Predicción del Perfil del Cliente en una Startup Farmacéutica Peruana utilizando un Modelo Híbrido bajo el Enfoque K-L-R

Resumen

En un entorno empresarial cada vez más competitivo, las startups recurren a la inteligencia artificial para optimizar sus procesos y mejorar la toma de decisiones estratégicas. Este estudio se centra en una startup farmacéutica peruana de operación digital, la cual enfrenta el reto de segmentar de manera efectiva a su base de clientes. Para abordar este desafío, se desarrolló un modelo híbrido de segmentación y clasificación supervisada, utilizando variables del modelo RFM complementadas con datos demográficos y transaccionales. La metodología combinó técnicas de aprendizaje no supervisado mediante el algoritmo K-Means para generar clústeres de clientes, y posteriormente modelos de clasificación como LightGBM y XGBoost para predecir la pertenencia a dichos segmentos. El tratamiento previo de los datos incluyó la imputación de valores faltantes, codificación de variables categóricas y eliminación de outliers. El modelo LightGBM logró un desempeño destacado con altos niveles de precisión tanto en la validación cruzada como en el conjunto de prueba. Los resultados permiten construir perfiles de clientes diferenciados y aplicables a estrategias de marketing personalizado, mejorando así la experiencia del usuario y favoreciendo la fidelización. Este enfoque puede ser replicado en otras industrias que cuenten con datos de comportamiento del consumidor.