La regresión lineal en el proceso de ventas y su influencia en la competitividad organizacional en entornos Big Data
DOI:
https://doi.org/10.62452/1bt7mb66Palabras clave:
Regresión lineal, competitividad organizacional, comercio minorista de moda, análisis de Big Data, proceso de ventasResumen
En el competitivo sector del retail de moda, la optimización de las ventas mediante el uso de Big Data se ha convertido en un elemento esencial para sostener la competitividad. En este estudio se aplicaron modelos de regresión lineal con el propósito de analizar la influencia de variables clave en el rendimiento de las tiendas de ropa, empleando datos simulados procesados en Apache Spark. A partir de un proceso de eliminación hacia atrás, el modelo inicial fue depurado y se identificó que la tasa de conversión y la satisfacción con el precio guardan una correlación positiva con la competitividad, mientras que el precio competitivo muestra una relación negativa. Estos hallazgos revelan que, más allá de la reducción de precios, los factores vinculados a la conversión del interés en compra y la percepción de satisfacción resultan determinantes en la propuesta de valor de las organizaciones. En consecuencia, la regresión lineal se presenta como una herramienta analítica valiosa para orientar decisiones estratégicas que fortalezcan la competitividad en el retail de moda en un entorno dominado por el Big Data.
Descargas
Referencias
Akand, F. (2024). Impact of social media influencers on purchase intentions: A comprehensive study across industries. International Journal of Multidisciplinary Research Updates, 7(2), 61–67. https://doi.org/10.53430/ijmru.2024.7.2.0035
Alexander, M., Kusleika, R., & Walkenbach, J. (2018). Excel 2019 bible (1.ª ed.). Wiley.
Anderson, D. R., Sweeney, D. J., & Williams, T. A. (2024). Statistics for Business & Economics. Cengage Learning.
Dolgui, A., Ivanov, D., & Sokolov, B. (2018). Ripple effect in the supply chain: An analysis and recent literature. International Journal of Production Research, 56(1–2), 414–430. https://doi.org/10.1080/00207543.2017.1387680
Firework Staff. (2024). Los 10 principales desafíos de retención de clientes y cómo superarlos. https://firework.com/es/blog/desafios-retencion-clientes
Gong, Y. (2024). The impact of Big Data on the fashion industry. AEMPS, 143. https://doi.org/10.54254/2754-1169/2024.GA18973
Gujarati, D. (2023). Essentials of Econometrics. SAGE Publications, Inc.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2022). Multivariate data analysis (9.ª ed.). Pearson Education.
Khan, F. R., Phung, S. P., & Raju, V. (2024). The impact of social media influencers on consumer purchase intention in conservative societies. Journal of Reproducible Research, 2(2), 172–181.
Kumar, V., Jones, E., Venkatesan, R., & Leone, R. P. (2011). Is market orientation a source of sustainable competitive advantage or simply the cost of competing? Journal of Marketing, 75(1), 16–30. https://doi.org/10.1509/jm.75.1.16
Liu, Y., & Ding, Z. (2022). Personalized recommendation model of electronic commerce in new media era based on semantic emotion analysis. Frontiers in psychology, 13, 952622. https://doi.org/10.3389/fpsyg.2022.952622
Polacek, L., Ulman, M., Cihelka, P., & Šilerová, E. (2024). Dynamic pricing in e-commerce: Bibliometric analysis. Acta Informatica Pragensia, 13(23). https://doi.org/10.18267/j.aip.227
Potla, R. T. (2022). Scalable Machine Learning Algorithms for Big Data Analytics: Challenges and Opportunities. Journal of Artificial Intelligence Research, 2(2), 124–141. Retrieved from https://thesciencebrigade.com/JAIR/article/view/327
Rawlings, J. O., Pantula, S. G., & Dickey, D. A. (1998). Applied regression analysis: A research tool (2.ª ed.). Springer.
Saldaña, J. (2021). The coding manual for qualitative researchers (4.ª ed.). SAGE Publications.
Serrano-Orellana, K., Sousa-Barros, I., & Chang-Fernández, A. (Comp.). (2025). Transformación digital, tributación y nuevas tecnologías: Estudios aplicados en el contexto empresarial ecuatoriano. Sophia Editions.
Shankar, V. (2019). Big data and analytics in retailing. NIM Marketing Intelligence Review, 11(1), 37–40. https://doi.org/10.2478/nimmir-2019-0006
Varma, M. A. (2022). Use of big data in the process of customer segmentation in the retail sector. Technoarete Transactions on Advances in Data Science and Analytics, 1(2), 1–6. https://doi.org/10.36647/TTADSA/01.02.A002
Wickham, H., Averick, M., Bryan, J., Chang, W., D’Agostino McGowan, L., François, R., Grolemund, G., Hayes, A., Henry, L., Hester, J., Kuhn, M., Pedersen, T. L., Miller, E., Bache, S. M., Müller, K., Ooms, J., Robinson, D., Seidel, D. P., Spinu, V., Takahashi, K., Vaughan, D., Wilke, C., Woo, K., & Yutani, H. (2019). Welcome to the Tidyverse. Journal of Open Source Software, 4(43), 1686. https://doi.org/10.21105/joss.01686
Wooldridge, J. M. (2020). Introductory econometrics: A modern approach. Cengage Learning.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Bolívar Solano-Morales (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los autores que publican en la Revista Metropolitana de Ciencias Aplicadas (REMCA), están de acuerdo con los siguientes términos:
1. Derechos de Autor
Los autores conservan los derechos de autor sobre sus trabajos sin restricciones. Los autores otorgan a la revista el derecho de primera publicación. Para ello, ceden a la revista, de forma no exclusiva, los derechos de explotación (reproducción, distribución, comunicación pública y transformación). Los autores pueden establecer otros acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista, siempre que exista un reconocimiento de su publicación inicial en esta revista.
© Los autores.
2. Licencia
Los trabajos se publican en la revista bajo la licencia de Atribución-NoComercial-CompartirIgual 4.0 Internacional de Creative Commons (CC BY-NC-SA 4.0). Los términos se pueden consultar en: https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es
Esta licencia permite:
- Compartir: copiar y redistribuir el material en cualquier medio o formato.
- Adaptar: remezclar, transformar y crear a partir del material.
Bajo los siguientes términos:
- Atribución: ha de reconocer la autoría de manera apropiada, proporcionar un enlace a la licencia e indicar si se ha hecho algún cambio. Puede hacerlo de cualquier manera razonable, pero no de forma tal que sugiera que el licenciador le da soporte o patrocina el uso que se hace.
- NoComercial: no puede utilizar el material para finalidades comerciales.
- CompartirIgual: si remezcla, transforma o crea a partir del material, debe difundir su creación con la misma licencia que la obra original.
No hay restricciones adicionales. No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otros hacer cualquier cosa que la licencia permita.
