidad y relevancia
científica. Microsoft Academic también ha contribuido
significativamente con el 22% de los artículos, indicando su importancia en la
recopilación de información académica. IEEE Explore ha aportado con el 11% de
los artículos, reafirmando su papel crucial en la ingeniería y tecnología,
especialmente en el campo de la IA. Google Scholar y Scopus contribuyeron con el 9% y 2% respectivamente, lo que
refleja su utilidad en la diversificación y accesibilidad de la literatura
científica.
El
análisis de la investigación se realizó a lo largo de varios años, lo que
permitió observar cómo han evolucionado las publicaciones y las herramientas
utilizadas en el desarrollo de la inteligencia artificial (IA) en la gestión
comercial. Este enfoque temporal ha revelado patrones interesantes en términos
de países, lenguajes de programación, años de publicación y áreas de aplicación
de la IA.
En primer
lugar, los resultados muestran que Estados Unidos lidera en la producción de
artículos científicos relacionados con IA, representando el 20% del total de
los artículos revisados. Este liderazgo puede atribuirse al ecosistema robusto
de investigación y desarrollo que existe en Estados Unidos, donde
universidades, centros de investigación y el sector tecnológico han jugado un
papel crucial en impulsar la innovación en IA. Este hallazgo está en línea con
estudios previos que identifican a Estados Unidos como un actor principal en la
investigación global en IA. Asimismo, China ocupa el segundo lugar con un 18%
de los artículos, lo que subraya el compromiso del país con la innovación
tecnológica, respaldado por fuertes inversiones en investigación y desarrollo.
Por otro lado, Ecuador, aunque menos prominente en la escena global, sorprende
al ocupar el tercer lugar con un 9% de los artículos, destacándose como un
contribuyente emergente en la investigación en IA.
En cuanto
a los lenguajes de programación utilizados, Python se consolida como el más
popular, apareciendo en 36 de los 38 artículos analizados. Su simplicidad,
junto con su amplia comunidad de soporte y la disponibilidad de bibliotecas
especializadas como TensorFlow, Keras
y PyTorch, lo han convertido en la opción preferida
para el desarrollo de aplicaciones de IA. Este dominio de Python está
ampliamente documentado en la literatura, donde se destaca su capacidad para
facilitar el desarrollo rápido y eficiente de prototipos y aplicaciones. No
obstante, R, aunque menos utilizado, con solo 2 menciones, sigue siendo
relevante en contextos donde se requiere un análisis estadístico riguroso y
visualización de datos. La literatura apoya el uso de R en entornos académicos
y de investigación, donde la reproducibilidad y el análisis estadístico son
fundamentales.
Además,
el análisis detallado de la distribución temporal de las actividades y eventos,
incluyendo la identificación de patrones y tendencias a lo largo del tiempo las
publicaciones revelan que 2024 fue el año más productivo en términos de
publicaciones, con 15 artículos revisados. Este pico en la producción
científica puede ser indicativo de un creciente interés en la IA y un aumento
en los esfuerzos de investigación en este campo. Del mismo modo, los años 2021
y 2022 también muestran una cantidad considerable de publicaciones, con 9
artículos cada uno, lo que sugiere una continuidad en la investigación durante
esos años. Por el contrario, el año 2023 presenta una ligera disminución en la
cantidad de publicaciones, con solo 4 artículos, lo que podría reflejar una
fase de ajuste en las prioridades de investigación o cambios en las dinámicas
de financiación.
Finalmente,
el análisis de los 39 artículos revisados revela que las áreas de Finanzas,
Ventas y Marketing han sido las más investigadas en términos de aplicación de
IA. Estas áreas son clave en la gestión comercial, y la inteligencia artificial
(IA) ha demostrado ser una herramienta invaluable para potenciar diversas
áreas, ofreciendo soluciones innovadoras y mejorando la eficiencia en la toma
de decisiones además de optimizar procesos como la toma de decisiones
financieras, la automatización de ventas y la personalización en marketing.
Este enfoque en Finanzas, Ventas y Marketing subraya la importancia creciente
de la IA para mejorar la eficiencia y la efectividad en estas áreas críticas de
la gestión comercial. En conjunto, la tendencia ascendente en la producción
académica, con un aumento notable en 2024, refleja el interés continuo y
creciente en explorar y aplicar IA en estos campos, impulsado por los avances
tecnológicos y una mayor integración de la IA en las estrategias comerciales.
CONCLUSIÓN
En los
últimos cinco años, se ha realizado una amplia gama de investigaciones
centradas en la inteligencia artificial (IA) y su impacto en diferentes
sectores, incluidos ventas y marketing. Estas investigaciones han sido
esenciales para abordar las preguntas planteadas en este artículo. Las fuentes
más consultadas para esta revisión incluyen bases de datos como Scopus, que aportó un amplio porcentaje de los artículos,
seguida de IEEE Xplore.
Los
estudios recientes han mostrado que la aplicación de la IA en ventas y
marketing ha sido fundamental para mejorar la eficiencia operativa y
personalizar las interacciones con los clientes. En particular, áreas como la
proyección de ventas y la optimización del marketing digital han visto un
aumento considerable en el uso de algoritmos de aprendizaje automático y
técnicas avanzadas de análisis de datos. Las herramientas más comúnmente
utilizadas en estos estudios incluyen Python, que lidera ampliamente las
aplicaciones, seguido por otros lenguajes como R.
Además,
la IA ha demostrado ser vital en la transformación digital de las pequeñas y
medianas empresas (PYMES), centrándose en mejorar la eficiencia y la
competitividad en mercados globales. Estas tendencias subrayan la creciente
importancia de la IA no solo en la optimización de procesos, sino también en su
capacidad para anticipar cambios en el comportamiento del consumidor y ajustar
estrategias de marketing de manera más efectiva.
La
incorporación de la inteligencia artificial (IA) en ventas y marketing ha
provocado un cambio disruptivo en la manera en que las empresas gestionan sus
estrategias comerciales e interactúan con los clientes. Fedirko
et al. examinaron el impacto de la IA en el marketing digital durante la
pandemia de COVID-19, resaltando cómo estas herramientas permitieron a las
empresas adaptarse rápidamente a los cambios en el comportamiento del
consumidor y optimizar sus estrategias en tiempo real. Este hallazgo se alinea
con la investigación de Cordero-Torres (2022), que utilizó algoritmos de
aprendizaje supervisado para mejorar las proyecciones de ventas en el sector
camaronero, demostrando cómo la IA puede predecir con precisión las
fluctuaciones del mercado y ajustar las estrategias de ventas en consecuencia.
Por otro
lado, Zhang y Bu analizaron la influencia de los directivos con formación en
tecnología de la información en la transformación digital de las PYMES,
encontrando que la IA desempeña un papel fundamental en la mejora de la calidad
y eficiencia de la eficiencia operativa y en la implementación de estrategias
de marketing personalizadas. Este enfoque se complementa con el trabajo de
Shang et al. (2024), quienes exploraron cómo la IA contribuye a mejorar el
desempeño ambiental de las empresas, lo que también impacta positivamente en la
percepción de la percepción de la marca y la satisfacción del cliente, lo que
influye directamente en la lealtad del consumidor y el éxito a largo plazo de
la empresa.
El
estudio de Messner (2024) sobre el uso del aprendizaje profundo y la
inteligencia artificial explicable (XAI) en la
publicidad de productos de cuidado personal destaca cómo estas tecnologías no
solo mejoran la precisión en la segmentación del mercado, sino que también
permiten una mayor comprensión de las necesidades del consumidor, resultando en
una mayor efectividad de las campañas de marketing. Esto es corroborado por Zaghloul et al., quienes compararon enfoques tradicionales
de aprendizaje automático con técnicas de aprendizaje profundo para predecir la
satisfacción del cliente en el comercio electrónico, encontrando que los
modelos más avanzados ofrecen una precisión significativamente mayor.
Asimismo,
Hasan (2024) abordó el desafío de la estacionalidad en la previsión de ventas
utilizando IA, subrayando la capacidad de estas herramientas para identificar
patrones en datos históricos y mejorar la precisión de las predicciones. Este
enfoque es similar al de Bargoni et al (2024) quienes
realizaron una revisión sistemática sobre la digitalización y la
internacionalización de las PYMES, sugiriendo que la adopción de IA es crucial
para que las pequeñas y medianas empresas compitan en mercados globales.
En
conjunto, estos estudios demuestran que la IA no solo ha revolucionado las
operaciones comerciales, sino que también ha permitido a las empresas adoptar
enfoques más precisos y personalizados en ventas y marketing. La capacidad de
la inteligencia artificial (IA) para procesar y analizar grandes volúmenes de
datos de manera eficiente, prever tendencias y mejorar la toma de decisiones
estratégicas ha llevado a una mayor efectividad en las campañas de marketing y
un incremento en la satisfacción del cliente, consolidándose como una
herramienta esencial en el entorno comercial actual.
REFERENCIAS
BIBLIOGRÁFICAS
Bargoni A., Ferraris A., Vilamová Š y Hussain W (2024) Digitalisation
and internationalisation in SMEs:
a systematic review and research agenda. Journal of Enterprise Information
Management. https://lc.cx/0lWyOs
Bertomeu, J. (2020) Machine learning improves accounting: discussion, implementation and research opportunities. Review of Accounting Studies,
25(3). 1135-1155, https://lc.cx/URvaSa
Cordero, B. (2021)
Modelo de evaluación de crédito para capital de trabajo utilizando lenguaje
Python aplicado a la banca pública: Caso de estudio en proyecto camaronero,
Dialnet. https://lc.cx/UGVGpz
Cordero-Torres B.
(2022) Algoritmos de Aprendizaje Supervisado para Proyección de Ventas de
Camarón Ecuatoriano con Lenguaje de Programación Python. Economía y Negocios.
13(2). 30-51. https://lc.cx/dHa38u
Davenport, T. (2018).
Artificial intelligence for
the real world. Harvard
Business Review Press.
https://lc.cx/AgtsPM
Fedirko, O., Zatonatska, T., Wolowiec T y Skowron S. (2021) Data Science
and marketing in E-Commerce amid COVID-19 Pandemic. European Research Studies Journal. XXIV(Special Issue 2). 3-16. https://lc.cx/7KrrsW
Hanechko, I y Oksana, T. (2019) Business Administration
and Business Economics Marketing Accounting
Personnel Economics – cefUP | Centro de Economia e Finanças da UP. https://lc.cx/X3ig3L
Hasan N. (2024) Addressing seasonality and trend detection in Predictive
Sales Forecasting: A Machine Learning
perspective. Journal of Business and Management Studies,
6(2), 100-109. https://lc.cx/o2gL31
International Conference on Smart Systems and Inventive Technology
(ICSSIT) (2022) Computer-based
simulation data model for employment of business management
talents in colleges: Python
implementations. IEEE Conference
Publication. https://lc.cx/2KtWVU
Ivanova D., Foster A., Kleinegesse S., Gutmann M y Rainforth T. (2021) Implicit Deep
Adaptive Design: Policy-Based
Experimental Design without
Likelihoods. arXiv.org, https://lc.cx/RWp7Rf
Kaplan, A y Haenlein, M. (2019). Siri, Siri, in my
hand: Who's the fairest in
the land? On the interpretations,
illustrations,1 and implications of
artificial intelligence. Business Horizons,
62(1), 15-25. https://lc.cx/Y4O0dQ
Kasereka, H., (2020) Importance of web scraping in e-commerce and
e-marketing. ResearchGate. https://lc.cx/rilSYq
Kayikci, Y., Demir, S., Mangla, S., Subramanian,
N y Koc, B. (2022) Data-driven
optimal dynamic pricing strategy for reducing perishable
food waste at retailers. Journal of Cleaner Production.
344. 131068. https://lc.cx/ONxfq0
Kotler, P y Keller, K
(2016). Marketing Management (15th ed.). Pearson Education.
https://lc.cx/QF-oXK
Lang, S., Reggelin, T., Müller, M y Nahhas,
A. (2021) Open-source discrete-event
simulation software for applications in production and logistics: An alternative to commercial tools?. Procedia
Computer Science. 180.
978-987. https://lc.cx/pAknJt
Lenort, R (2022) Selecting sustainability key performance indicators for smart logistics
assessment. Acta Logistica,
9(4), 467-478. https://lc.cx/p64p2f
Li Y (2021) Investigation and probabilistic health risk assessment
of trace elements in good sale lip cosmetics
crawled by Python from Chinese e-commerce market. Journal of Hazardous
Materials, 405. 124279. https://lc.cx/mp119o
Liu, J., Chang, H.,
Forrest, J y Yang, B. (2020) Influence of artificial intelligence on technological innovation: Evidence from the panel data of china's manufacturing
sectors. Technological Forecasting and Social Change. 158, 120142.
https://lc.cx/f4gNbW
Messner, W. (2024) Exploring multilevel data with deep learning
and XAI: The effect of personal-care advertising spending on subjective happiness.
International Business Review. 33(1), 102203.
https://lc.cx/Icp4Dk
Mytnyk, B., Tkachyk, O., Shakhovska, N., Fedushko, S. y Syerov, Y. (2023).
Application of artificial intelligence for fraudulent banking operations recognition. Big Data
and Cognitive Computing. 7(2), 93. https://lc.cx/jjEa2u
Nguyen, T., Zhou, L., Spiegler, V., Ieromonachou, P y
Lin Y. (2018) Big data analytics in supply chain management:
A state-of-the-art literature review. Computers y Operations Research. 98, 254-264.
https://lc.cx/PZ1ulo
Ping, Y., Buoye, A y Vakil, A. (2023), Enhanced review facilitation service for C2C support: machine learning approaches. Journal of Services
Marketing, 37(5). 620-635. https://lc.cx/HC3aJ6
Rahim, M., Gururajan, G y Vishwesh, R (2021)
Data Science for Marketing Analytics: A practical guide to forming a killer
marketing strategy through
data analysis with Python.
https://lc.cx/mZF-HC
Reyero, R. (2024) La
Inteligencia Artificial (IA) y su aplicación en Marketing. https://lc.cx/YOfznA
Roca, I. (2021),
Propuesta de mejora enfocada en la productividad de la fuerza de ventas de una
entidad bancaria mediante un modelo de optimización de la gestión comercial.
https://lc.cx/yhMm-c
Russell, S y Norvig, P. (2021). Artificial Intelligence:
A Modern Approach (4th ed.). Pearson.
https://lc.cx/WVxPZB
Shang, Y., Zhou, S.,
Zhuang, D., Żywiołek, J y Dincer,
H. (2024) The impact of artificial intelligence application on enterprise environmental
performance: Evidence from microenterprises. Gondwana Research.
131, 181-195. https://lc.cx/x9yViM
Symeonidis, S., Peikos, G y Arampatzis, A. (2022)
Unsupervised consumer intention and sentiment mining from microblogging data as
a business intelligence tool. Operational Research. 22(5). 6007-6036. https://lc.cx/ReYATi
Ting, T., Mia, M., Hossain, I y Wah, K (2024) Predicting the Financial Performance of Microfinance Institutions with Machine Learning Techniques ResearchGate.
https://lc.cx/1nO2vD
Villagómez, J y Gómez,
R. (2022) Análisis logístico de los puntos de carga y descarga de una compañía
de transporte de la ciudad de Guayaquil utilizando las cadenas de Márkov con
Python. Dialnet. https://lc.cx/IJNIRR
Vitali, S y Giuliani, M
(2024) Emerging digital technologies
and auditing firms: Opportunities and challenges.
International Journal of Accounting Information Systems, 53. 100676. https://lc.cx/EKb-Ms
Wael, H., Abdallah, W., Ghura, H y Buallay, A. (2023) Factors influencing artificial intelligence
adoption in the accounting profession: the case of public
sector in Kuwait Competitiveness Review
an International Business Journal
Incorporating Journal of Global Competitiveness, 34(1),
3-27. https://lc.cx/iHJGVK
Wang, W., Hu, R., Zhang, C y Shen, Y. (2023) Impact
of common institutional ownership on enterprise digital Transformation—Collaborative governance or collusion
fraud? Heliyon, 9(11),
e21641. https://lc.cx/htOI9x
Weiß T y Pfeiffer J. (2024)
Consumer decisions in
virtual commerce: Predict good help-timing based on cognitive load. Journal of Neuroscience
Psychology and Economics,
17(2), 119-144. https://lc.cx/sdDDpM
Xu, C., Sun, G y Kong T. (2024) The impact of digital transformation on enterprise green innovation. International Review of Economics y Finance, 90. 1-12. https://lc.cx/8qIP99
Yadav, S., Banshiwal, N y Yadav P. (2024)
Artificial Intelligence Integration
in Social Media Marketing: A Comprehensive Analysis. ResearchGate, 2024. https://lc.cx/2oFvQX
Ying Y y Jin S. (2024) Artificial intelligence
and green product innovation: Moderating effect of organizational
capital. Heliyon, 10(7), e28572, 2024.
https://lc.cx/HgkCKL
Ying Y., Cui X y Jin S.
(2023) Artificial intelligence and green total Factor Productivity: The moderating effect of slack
resources. Systems. 11(7),
356. https://lc.cx/GW9tld
Zaghloul, M., Barakat, S y Rezk, A (2024). Predicting E-commerce customer satisfaction: Traditional machine learning vs. deep learning approaches.
Journal of Retailing and Consumer Services, 79, 103865. https://lc.cx/5xdYoF
Zhang K y Bu C. (2024)
Top managers with information
technology backgrounds and
digital transformation: Evidence
from small and medium companies. Economic Modelling, 132, 106629,
2024. https://lc.cx/lbY6VL