La regresión lineal en el proceso de ventas y su influencia en la competitividad organizacional en entornos Big Data
DOI:
https://doi.org/10.62452/1bt7mb66Palavras-chave:
Regresión lineal, competitividad organizacional, comercio minorista de moda, análisis de Big Data, proceso de ventasResumo
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.
Downloads
Referências
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.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2025 Bolívar Solano-Morales (Autor/a)

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Os autores que publicam na Revista Metropolitana de Ciencias Aplicadas (REMCA), concordam com os seguintes termos:
1. Direitos autorais
Os autores mantêm direitos autorais irrestritos sobre suas obras. Os autores concedem ao periódico o direito de primeira publicação. Para tal, cedem à revista, em caráter não exclusivo, direitos de exploração (reprodução, distribuição, comunicação pública e transformação). Os autores podem firmar acordos adicionais para a distribuição não exclusiva da versão publicada do trabalho no periódico, desde que haja reconhecimento de sua publicação inicial nesta revista.
© Os autores.
2. Licença
Os trabalhos são publicados na revista sob a licença Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0 Internacional (CC BY-NC-SA 4.0). Os termos podem ser encontrados em: https://creativecommons.org/licenses/by-nc-sa/4.0/deed.pt
Esta licença permite:
- Compartilhar: copiar e redistribuir o material em qualquer meio ou formato.
- Adaptar: remixar, transformar e desenvolver o material.
Nos seguintes termos:
- Atribuição: Você deve dar o crédito apropriado, fornecer um link para a licença e indicar se alguma alteração foi feita. Você pode fazer isso de qualquer maneira razoável, mas não de uma forma que sugira que o licenciante endossa ou patrocina seu uso.
- Não comercial: você não pode usar o material para fins comerciais.
- Compartilhamento pela mesma licença: se você remixar, transformar ou criar a partir do material, deverá distribuir sua criação sob a mesma licença do trabalho original.
Não há restrições adicionais. Você não pode aplicar termos legais ou medidas tecnológicas que restrinjam legalmente outros de fazerem qualquer coisa que a licença permita.