UNIVERSIDAD CATÓLICA SEDES SAPIENTIAE 

FACULTAD DE INGENIERÍA 
 

 
 
Sistema de recomendación basado en el algoritmo KNN para el 
incremento de las ventas en una empresa de productos de línea 

blanca 

 
TESIS PARA OPTAR EL TÍTULO PROFESIONAL DE 

INGENIERO DE SISTEMAS 

 
AUTOR 

Alexander Guevara Fernandez 
 
 

ASESOR 

Eduardo Ángel Vásquez Reyes 
 
 
 

 
Rioja, Perú 

2025 



Repositorio Institucional 

 

METADATOS COMPLEMENTARIOS 

 

Datos del autor 

Nombres Alexander 

Apellidos Guevara Fernandez 

Tipo de documento de identidad DNI 

Número del documento de identidad 75329664 

Número de Orcid (opcional)  

 

Datos del asesor 

Nombres Eduardo Ángel 

Apellidos Vásquez Reyes 

Tipo de documento de identidad DNI 

Número del documento de identidad 10089409 

Número de Orcid (obligatorio) https://orcid.org/0000-0002-3626-7810 

 

Datos del Jurado 

Datos del presidente del jurado 

Nombres Daniel 

Apellidos Villafuerte Mathews 

Tipo de documento de identidad DNI 

Número del documento de identidad 06993892 

 

Datos del segundo miembro 

Nombres Joel Benigno 

Apellidos López Del Mar 

Tipo de documento de identidad DNI 

Número del documento de identidad 08584920 

 

Datos del tercer miembro 

Nombres Wilfredo Clemente 

Apellidos Elescano Córdova 

Tipo de documento de identidad DNI 

Número del documento de identidad 08581718 

 



Repositorio Institucional 

 

Datos de la obra 

Materia* Sistema de recomendación, Venta de electrodomésticos, Algoritmo KNN, 
Incremento de ventas, aprendizaje supervisado 

Campo del conocimiento OCDE 

Consultar el listado:  enlace  

 

https://purl.org/pe-repo/ocde/ford#2.02.04 

Idioma (Normal ISO 639-3) SPA - español 

Tipo de trabajo de investigación Tesis 

País de publicación PE - PERÚ 

Recurso del cual 

forma parte (opcional) 

 

Nombre del grado Ingeniero de Sistemas 

Grado académico o título 

profesional 
Título Profesional 

Nombre del programa Ingeniería de Sistemas 

Código del programa 

Consultar el listado:  enlace  

612076 

 

*Ingresar las palabras clave o términos del lenguaje natural (no controladas por un vocabulario o tesauro). 



 

 
FACULTAD DE INGENIERÍA 

ACTA N° 008-2025-UCSS-FI/TPISIS 

SUSTENTACION DE TESIS PARA OBTENER EL TÍTULO PROFESIONAL DE 
INGENIERO DE SISTEMAS 

FILIAL RIOJA: NUEVA CAJAMARCA 

Los Olivos, 09 de abril de 2025 

Siendo las 12:00 horas del 09 de abril de 2025, utilizando los recursos para la 
videoconferencia disponibles en la Universidad Católica Sedes Sapientiae, se dio inicio a 
la sustentación de la Tesis: 

Sistema de recomendación basado en el algoritmo KNN para el incremento de las 
ventas en una empresa de productos de línea blanca 

 
Por el Bachiller en Ciencias con mención en Ingeniería de Sistemas: 

GUEVARA FERNANDEZ, ALEXANDER 
 

Ante el Jurado calificador conformado por el: 

Mg. VILLAFUERTE MATHEWS, Daniel Presidente 
Mg. LÓPEZ DEL MAR, Joel Benigno Secretario 
Mg. ELESCANO CÓRDOVA, Wilfredo Clemente Miembro 

Siendo las 13:25 horas, habiendo sustentado y atendido las preguntas realizadas por cada 
uno de los miembros del jurado; y luego de la respectiva deliberación, el jurado le otorgó la 
calificación de: 

APROBADO BUENO 

En mérito a la calificación obtenida se expide la presente acta con la finalidad que el 
Consejo de Facultad considere se le otorgue al Bachiller GUEVARA FERNANDEZ, 
ALEXANDER el Título Profesional de: 

 
INGENIERO DE SISTEMAS 

 
En señal de conformidad firmamos, 

 

   ….………………………………. …..……………..…...……………………………… 
Mg. LÓPEZ DEL MAR, Joel Benigno Mg. ELESCANO CÓRDOVA, Wilfredo Clemente 

Miembro  Secretario 
 
 
 

 
…………………….……..…..………………….. 

Mg. VILLAFUERTE MATHEWS, Daniel 
Presidente 



REPOSITORIO INSTITUCIONAL DIGITAL 

Anexo 2 

 

CARTA DE CONFORMIDAD DEL ASESOR(A) DE TESIS / INFORME ACADÉMICO/ TRABAJO DE 

INVESTIGACIÓN/ TRABAJO DE SUFICIENCIA PROFESIONAL CON INFORME DE EVALUACIÓN DEL 

SOFTWARE ANTIPLAGIO 

 
Lima, 25 de julio de 2025 

 
Señor(a), CARMENATES HERNANDEZ, DAYMA SADAMI 

Jefe del Departamento de Investigación/Coordinador Académico de Unidad de Posgrado 

Facultad de Ingeniería - UCSS 

 

 
Reciba un cordial saludo. 

 
Sirva el presente para informar que la tesis / informe académico/ trabajo de investigación/ trabajo de 

suficiencia profesional, bajo mi asesoría, con título: Sistema de recomendación basado en el algoritmo KNN 

para el incremento de las ventas en una empresa de productos de línea blanca , presentado por Guevara 

Fernandez, Alexander (2017101042 y DNI 75329664) para optar el título profesional/grado académico de 

Ingeniero de Sistemas ha sido revisado en su totalidad por mi persona y CONSIDERO que el mismo se 

encuentra APTO para ser publicado en repositorio. 

 
Asimismo, para garantizar la originalidad del documento en mención, se le ha sometido a los 

mecanismos de control y procedimientos antiplagio previstos en la normativa interna de la Universidad, cuyo 

resultado alcanzó un porcentaje de similitud de 11 %.* Por tanto, en mi condición de asesor(a), firmo la 

presente carta en señal de conformidad y adjunto el informe de similitud del Sistema Antiplagio Turnitin, 
como evidencia de lo informado. 

 
Sin otro particular, me despido de usted. Atentamente, 

 
 
 
 
 

VASQUEZ REYES, EDUARDO ANGEL 

DNI N°: 10089409 

ORCID: 0000-0002-3626-7810 

Facultad de la Ingeniería - UCSS 
 
 
 

 
* De conformidad con el artículo 8°, del Capítulo 3 del Reglamento de Control Antiplagio e Integridad Académica para 

trabajos para optar grados y títulos, aplicación del software antiplagio en la UCSS, se establece lo siguiente: 
 
Artículo 8°. Criterios de evaluación de originalidad de los trabajos y aplicación de filtros 

El porcentaje de similitud aceptado en el informe del software antiplagio para trabajos para optar grados académicos y 

títulos profesionales, será máximo de veinte por ciento (20%) de su contenido, siempre y cuando no implique copia o 

indicio de copia. 



2 

Dedicatoria 

A Dios, que me guía y me da fortaleza diaria para seguir esforzándome y lograr mis objetivos 

pese a las dificultades. 

A mi madre, un pilar fundamental que a pesar de las adversidades me ha seguido apoyando y 

dando ánimos para cumplir con mis objetivos y todas mis metas propuestas, por su gran amor, 

sacrificio y su confianza que deposito en mi para poder ser un profesional, así mismo a mis 

hermanas por su apoyo en los momentos difícil que fueron de vital importancia para lograr 

mis metas. 

A mi familia, por el apoyo los consejos y sobre todo por la confianza depositada en mi para 

lograr desarrollarme como profesional poder demostrar que con esfuerzo y dedicación todo 

es posible. 



3 

Agradecimiento 

A Dios por permitirme la salud y la vida para seguir dándome fuerzas en mi día a día. 

A mi madre por cada consejo, por estar conmigo en mis momentos difíciles y por ser mi 

soporte fundamental en mis días malos, por confiar en mí y darme el apoyo para poder 

estudiar, lograr mis metas, cumplir mis sueños y darme la oportunidad de desarrollarme como 

un profesional y aportar mi conocimiento en las diferentes áreas del entorno de mi profesión. 

A la Universidad Católica Sedes Sapientiae, por ser la entidad que me brindo el servicio de 

educación universitaria donde me formé, desarrolle y genere conocimiento para poder aportar 

a mi país profesionalmente. 

Al Mg. Eduardo Ángel Vásquez Reyes, quien con mucha paciencia y dedicación supo 

instruirme, brindarme los datos y formatos necesarios para poder llegar a finalizar este 

proyecto. 



4 

 

Resumen  

Los sistemas de recomendación son herramientas que ayudan a presentar información a los 

usuarios de manera oportuna en relación a sus gustos y preferencias en base al análisis de 

datos mediante algoritmos de aprendizaje supervisado, es por ello que en la presente 

investigación se desarrolla un sistema de recomendación con el algoritmo KNN para mejorar 

las ventas de una empresa de productos de línea blanca que ayuden incrementar el valor de le 

empresa en el mercado mediante la recomendación de productos que se ajusten a los gustos y 

preferencias del cliente usando el algoritmo k vecinos más cercanos que analizan la 

información del cliente en el sistema y muestra al cliente productos relevantes que se adapten 

a sus necesidades. Los resultados muestran que el algoritmo propuesto genera una tasa interna 

de retorno de un 14%, incrementando las ventas en la empresa y un COK del 12%, por otra 

parte, el algoritmo es eficiente al momento de realizar cálculos matemáticos de las 

preferencias de los usuarios y generar recomendaciones precisas sobre sus deseos analizando 

sus datos mediante el recorrido por el sistema obtenidos de las reacciones sobre un producto, 

comentario o al dar clic en la imagen de un artículo.     

Palabras clave: Sistema de recomendación, Venta de electrodomésticos, Algoritmo 

KNN, Incremento de ventas, aprendizaje supervisado. 

 
  



5 

Abstract 

Recommendation systems are tools that help present information to users in a timely manner 

in relation to their tastes and preferences based on data analysis using supervised learning 

algorithms, which is why in this research a recommendation system is developed. with the 

KNN algorithm to improve a company's sales of white goods that help increase the company's 

value in the market by recommending products that fit the customer's tastes and preferences 

using the k nearest neighbors algorithm. analyze customer information in the system and show 

the customer relevant products that suit their needs. The results show that the proposed 

algorithm generates an internal rate of return of 14%, increasing sales in the company and a 

COK of 12%. On the other hand, the algorithm is efficient when performing mathematical 

calculations of user preferences. and generate precise recommendations about your wishes by 

analyzing your data by browsing the system obtained from reactions to a product, comment 

or by clicking on the image of an article.    

Keywords: Recommendation system, Sale of household appliances, KNN algorithm, Sales 

increase, supervised learning. 



6 

ÍNDICE 

Introducción 16 

Planteamiento metodológico 17 

Diagnostico Estratégico 17 

Descripción de la Empresa 17 

Visión y Misión 18 

Análisis FODA 18 

Organización de la Empresa 20 

Planteamiento del problema 20 

Formulación del problema 23 

Objetivos  24 

Objetivo General 24 

Objetivos Específicos 24 

Justificación e importancia del proyecto 24 

Justificación: Necesidad e importancia 24 

Análisis de la viabilidad de la investigación 24 

Límites y Alcances 29 

Propuesta  29 

Organización del Informe 30 

Marcoteórico 31 



7 

Antecedentes de la investigación 31 

Bases teóricas 38 

Definición de términos básicos 43 

Diseño de la solución 44 

Métodos / modelos / algoritmos de desarrollo de la solución 46 

Algoritmo KNN (K vecinos más cercano) 52 

Algoritmo K-Mean 52 

Algoritmo Slope One 53 

Algoritmo Navie Bayes 54 

Algoritmo A priori 55 

Comparación de Métodos / modelos / algoritmos 52 

Determinación del Método / modelo / algoritmo 57 

Construcción de la solución 58 

Especificación del caso de estudio 58 

Especificación del caso de estudio 58 

Adecuación del problema 59 

Especificación de la solución 60 

Corridas/ejecución de la solución 75 

Resultados 78 

Implementación 79 



8 

Modelado de Requisitos 79 

Especificación de caso de usos 82 

Modelo conceptual 89 

Modelo de análisis 109 

Modelo de datos 112 

Implementación 114 

Pruebas 119 

Aspectos económicos-financieros 126 

Presupuesto y Financiamiento de Inversiones y capital de trabajo inicial 125 

Presupuesto de Ingresos y Egresos 127 

Análisis de Riesgos 128 

Determinación de Riesgos de Proyecto 129 

Propuestas para la Mitigación de Riesgos 130 

Presupuesto de Mitigación de Riesgos 130 

Estado de Resultados 131 

Flujo de Fondos 133 

Análisis costo-beneficio 136 

Beneficios no financieros 136 

Impacto Social 136 

Evaluación Económica-Financiera 137 



9 

Determinación de la viabilidad del proyecto 138 

Viabilidad económica 138 

Aspectos tecnológicos 139 

Conclusiones y recomendaciones 145 

Conclusiones 145 

Recomendaciones 146 

Referencia 147 

Anexos 154 



10 

ÍNDICE DE TABLAS 

Tabla 1 Análisis FODA 18 

Tabla 2 FODA estratégico 19 

Tabla 3 Costos de implementación 27 

Tabla 4 Viabilidad económica 28 

Tabla 5 Conceptos básicos de Sistemas de Recomendación 43 

Tabla 6 Proceso de agrupamiento de K-mean 52 

Tabla 7 Estructura Apriori 55 

Tabla 8 Valoración de criterios 58 

Tabla 9 Comparación Algoritmos/Criterios 59 

Tabla 10 Determinacion de variables entrantes 62 

Tabla 11  Clasificación de variables 63 

Tabla 12 cruce de variables del producto y entrante 63 

Tabla 13 Algoritmo KNN adaptado 67 

Tabla 14 Requerimiento del usuario 68 

Tabla 15   Tabla matriz criterios de productos para la corrida del algoritmo 70  

Tabla 16    Tabla productos y criterios con datos cualitativos para la corrida           71 

Tabla 17 Tabla de conversion con datos cuantitativos 72 

Tabla 18 Cálculo de la distancia entre las variables entrantes y del producto 74 

Tabla 19 Distancias obtenidas 75 



11 

Tabla 20 Clasificación de distancias de manera ascendente 76 

Tabla 21 Top "n" distancias mas cercanas 77 

Tabla 22 Requerimientos funcionales 78 

Tabla 23 Actores 78 

Tabla 24 CUS básico 79 

Tabla 25 CUS01 81 

Tabla 26 CUS2 registro de productos 83 

Tabla 27 CUS03 registrar clientes 86 

Tabla 28 Registro de preferencias CUS04 89 

Tabla 29 CUS05 registro de likes 92 

Tabla 30 CUS06 generar recomendaciones 94 

Tabla 31 CUS07 generar reporte de recomendación 97 

Tabla 32 CUS08 registrar historial recomendación 99 

Tabla 33 CUS09 registrar comentario de un articulo 100 

Tabla 34 Presupuesto general del proyecto 122 

Tabla 35 Presupuesto de mitigación de riegos 122 

Tabla 36 Flujo de caja post implementación 123 

Tabla 37 Riesgos del proyecto 125 

Tabla 38 Presupuesto de Mitigación de Riesgo 126 

Tabla 39 Estado de resultados 127 



12 

Tabla 40 Viabilidad del proyecto 134 

ÍNDICE DE FIGURAS 

Figura 1 Estructura organizacional de la empresa 22 

Figura 2   Línea de tiempo de historia de métodos, técnicas, algoritmos y sistema de 

recomendación 42 

Figura 3  Cuadro pictográfico Sistema de recomendación de productos de línea blanca 49 

Figura 4  Diseño de la solución Sistema de recomendación de productos 50 

Figura 5   Modelo del funcionamiento del algoritmo KNN adaptado al caso de estudio 67 

Figura 6 CUS general 80 

Figura 7  Diagrama de actividades CUS01 82 

Figura 8 Prototipo CUS01 registro de trabajador 83 

Figura 9  Diagrama de actividades CUS02 85 

Figura 10 Prototipo CUS02 85 

Figura 11  Diagrama de actividades CUS03 88 

Figura 12  Prototipo registrar cliente CUS03 88 

Figura 13  Diagrama de actividades CUS04 90 

Figura 14 Prototipo preferencias CUS04 91 

Figura 15 Diagrama de actividades CUS05 93 

Figura 16  Prototipo registro de likes CUS05 93 

Figura 17 Diagrama de actividades CUS06 95 



13 
 

Figura 18 Prototipo recomendaciones CUS06 96 

Figura 19  Diagrama de actividades CS07 97 

Figura 20  Prototipo recomendación CUS07 98 

Figura 21  Diagrama de actividades CUS08 99 

Figura 22 Prototipo registro de historial recomendación CUS08 100 

Figura 23  Diagrama de actividades CUS09 102 

Figura 24  Prototipo comentar articulo CUS09 103 

Figura 25 Diagrama de clases general 104 

Figura 26  DC Registrar cliente 105 

Figura 27  DC generar recomendación 106 

Figura 28 DC Registro de likes 106 

Figura 29  DC Registrar productos 107 

Figura 30  DC Registrar comentario 108 

Figura 31  Modelo físico de la base de datos del sistema 109 

Figura 32  Registro de comentarios 110 

Figura 33  Registro de likes 110 

Figura 34 Mostrar historial de recomendación 111 

Figura 35  Calcular distancia euclidiana 112 

Figura 36  Modulo registro preferencias para arranque frio de usuarios por primera vez 

112 



14 
 

Figura 37 Recomendación de productos 113 

Figura 38  Registro de productos 114 

Figura 39 Consulta primera vez usuario para evitar arranque frio 114 

Figura 40  Formulario arranque frio para usuarios por primera vez 115 

Figura 41 Recomendación de productos 115 

Figura 42  Registro de likes 116 

Figura 43  Registro de comentarios 117 

Figura 44  Registrar productos 118 

Figura 45  Historial comendaciones 118 

Figura 46  Listado de productos 119 

Figura 47  Base de datos 119 

Figura 48  Escenario real 127 

Figura 49 Escenario optimista 128 

Figura 50 Escenario pesimista 129 

Figura 51  Módulo de recomendación 134 

Figura 52 Registro de like 135 

Figura 53 Registro de comentarios 136 

Figura 54  Registro de productos 137 

Figura 55 Indicadores post implementación 138 

Figura 56  Historial de recomendación 148 



15 
 

Figura 57 Panel de control 149 

Figura 58  Modelo vista controlador 149 

Figura 59  Interface de usuario 150 

Figura 60 Perfil de usuario 150 

 

 



16 

 

 

Introducción 

 

Los sistemas de recomendación son sistemas de filtrado de información que permiten 

a los usuarios facilitar en la toma de decisiones. Estos sistemas nos permiten aliviar la 

sobrecarga de información con la que contamos hoy en día en toda la red del mundo. Más en 

concreto, los sistemas de recomendación realizan sugerencias a los usuarios sobre elementos 

que pueden ser de su interés, descartando aquellos que no lo son, así mismo en la presente 

investigación se realizó un sistema de recomendación de productos de línea blanca basado en 

el algoritmo k vecinos más cercanos que permitirá a la empresa a incrementar sus ventas 

mediante el uso de algoritmos de aprendizaje supervisado para generar recomendaciones 

personalizadas a los usuarios por medio del filtrado de información y realizando cálculos 

matemáticos en cada corrida o búsqueda de información en el sistema haciendo uso de la 

distancia euclidiana el cual permitirá generar nuevos procesos de ventas que ayuden a la 

empresa  tener un mejor control del entorno de mercado y  conocer los gustos y preferencias 

de los usuarios en línea, de esta manera generar más oferta y demanda ante la competencia y 

clientes. Por otra parte, el algoritmo en uso genera un bajo coste de mantenimiento y refleja 

un incremento en las ventas mejorando la experiencia del usuario y generando nuevos 

procesos de recomendación con gran eficiencia y permitiendo un mejor control entre las 

ofertas y promociones de los productos realizando análisis de datos centrados en el cliente y 

productos mediante reportes generados por el uso del sistema a medida que va generando 

recomendaciones. 

  



17 

 

Planteamiento metodológico 

Diagnóstico Estratégico 

Descripción de la Empresa  

La empresa en estudio con más de 65 años de servicio fue fundada en Ecuador en el 

año de 1949 por el Sr. Marcelo Jaramillo con el nombre de “Brandon Hat compañía S.A.” en 

la que se dedican al comercio en general y tenían como actividad principal la venta de 

sombreros de paja, para el año1964 la empresa se cambia de razón social teniendo como 

presidente Marcelo Jaramillo Crespo en la que se dedicaban a la venta de materiales de 

construcción, ya con el pasar del tiempo y pensando en la evolución de la empresa por seguir 

subsistiendo en el mercado y generar un mejor posicionamiento, la empresa toma un nuevo 

rubro en el año 1990 en la que decide dejar de ser una comercializadora y dedicarse a la venta 

de electrodomésticos de marcas exclusiva. 

El compromiso de la empresa es ofrecer a sus clientes productos de calidad, con 

garantía certificada, servicio de post venta y asistencia técnica por medio de su contact center, 

logrando posicionarse entre las 100 empresas más importantes en su país, en el año 2009 la 

empresa decide expandir sus horizontes fuera de sus fronteras lo que lo lleva a poner 7 puntos 

de ventas en el país vecino Perú, trayendo en ese entonces lo último en tecnología de 

electrodomésticos como son las lavadoras, refrigeradoras, congeladoras, cocinas y muchas 

más, generando de esta manera los procesos de ventas, servicio técnico, almacén, logística 

entre otros, y de esta manera mejorar su posicionamiento en el mercado, tanto de manera 

nacional como internacional asegurando una mejora continua en el posicionamiento 

internacional. 

  



18 

 

Visión y Misión 

Visión  

Mantener el posicionamiento del grupo en Ecuador y consolidar la de Perú, como 

condiciones para desarrollar un alcance Latinoamericano con negocios desde la manufactura 

hasta la venta al detalle de electrodomésticos. Ofreciendo propuestas de valor fundamentadas 

en la creación de marcas, la fidelización de los clientes y la disponibilidad de productos de 

alta calidad y diseño innovador. Consolidando en todos sus negocios ventajas competitivas 

sostenibles, estructuradas, apropiadas, valores competitivos y un fuerte desarrollo del talento 

humano. De esta forma incrementaremos sostenidamente el valor para sus clientes, empleados 

y accionistas.” 

Misión  

Ser una comercializadora de bienes y servicios, a precios competitivos con facilidad, 

garantía y calidad, satisfaciendo las necesidades del cliente, buscando el progreso de sus 

colaboradores y accionistas contribuyendo al bienestar de la sociedad 

Análisis FODA 

Tabla 1  

Análisis FODA 

FORTALEZAS DEBILIDADES  

Reconocida en el mercado. 

Cuenta con productos modernos. 

Cuenta con infraestructura 

propia. 

Estructura organizacional deficiente. 

Mala división en las tareas laborales. 

Atención al cliente deficiente. 

OPORTUNIDADES  AMENAZAS  



19 

 

Aplicar las estrategias de 

marketing. 

Continúa capacitación al 

personal. 

Aplicar continuos descuentos y 

ofertas a los clientes. 

Aplicar facilidades de pago en la 

adquisición de productos. 

Competencia dentro del entorno 

comercial. 

Precios elevados en los productos 

modernos. 

Poca acogida en el mercado 

internacional. 

Nota. Elaboración propia 

Tabla 2  

FODA estratégico 

FACTORES  FORTALEZAS  DEBILIDADES 

INTERNO/ 

             EXTERNO 

 

Reconocida en el 

mercado. 

Cuenta con productos 

modernos. 

Cuenta con infraestructura 

propia. 

.  

Estructura 

organizacional 

deficiente. 

Mala división en las 

tareas laborales. 

Atención al cliente 

deficiente. 

OPORTUNIDADES  ESTRATEGIAS FO ESTRATEGIAS DO 

 

Aplicar las estrategias 

de marketing. 

Continua capacitación 

al personal. 

 

Implementación de un 

sistema de 

recomendación. 

 

Capacitación en 

dirección a la mejora 

del servicio al cliente. 

 



20 

 

Aplicar continuos 

descuentos y ofertas a 

los clientes. 

Aplicar facilidades de 

pago en la adquisición 

de productos. 

Implementación de 

sistemas de sorteos 

semestrales. 

Mejora del marketing a 

través de la aplicación de 

herramientas tecnológicas.  

AMENAZAS  ESTRATEGIAS FA  ESTRATEGIAS DA 

 

Competencia dentro 

del entorno comercial. 

Precios elevados en 

los productos 

modernos. 

Poca acogida en el 

mercado 

internacional. 

 

 

Aplicación de una 

estructura organizacional 

más eficiente. 

 

 

Asignación de tareas 

laborales acorde al 

perfil laboral. 

 

Nota. Elaboración propia 

Organización de la Empresa 

El organismo funcional que constituye a la empresa está conformado por el gerente 

general que se encarga de planificar, organizar, dirigir, coordinar y contratar al personal 

adecuado, también está la secretaria, que se encarga de la gestión del tiempo del gerente para 

que este no deba preocuparse más que en tomar las mejores decisiones que beneficien el 

progreso de la empresa, aparte de ello se encuentra el departamento administrativo que es el 

encargado de programar, organizar y tener el control de los recursos humanos, materiales y 

financieros de la empresa, dentro de ello se encuentra el área de talento humano que se encarga 



21 

 

de  la administración del área de recursos humanos quien a su vez selecciona el personal, 

capacita, gestiona el desempeño, crea un mejor clima organizacional entre otros, el área de 

tesorería se encarga salvaguardar los recursos financieros de la empresa ayudando en la 

eficiencia y eficacia del control de gestión de la organización, el departamento de bodega se 

encarga de la recepción, almacenar y distribuir los productos para la venta, también es el 

encargado de la gestión de inventario tanto físico como en el sistema, otra de las áreas es el 

departamento comercial en la que se encuentra el área de ventas que es la encargada de 

transferir a los clientes el valor de los productos y servicios mediante un vendedor, el área de 

cobranzas que se encarga de elaborar los planes y estrategias de cobro de los productos 

mediante un cobrador que es el encargado de ayudar a recuperar el capital ocioso de la 

empresa que proviene de las ventas por crédito y finalmente el área de marketing que se 

encarga en aplicar las diferentes estrategias que llevan al cliente hasta el límite de poder 

realizar una compra, es ejecutada por un mercadólogo que es una persona especialista en 

mercadería o mercadotecnia, tal y como se detalla en la figura 1. 

Figura 1  

Estructura organizacional de la empresa  

 

Nota. Elaboración propia.  



22 

 

Planteamiento del problema 

La empresa se encuentra ubicada en el distrito de Nueva Cajamarca – Provincia de 

Rioja – Departamento San Martin, es una empresa que se dedica a la venta de 

electrodomésticos y equipos tecnológicos, la misma que está constituida por las siguientes 

áreas: (ventas, caja, almacén y gerencia), además de ello cuenta con una amplia variedad de 

electrodomésticos, las cuales se identifican por su tamaño, color y marca. 

La empresa lleva más de 10 años brindando servicio al consumidor, tiempo en el cual 

ha ganado la fidelidad de muchos clientes y un buen posicionamiento en el mercado, desde el 

inicio del año hasta la actualidad los trabajadores de la empresa han observado una 

disminución en las ventas, así como también una ligera pérdida de interés de los clientes por 

comprar productos en la tienda, cuando el cliente entra a la empresa es atendido por el 

personal que labora, los cuales ya han sido capacitados para poder mejorar la efectividad de 

venta al momento de interactuar con el cliente, basándose también en las estrategias de venta 

que tiene la empresa, lo cual muchas veces no es suficiente ya que en el momento de 

interactuar con el cliente  no es posible predecir sus deseos y mostrar los productos que a este 

le llaman la atención y poder realizar una venta efectiva, generando así  una presentación de 

productos indecisa que confunden al cliente y trayendo consigo la pérdida del interés por el 

producto que este vino a comprar, generando muchas veces que el cliente salga de la tienda 

sin poder realizar ninguna compra. 

Formulación del problema 

 La empresa se dedica a la venta de electrodomésticos, en su plan de marketing utiliza 

los 8 pasos del Marketing (definidas por John Kotter), para poder identificar y trabajar en los 

elementos esenciales de su estrategia de marketing. Desde hace unos meses los trabajadores 



23 

 

de la empresa han ido observando que las ventas por día están disminuyendo 

considerablemente, asimismo que la fidelidad de los clientes se está perdiendo y que estos 

están migrando a otras empresas, esto está generando pérdidas económicas e inestabilidad de 

la empresa, debido a que la estrategia de ventas no está funcionando de manera correcta y 

teniendo un mal manejo en la fase de presentación de sus productos. Bajo este esquema se 

plantea la siguiente pregunta. 

¿Cómo un sistema de recomendación basado en el algoritmo KNN incrementa las 

ventas en una empresa de productos de línea blanca? 

Objetivos 

Objetivo General 

Implementar un sistema de recomendación basado en el algoritmo KNN para el 

incremento de las ventas en una empresa de productos de línea blanca. 

Objetivos Específicos 
 

Diseñar un modelo de recomendación que analice los gustos y preferencias de los 

usuarios para ofrecer recomendaciones adaptadas a sus necesidades. 

Integrar el nuevo modelo en los sitios de ventas online y tiendas físicas de la empresa 

para asegurar la compatibilidad de datos reales en el proceso de compra de un cliente. 

Monitorear las ventas en el sistema analizando indicadores como la tasa de 

conversión, la cantidad de pedidos o ventas, y la satisfacción del cliente luego de la 

implementación del nuevo modelo. 

Realizar una mejora continua del modelo incluyendo la inserción de nuevas variables 

de entrada para mejorar la eficiencia en las recomendaciones. 



24 

 

Justificación e importancia del proyecto 

Justificación: Necesidad e importancia 

Esta investigación establece la aplicación especifica del algoritmo KNN para 

optimizar los proceso de venta en una empresa de electrodomésticos, este estudio se centra en 

un punto en particular (venta de electrodomésticos) y aborda como personalizar las 

recomendaciones según las preferencias de los clientes mejorando la experiencia  de compra 

e incrementando las ventas de la empresa, así mismo los beneficios que trae consigo son la 

personalización, optimización de ventas y eficiencia operativa que se encargan de mejorar la 

precisión de las recomendaciones para ofrecer a los clientes productos adaptadas a sus gustos 

y comportamiento mediante el uso de la IA en el proceso de ventas para hacer más eficiente 

la toma de decisiones, reduciendo el tiempo necesario para identificar las preferencias de los 

clientes, aumentando las ventas y teniendo como beneficiarios principales la empresa, los 

clientes y los empleados de ventas, por otro lado  se prevé cambiar la forma en que la empresa 

aborda las recomendaciones de productos a los clientes. En lugar de recomendaciones 

generales, se ofrecerán sugerencias basadas en los patrones de comportamiento de los usuarios 

lo que aumentará la relevancia de los productos mostrados, la utilidad de esta investigación 

radica en ofrecer una metodología basada en algoritmos matemáticos para personalizar los 

procesos de ventas, resolviendo problemas como la baja conversión de ventas, dificultad para 

identificar las preferencias de los clientes y mejorar la experiencia del usuario. Por lo que el 

problema de esta investigación es significativo ya que los consumidores esperan una 

experiencia personalizada y la empresa pueda adaptar sus ofertas a las necesidades 

individuales de los clientes y marcar la diferencia entre una venta exitosa y una oportunidad 

perdida, así mismo la investigación permite llenar un hueco en específico que es centrar la 



25 

 

aplicación práctica del algoritmo en un contexto especifico que es la venta de 

electrodomésticos, por otro lado los resultados podrían se generalizables a otros sectores de 

ventas de productos donde tengan una variedad amplia de tecnología y electrónica, esta 

investigación puede apoyar teorías sobre el comportamiento del consumidor y el uso de 

inteligencia artificial en el marketing. 

Análisis de la viabilidad de la investigación 

La viabilidad económica de la empresa se basa en el marketing generado para mejorar 

la demanda de sus productos.  

Le empresa tiene presupuestado para el área de marketing la cantidad de $3500 

mensual: 

Cálculo anual 

Calculo en soles: $ 1 = S/ 3.73 => ($3500*3.73) = S/ 13055.00 mensual 

=> S/ 13055*12 = S/ 156660.00 Inv. Anual. 

Inversión en implementación del sistema S/ 67000.00 

  



26 

 

Tabla 3  

Costos de implementación  

 

 

Descripción  Meses  Costo mensual Costo anual Total 

Consultoría Permitirá analizar, 

desarrollar e 

implementar el 

algoritmo en el 

sistema 

8 S/ 3500.00   

S/ 28000.00 

Almacenamient

o en la nube 

Permitirá minimizar 

la implementación 

con recursos 

tecnológicos tangibles  

24 S/ 150.00 S/ 1800.00  S/ 3600.00 

Dominio Para el uso del 

sistema en internet  

24  S/ 200.00 S/ 400.00 

Soporte post 

implementación 

Permitirá generar 

soluciones a medida 

del uso del sistema  

12 S/ 3000.00 S/ 30000.00 S/ 30000.00 

Capacitación Permitirá actualizar 

los conocimientos del 

personal para el 

manejo del sistema  

2 S/ 2500.00  S/ 5000.00 

Total S/ 67000.00 

 Nota. Elaboración propia 



27 

 

Tabla 4  

Viabilidad económica  

Nota. Realizada la tabla de la viabilidad económicas se concluye que la implementación del sistema es viable y que en el mes seis se 

logra recuperar la inversión realizada por la empresa en marketing y generando mayores ganancias con una proyección de ventas 

mensuales.

 Mes 1 Mes 2 Mes 3 Mes 4 Mes 5 Mes 6 Mes 7 Mes 8 Mes 9 Mes 10 Mes 11 Mes 12 

Gasto 67000.00 53945.00 40890.00 27835.00 14780.00 1725.00 0 0 0 0 0 0 

Inv. 

Mensual 

13055.00 13055.00 13055.00 13055.00 13055.00 13055.00 13055.00 13055.00 13055.00 13055.00 13055.00 13055.00 

Total  -53945.00 -40890.00 -27835.00 -14780.00 -1725.00 11330.00 24385.00 37440.00 50495.00 63550.00 76605.00 89660.00 



28 

 

Límites y Alcances 

Límites 

A continuación, se mencionan las limitantes presentadas en el desarrollo de la información 

Fuentes confiables en referencia al algoritmo en estudio. 

Servicios de internet de bajo ancho de banda y constantes caídas del servicio por 

afectaciones de tormentas eléctricas. 

Fala de documentación del mecanismo en estudios asociado al rubro de la empresa que se 

está analizando. 

Alcances  

Desarrollo del algoritmo de recomendación. 

Parametrización de búsquedas en relación con las preferencias del cliente.  

Pruebas unitarias de búsqueda de productos. 

Integración con los sistemas de ventas online y físico. 

Prueba de estrés del nuevo modelo con data real y actualizada. 

Implementación en ambientes productivos. 

Protección y transparencia de datos. 

Propuesta 

Se propone realizar un sistema de recomendación para la empresa el cual estará encargada 

de realizar recomendaciones de artículos a los usuarios mediante la aplicación de métodos, técnicas 

y algoritmos de recomendación que ayudarán en el análisis y clasificación de datos de los gustos 



29 

 

y preferencias de los usuarios basándose en el historial del usuario, valoraciones de artículos 

mediante ítems, artículos más vendidos y productos que tengas similitud, de esta manera predecir 

los deseos de los clientes y poder generar una venta efectiva y aumentar las ganancias de la 

empresa. 

Organización del Informe 

El informe está organizado de la siguiente forma; el capítulo 1 trata sobre los aspectos 

relevantes del caso de estudio y la parte metodológica de la investigación, el capítulo 2 aborda el 

marco teórico y antecedentes del caso de estudio, seguido del capítulo 3 donde se muestran los 

algoritmos de desarrollo de la solución, también se tiene el capítulo 4 donde se desarrolla la 

propuesta de la solución en función al caso de estudio y en el capítulo 5 se detalla la 

implementación, caso de usos del sistema y prototipado conseguido del capítulo 6 donde se 

detallan los aspectos económicos-financieros para en el capítulo 7 realizar el análisis de costo-

beneficio seguido del capítulo 8 donde se determina la viabilidad del proyecto en base a los datos 

obtenidos en el capítulo anterior, así mismo en el capítulo 9 se detallan las conclusiones y 

recomendaciones y finalmente de detallan los apéndices y anexos.  



30 

 

Marco teórico 

Antecedentes de la investigación 

Los sistemas de recomendación juegan un papel muy importante en la toma de decisiones 

de compra, la mayoría de estos sistemas consideran el historial, las valoraciones y los productos 

más populares para poder predecir el producto que más se asemeje a los gustos y preferencia de 

los clientes y de esta manera poder recomendar y poder realizar una venta efectiva Karthik & 

Ganapathy, (2021), con el pasar del tiempo las redes sociales han facilitado el rápido incremento 

de los sistemas de recomendación, ya que estos se utilizan como una herramienta de filtrado de 

datos, ayudando de esta manera  a generar recomendaciones más personalizadas y con más 

probabilidad de poder ser preferido por los usuarios (Ojagh et al., 2020). 

Debido a la gran cantidad de datos que se encuentran a diario en la red, los sistemas de 

recomendación se han posicionado como potentes herramientas de filtrado de información que 

ayudan a estructurar y clasificar datos mejorando el incremento de las ventas en las organización 

y permitiendo incrementar la precisión al momento de generar recomendaciones en base a 

preferencias de los usuarios que se encuentran en constante cambio e influyendo en la toma de 

decisiones , (Guevara Albán et al., 2018).  

Según Nassar et al., (2020), los sistemas de recomendación de productos han existido en  

todas partes y en su mayoría utilizan calificaciones únicas, sin embargo se ha demostrado que las 

predicciones multi criterio son más precisas, por lo que el autor propone un sistema de 

recomendación de productos con la técnica de  filtrado colaborativo multicriterio basado en 

aprendizaje profundo, en la que se utilizó una red neuronal para predecir los criterios múltiples de 

un usuario para un producto, para ello también se hace uso de la técnica de filtrado colaborativo 

con la finalidad de que el modelo solucione los problemas de arranque frio, según resultado de la 



31 

 

investigación el modelo propuesto en el sistema de recomendación es al menos 5% más efectivo 

que los demás y supera en un 7% a los demás modelos basados en MAP (Modelo de aprendizaje 

profundo). 

Así mismo en el año 2007 el autor  Cao & Li, (2007), propone un sistema de recomendación 

basado en fuzzy inteligente para productos electrónicos de consumo, utilizando la técnica de 

minería de datos y lógica difusa, el sistema se compone de cuatro módulos, por lo que en el primero 

identifica las necesidades de los clientes, en el segundo módulo se analiza las características de los 

productos, el tercero se basa en los requisitos de las características ideales y por último, el cuarto 

es el módulo de las recomendaciones , así mismo debe incluir 5 pasos, el primero es establecer los 

algoritmos para clasificar las necesidades del cliente por su importancia, el segundo, Establecer 

las reglas difusas entre las necesidades del cliente y características del producto, el tercero, 

establecer los algoritmos para evaluar el requisito de cada característica del producto de acuerdo 

con las necesidades del cliente y las reglas de inferencia difusa, el cuarto, es establecer los 

algoritmos para evaluar las alternativas y usar distancia geométrica difusa y sintético difuso de 

distancia métodos para buscar la óptima combinación y por último, investigar las necesidades del 

cliente y el posible producto alternativas, obteniendo de esta manera resultados muy eficientes con 

el sistema. 

 La gran cantidad de información en internet crea dilema para encontrar productos 

preferidos en los mercados digitales, por lo que el autor Bag et al., (2019), propone el desarrollo 

de un sistema de recomendación para venta de productos online, utilizando la técnica de filtrado 

colaborativo y el algoritmos k-vecinos, por lo que para abordar el problema de arranque frio de 

filtrado colaborativo se introdujo una medida de similitud heurística que se calcula mediante tres 

factores de similitud (proximidad, impacto y popularidad) y la técnica de vecinos más cercanos 



32 

 

significativos(SNN), asegurando así la eficiencia del sistema, como resultados de la técnica 

introducida (SNN) junto al algoritmos k-vecinos funciona mucho mejor cuando se considera cinco 

vecinos más cercanos aumentando la eficiencia de predicción del sistema. 

 Nassar et al., (2020), propone un  sistema de recomendación multicriterio basado en 

factorización matricial y técnicas de agrupamiento para mejorar la precisión de los sistemas de 

recomendación de productos en el comercio electrónico basándose en la evaluación de los 

productos por parte de los usuarios, para ello el modelo propuesto en este sistema de 

recomendación consta de dos etapas offline y online, para ello la primera etapa (offline) entrena el 

modelo y obtiene los parámetros del modelo y la segunda etapa (online) reduce las calificaciones 

del usuario para los productos objetivo y luego recomienda productos que satisfagan las 

necesidades del usuario, obteniendo así resultados donde muestran que el sistema con técnicas 

propuestas tienen un mejor rendimiento tanto como para los usuarios activos como para los 

usuarios de inicio en frio, en comparación a otros algoritmos de recomendación social y 

calificación única .   

 Según el autor Lin et al., (2011), la información de contenido de productos en los sistemas 

de recomendación puede tener dos orígenes, la primera es que están estructurados en árbol y la 

segunda es de forma libre, por lo que propones un modelo híbrido de recomendación de comercio 

electrónico que incorpora taxonomía y folksonomía de productos para mejorar las 

recomendaciones, primero desarrolla un algoritmo de coincidencia de árboles para establecer la 

coincidencia entre elementos, luego propone un modelo de paseo aleatorio que está diseñado para 

ser efectivo e identificar los nodos de elementos más cercanos para un usuario en particular, de 

esta manera el TFhybrid propuesto logra el mejor rendimiento de clasificación para casi todos los 

grupos de datos, para otros modelos, el filtrado colaborativo CF puro tiene una alta precisión 



33 

 

cuando las calificaciones, por lo que se llega a concluir que el modelo híbrido propuesto puede 

mejorar el rendimiento de las recomendaciones en términos de cobertura y precisión de las 

recomendaciones 

Por otro lado Valecillos et al.,(2019) desarrolló un sistema de recomendaciones para un 

sitio de Comercio Electrónico, utilizo la técnica de filtrado colaborativo con el objetivo de agrupar 

usuarios con intereses y preferencias similares, así mismo utilizo como lenguaje de programación  

“Python y como base de datos de recolección de datos utilizo ”MongoDB”, así mismo se utilizó 

“MySQL” como base de datos de desarrollo, en las bibliotecas utilizadas se encontró a “Padas” 

librería que permite la manipulación y análisis de datos con mayor magnitud, otra librería que se 

utilizo es “Numpy” se encarga de agregar soporte a vectores y matrices como conjunto de 

algoritmos matemáticos que interactúan entre sí, del mismo modo se utilizó “Scikit-Learn” como 

librería de aprendizaje automático de minería de datos. 

Según Wang, (2024), quien investiga cómo se puede aplicar KNN a las plataformas de 

comercio electrónico para mejorar las recomendaciones de electrodomésticos, con el objetivo de 

aumentar las ventas y la satisfacción del cliente, implementa una función gaussiana para poder 

mejorar la precisión del algoritmo al momento de analizar una gran cantidad de datos manteniendo 

una efectividad de un 95% y generando recomendaciones más precisas acorde a las preferencias 

del cliente. Silvia et al.,(2022)  implemento un sistema de recomendación contextual, en su 

elaboración utilizaron la técnica de filtrado colaborativo junto a una metodología  iterativa CRIS-

DM, que se encarga de enriquecer el ciclo de vida de un proyecto de análisis de datos, este modelo 

proporciona 6 faces, la primera fase consta de la comprensión del negocio, seguido de comprensión 

de datos, análisis de los datos, modelamiento de la información, evaluación y despliegue, estas 

fases se desarrollan en un espacio de tiempo determinado.  



34 

 

El filtrado colaborativo es unos de los métodos más usados para solucionar el problema de 

arranque frio y escasez de datos en los sistemas de recomendación de artículos que usan el  

algoritmo KNN, el objetivo es reconocer las preferencias de un usuario teniendo en cuenta las 

calificaciones otorgadas a los productos mediante una matriz de similitud de usuarios y una matriz 

de predicción que utiliza enfoques de filtrado colaborativo basados en memoria disminuyendo el 

margen de error al generar recomendaciones y solucionando los problema de arranque frio y 

realizando recomendaciones más precisas (Anwar et al., 2022). 

Yuk Carrie Lin, (2024) propone un programa mixto lineal para la selección simultanea de 

variables y la determinación de tamaño de muestra de las “k” preferencias más cercanas al 

momento de generar recomendaciones ayudando a mejorar las decisiones del algoritmo KNN 

cundo dos distancias euclidianas son iguales, comparando la relevancia de los productos a 

recomendar y optando por la elección del producto con mayor tendencia facilitando la resolución 

de problemas de clasificaron de datos al momento de generar recomendaciones mejorando la 

precisión y efectividad.  

Los sistemas de recomendación a menudo sobrecargan de información a los clientes al 

momento de generar “k” recomendaciones y mostrando productos que presentan baja relevancia 

para el usuario, es por ello que se plantea un método de clasificación del algoritmo k vecinos más 

cercanos con minería de datos automática para ser utilizado en línea con la finalidad de identificar 

el flujo de información de los clics del usuarios al navegar por el sistema obteniendo como 

resultados un algoritmo de recomendación coherente, directo y con una alta tendencia al momento 

de recomendar (Adeniyi et al., 2016). 

Patro et al., (2020) para abordar la toma de decisiones del usuario al momento de generar 

recomendaciones de un productos para mantener al cliente activo o mostrar el producto adecuado 



35 

 

propone una recomendación con el algoritmo K-Nearest Neighbour (KNN) relacionado con la 

acción hibrida (HAR-KNN) que permite evaluar eficientemente las preferencias de un cliente 

sobre los productos deseados y mantener un análisis equilibrado entre las características de un 

producto y los deceso del usuario generando una alte precisión en las recomendaciones y 

disminuyendo el margen de error. 

Los sistemas de recomendación pueden influir en el comportamiento de compra del cliente 

con el pasar del tiempo debido a que los métodos tradicionales de filtrado colaborativo realizan 

recomendaciones basados en el comportamiento de compra de un cliente donde los criterios de 

preferencias sean similares a otro usuarios , por lo que no estos no consideran que los gustos y 

preferencias de un usuario puede ser diferente con el pasar del tiempo  generando que los sistemas 

recomendaciones sean inexactas, por ello se propone utilizar un método de recomendación hibrido 

basado en reglas secuenciales en segmentación con el algoritmo  KNN-CF, que permite agrupar 

usuarios con valores similares (D. R. Liu et al., 2009) . 

Karthik & Ganapathy, (2021) proponen un sistema de recomendación basado en lógica 

difusa, que consta de 7 módulos principales tales como interfaz de usuario, administrador de 

decisiones, sistema de recomendación difusa, base de datos ontológica, base de reglas base reglas 

y administrador de reglas difusas, además también consta  de tres submódulos principales tales 

como el procesamiento de datos, cálculo de puntuación de sentimiento y clasificador basado en 

reglas difusas para mejorar la efectividad del sistema.  

Una de los principales competencias entre oferta y demanda en el mundo de la tecnología 

de la información ha llevado a empresas a mejorar la calidad de sus servicios mediante sistemas 

que permitan analizar productos que gusten a los clientes y que se vendan con mucha frecuencia 

aplicando el método del algoritmo “K-Nearest Neeighbor” o más conocido como “KNN” ayudado 



36 

 

a identificar los productos más vendidos y que le gusten al consumidor y de esta manera generar 

grandes ganancias en las organizaciones y ofrecer al usuario productos que se adaten a sus 

necesidades mediante recomendaciones precisas (Danny et al., 2024). 

Aunque existen muchos sistemas de recomendación que ayudan al cliente en la selección 

de sus artículos de interés aún existe el problema de la personalización, por lo que es necesario 

usar métodos o modelos predictivos para generar mayor eficiencia en la recomendaciones, por ello 

para abordar problemas de arranque frio, escalabilidad y dispersión se desarrolla un modelo de 

predicción basados en ontologías diferentes que permite generar recomendaciones personalizadas 

a todo tipo de usuario, incluidos mediante algoritmos de minería de datos mediante una nueva 

variante del algoritmo KNN, mejorando el rendimiento y precisión (Subramaniyaswamy & 

Logesh, 2017).  

Los usuarios desempeñan un gran papel al momento de realizar compras online debido a 

que estos también se basan en las opiniones de otros clientes sobre un producto al momento de 

generar una compra, por ello se implementa una técnica de preprocesamiento con datos no 

estructurados para optimizar el algoritmo K vecinos más cercanos al momento de recoger 

opiniones que los clientes hacen a los productos  obteniendo como resultado una mejor precisión 

en las recomendaciones en comparación a otros modelos existentes, mientras mejor sea la 

clasificación mejor será la recomendación (Sasikala, 2020). 

La sobrecarga de información en los mercado online ha creado un dilema al momento de 

encontrar productos preferidos por lo que las empresas se encuentran con un gran reto al momento 

de desarrollar un sistema de recomendación, por ello Bag et al.,(2019) propone desarrollar un 

sistema de recomendación con el algoritmo K-nearest neighbors (KNN) para generar 

recomendaciones de productos en base a criterios de los usuarios, así mismo integra un algoritmo 



37 

 

que tienen en cuenta la metra de peso de las variables para seleccionar solo los vecinos más cercano 

(KNN) y reducir recomendaciones personalizadas con bajo coste computacional. 

En conclusión, los sistemas de recomendación ayudan a mejorar la efectividad de ventas 

de las empresas y facilitan la toma de decisiones en lo usuario o clientes, gracias a las diferentes 

técnicas , métodos u algoritmos que se desarrollan e implementan en los sistemas de 

recomendación ayudando a facilitar la tarea de análisis y transformación de datos en 

recomendaciones que estén acorde a los gustos y preferencias de los usuarios, además de esto, los 

sistemas de recomendación se encargan de estructurar la información en proceso lineales que 

mejoran el rendimiento de las organizaciones ayudando a ofrecer un mejor servicio a los usuarios 

y de esta manera maximizando el valor de la empresa e incrementando sus ventas y ganancias.  

Bases teóricas 

Historia/evolución 

Los sistemas de recomendación desde mediados de los años 90 y se han convertido en una 

rama muy importante de la investigación, con el fin de mejorar la relación entre el cliente y la 

empresa y de esta manera ayudar en la toma de decisiones basándose en las recomendaciones de 

otros usuarios (Silvia et al., 2022). 

Estos sistemas tuvieron su primera aparición en Trapestry, un proyecto de Xerox PARC, 

quienes implementaron el primer sistema de recomendación y que dieron origen al 

término ”Filtrado Colaborativo” debido a que el filtrado de información que se generaba en este 

sistema se daba mediante colaboración entre personas, al ser el primer proyecto que generaba 

recomendaciones paso por muchos problemas debido a que el análisis de datos que este generaba 

era con datos pequeños, al principio “Filtrado Colaborativo” fue el nombre que se adoptó para todo 



38 

 

sistema de recomendación, pero luego sus creadores terminaron llamándolo “Sistema de 

Recomendación” ya que  no todos los sistemas necesitaban utilizar la técnica de Filtrado 

Colaborativo (José & Torres, 2007).  

Choi & Cho (2004), propone un algoritmo de recomendación de productos similares 

basado en el rango de utilidad para empresas colaboradoras, para ello se utilizó un análisis de 

decisión multi criterio y un algoritmo de k clases que recomiende teniendo en cuenta las mismas 

especificaciones del producto y la misma ponderación, concluyendo que el algoritmo propuesto es 

eficiente en cuanto a recomendaciones de productos similares basados en la taxonomía de otras 

empresas. 

Choi et al., (2006), propone un sistema de recomendación personalizado basado en valores 

de especificación de producto que combina un algoritmo de base de rango de utilidad junto con el 

método de recomendación de medida de distancia euclidiana como método de comparación y un 

módulo LP, esto permitirá al sistema a pasar por el proceso de maximización y minimización a 

través del módulo LP para calcular el rango de valor de utilidad que se utiliza para medir similitud 

del producto, teniendo como resultado que el algoritmo propuesto y la técnica mencionada son 

más altos en precisión a diferencia de los algoritmos normales. 

Cao & Li, (2007), propone un sistema de recomendación basado en fuzzy inteligente para 

productos electrónicos de consumo, utilizando la técnica de minería de datos y lógica difusa, el 

sistema se compone de cuatro módulos, obteniendo resultados de mayor precisión al momento de 

recomendar y solucionando el problema de arranque frío. 

Albadvi & Shahbazi, (2009), propuso también una técnica de recomendación híbrida 

basada en atributos de categoría de producto, mediante el empleo de taxonomía de productos, 



39 

 

atributos de categorías de productos, minería de uso web y combinación de dos métodos de 

filtrado, colaborativo y filtrado basado en contenido, obteniendo resultados de eficiencia de mejor 

calidad. 

D. Liu & Liou, (2011), propone un sistema de recomendación de productos de comercio 

móvil basadas en múltiples canales híbridos, mediante el uso del algoritmo k-means y un método 

de filtrado colaborativo basado en el algoritmo KNN donde resultados muestran que el modelo de 

recomendación propuesto logra superar a los demás modelos de recomendación propuestos. 

Lai et al., (2018), propone un método de recomendación social basado en la integración de 

la relación social y la popularidad del producto, utilizando un método de filtrado colaborativo 

mejorado que combina interacción social, relación de confianza y popularidad del producto, 

teniendo el mejor rendimiento y la mejor precisión de predicción el momento de generar 

recomendaciones. 

Marchand & Marx, (2020), proponen un sistema de recomendación de productos 

automatizadas con explicaciones basadas en preferencias, utilizando el método de filtrado 

colaborativo que utiliza una combinación de filtrado basado en contenido y colaborativo, 

obteniendo con el sistema una mayor predicción y velocidad de respuesta al momento de generar 

recomendaciones. 

Kumar Sharma et al., (2021), proponen un sistema de recomendación de productos 

utilizando la técnica NLP, para poder mejorar las predicciones de los sistemas al recomendar 

productos similares, en la que se utilizó la técnica de procesamiento de lenguaje natural NLP y una 

red neuronal convolucional que utiliza aprendizaje profundo, generando con el sistema 

recomendaciones más precisas en cuanto a productos similares. 



40 

 

En la actualidad la gran preocupación de las empresas por descubrir a sus clientes 

potenciales ha conllevado a construir modelos de predicción de clics en anuncios usando 

aprendizaje automático para predecir de manera afectiva la probabilidad de que un cliente realice 

un clic, así mismo se implementa un modelo de regresión logística (LR) para los resultados de 

probabilidad y el clasificador de K vecinos más cercanos (KNN), de esta manera determinara con 

mejor precisión a clientes puntuales y generar un grupo de recomendaciones personalizadas 

mediante el análisis de la recepción de clics y determinar los clientes más potenciales que generan 

mayores ingresos en ventas a la empresa (Dani & Ginting, 2023).



41 

 

Figura 2   

Línea de tiempo de historia de métodos, técnicas, algoritmos y sistema de recomendación 

 

 

 

 

 

 

[1990] Aparición de 
los sistemas de 
recomendación con la 
técnica de FC (Silvia 
et al., 2022).  

 
  

[2004] Algoritmo de 
recomendación de productos 
similares basado en el rango 
de utilidad (Choi & Cho, 
2004). 

 
  

[2006] sistema de 
recomendación personalizado 
basado en valores de 
especificación de producto 
(Choi et al., 2006). 

 
  

[2007] Sistema de 
recomendación basado en 
fuzzy inteligente para 
productos electrónicos de 
consumo (Cao & Li, 2007) 

 

[2009] Técnica de 
recomendación híbrida 
basada en atributos de 
categoría del producto 
(Albadvi & Shahbazi, 
2009) 

 

[2011] Sistema de 
recomendación de productos 
de comercio móvil basadas 
en múltiples canales 
híbridos(Liu & Liou, 2011)  

 

[2018] método de 
recomendación social 
basado en la integración de 
la relación social y la 
popularidad del producto 
(Lai et al., 2018)   

 

  

[2020] sistema de 
recomendación de 
productos automatizadas 
con explicaciones basadas 
en preferencias (Marchand 
& Marx, 2020).  

 

[2021] Sistema de 
recomendación de 
productos utilizando la 
técnica NLP (Kumar 
Sharma et al., 2021). 

 

[2023] Sistema de 
recomendación de 
productos basado en clicks 
y algoritmo Knn (Dani & 
Ginting, 2023) . 

Nota. Elaboración propia.  



42 

 

Conceptos básicos  

Para abordar el concepto de Sistema de recomendación, se realizó una revisión textual de 

varias investigaciones en las que mencionaba el tema en estudio, como se muestra a continuación: 

Tabla 5  

Conceptos básicos de Sistemas de Recomendación  

N° Autor Sistema de recomendación 

1 (Afoudi et 

al., 2021) 

Los sistemas de recomendación son herramientas que filtran y ayudan a 

los usuarios en la presentación de elementos en función a sus gustos, 

preferencias y comportamiento. 

2 (Nassar et 

al., 2020) 

Los sistemas de recomendación existen en todas partes y en su mayoría 

utilizan las calificaciones de los productos para poder generar 

recomendaciones. 

3 (Karthik & 

Ganapathy, 

2021) 

Los sistemas de recomendación en el comercio electrónico en su mayoría 

consideran las reseñas, historial de compras y calificación del producto 

para recomendar productos.  

4 (H. Wang et 

al., 2020) 

Los sistemas de recomendación se han convertido en un campo de 

investigación muy importante dentro de la informática mediante el 

desarrollo de tecnología de aprendizaje profundo y estructuras gráficas. 

5 (Yadav et al., 

2018) 

Los sistemas de recomendación han probado ser importantes ante la 

sobrecarga de información que existe en el mundo, ayudando a los 

usuarios a los usuarios a través de recomendaciones de calidad. 

6 (Seo et al., 

2021) 

La ventaja más importante del sistema de recomendación es el bajo costo 

computacional que este genera, debido a que primero hace un análisis de 

las preferencias de muchos usuarios para luego integrarlos y de esta 

manera generar recomendaciones más precisas. 



43 

 

7 (Zhang et al., 

2020) 

Los sistemas de recomendación ayudan al usuario a encontrar la 

información que se ajuste a sus necesidades en un espacio muy 

sobrecargado de información.  

8 (Mlika & 

Karoui, 

2020) 

Un sistema de recomendación genera a los usuarios una lista artículos 

que les pueden gustar y así pueda generar una venta efectiva. 

9 (Bag et al., 

2019) 

Los sistemas de recomendación ayudan a las organizaciones con el 

desafío de crear una mejor cartera de productos para recomendar de 

manera eficiente. 

10 (Yassine et 

al., 2021) 

Los sistemas de recomendación tienen como objetivo predecir lo 

intereses de los clientes y recomendar productos que se adapten a sus 

gustos y preferencias. 

Nota. Elaboración propia 

En base a lo antes investigado sobre el concepto que muchos autores tienen sobre sistema 

de recomendación y detallados en la “Tabla 2” se concluye que los sistemas de recomendación son 

herramientas de filtrado de información que ayudan a las organizaciones con el incremento de 

datos en internet y mejora la relación entre los clientes la empresa ayudando a los usuarios a 

mejorar su experiencia de compras online y generando recomendaciones personalizadas mediante 

algoritmos  inteligentes que se adapten a los gustos y preferencias de los clientes/usuarios y de esta 

incrementar la calidad de servicio de las empresas y generar mayor ingreso económico. 

Clasificación  

En la actualidad existen diversos sistemas de recomendación que ayudan a mejorar las 

ventas de las empresas mediante técnicas de recuperación de información para poder descubrir los 

intereses de los usuarios, para ello (Huamán Acuña, 2019) propone diferentes clases de sistemas 

de recomendación, como se detalla a continuación: 



44 

 

El sistema de recomendación basado en contenido es aquel que utiliza el historial de los 

usuarios ya sea (marca, color, precio y calificaciones) para poder predecir qué producto puede ser 

interesante tanto para el usuario como para la empresa y a raíz de ello mostrar sugerencias similares 

a los intereses del cliente (Afoudi et al., 2021). 

El sistema de recomendación basado en filtrado colaborativo es uno de los sistemas más 

utilizados hoy en día ya que su mecanismo de recomendación se basa en filtrar únicamente los 

gustos y preferencias de los usuarios, también se encarga de evaluar las calificaciones de los 

productos y predecir que estos podrían gustar al cliente y los recomienda (Tewari, 2020). 

Los sistemas híbridos filtran la información en función de los niveles de interés de los 

clientes por los productos, haciendo uso de los datos de interés de los usuarios y reduciendo la 

dispersión de datos para poder generar recomendaciones más precisas (Duran Dorado & Arciniega 

Herrera, 2013).  

Los sistemas de este tipo tienen se centran en categorizar a los usuarios en función de sus 

atributos personales y a partir de ello realizar recomendaciones demográficas (Burke, 2002). 

Los sistemas basados en conocimiento son aquellos sistemas que se desarrollan para 

realizar una tarea específica sobre un determinado dominio en la que permite separar el 

conocimiento del dominio de los mecanismos de razonamiento lógico (Karina Santiago, 2013) 

Tecnología asociada  

En tecnologías asociadas para el desarrollo de un sistema de recomendación, se hizo uso 

de librerías del lenguaje de programación Python, las cuales proveen herramientas facilitadoras en 

el proceso de desarrollo que ayudan en el análisis de datos y sus aplicaciones en el campo de las 

ciencias de la computación (Vereau Elizabeth, 2018). 



45 

 

Machine Learning, esta técnica dentro de los sistemas de recomendación ayuda en el 

entrenamiento de modelos algorítmicos mediante la creación de conjuntos de datos, con la 

finalidad de indicar al sistema el reconocimiento de patrones dentro de datos masivos y realizar 

predicciones de manera autónoma (Ullal et al., 2021). 

Según Roy et al., (2019) Django ayuda a que el desarrollo del sistema sea más rápido y 

fácil, debido a las librerías que este lenguaje de desarrollo aporta ya que su marco de desarrollo ha 

sido escrito en Python, esta tecnología para el fácil desarrollo se centra en el modelo MVC 

(modelo-vista-controlador). 

Xampp es un paquete de software libre que permite la administración de base de datos 

como MySQL y MariaDB, así mismo también los lenguajes de programación PHP y Perl. 

Visual code, editor de código desarrollado por Microsoft que proporciona herramientas 

para el desarrollo y compilación de código de programadores y está disponible en Windows, 

macOS y Linux. 

Infraestructura en la nube, diseñado para almacenar y proporcionar acceso a datos mediante 

conexión de red en la nube, permitiendo minimizar el coste en recursos tecnológicos a empresas y 

maximizando su valor en el mercado, facilitando el acceso a los sistemas de la empresa y el flujo 

de información.  

Aspecto legal 

La norma que regula este tipo de sistemas es la ISO 27001, que son una combinación de 

políticas y procesos para que sean utilizadas por las empresas de cualquier tamaño, se basa en la 

seguridad de la información de manera sistemática, además permite a las organizaciones mantener 



46 

 

la seguridad de la información de los clientes de manera que los cliente e sientan seguros con la 

confidencialidad, integridad y disponibilidad de sus datos (ISOTols, 2003). 

Otra ley que vela por la seguridad de los datos personales es la Ley N°2973, en la que tiene 

como objetivo garantizar el derecho fundamental a la protección de datos personales, bajo un 

régimen de artículos suscritos en la constitución política del Perú (Congreso de la República, 2011) 

La norma ISO/IEC 9126 de 1991, es la norma para evaluar los productos de software, esta 

norma nos indica las características de la calidad y los lineamientos para su uso, las características 

de calidad y sus métricas asociadas, pueden ser útiles tanto como para evaluar el producto como 

para definir los requerimientos de la calidad y otros usos. Esta norma definida por un marco 

conceptual basado en los factores tales como Calidad del Proceso, Calidad del Producto del 

Software y Calidad en Uso; según el marco conceptual, la calidad del producto, a su vez, 

contribuye a mejorar la calidad en uso 

El código de protección y defensa del consumidor Ley N° 29571, establece las normas de 

protección y defensa de los consumidores para que estos puedan acceder a productos y servicios 

de calidad, ayudando a prevenir o eliminar las conductas y prácticas que afecten sus intereses a 

través del comercio electrónico (Blume-Fortini et al., 2011) 

Definición de términos básicos 
 

Sistema de recomendación de electrodomésticos: Son sistemas inteligentes que están 

compuestos de métodos técnicas u algoritmos para poder generar recomendaciones a raíz de 

algoritmos inteligentes que analizan la información y a partir de ello predecir los gustos y 

preferencias de los usuarios.  



47 

 

Técnicas de recomendación de electrodomésticos: Las técnicas de recomendación son 

aquellas que aplican la inteligencia artificial para poder predecir los gustos de los usuarios con 

respecto a un producto y poder recomendar elementos que sean de su interés. 

Métodos de recomendación de electrodomésticos: Los métodos de recomendación nacen a 

partir de las necesidades en las que está siendo implementado un sistema para poder solucionar los 

problemas por los cuales está siendo implementado y a partir de ello mejorar la eficiencia de los 

sistemas. 

Algoritmos de recomendación de electrodomésticos: Los algoritmos de recomendación son 

los componentes de un sistema de recomendación que a partir de modelos matemáticos intentan 

predecir y recomendar productos a los usuarios. 

 

 

 

 

 
  



48 

 

Diseño de la solución 
 

Figura 3  

Cuadro pictográfico Sistema de recomendación de productos de línea blanca

 

Nota. Elaboración propia.  
En el cuadro pictográfico mostrado en la figura 3, se muestra a grandes rasgos el 

funcionamiento del sistema de recomendación, el cual inicia con la búsqueda de la necesidad de 

un producto por parte de un usuario,  así mismo se recibe y procesa la información para luego ser 

analizada por un módulo de recomendación, el cual está encargado de generar recomendaciones a 

partir de los datos obtenidos de los usuarios para predecir productos que estén acorde  a los gustos 

y preferencias de los usuarios y de esta manera poder recomendar productos de interés a los 

usuarios y poder aumentar las ventas de la empresa.| 



49 

 

Figura 4  

Diseño de la solución Sistema de recomendación de productos 

 

En la figura 4, se propone un prototipo del funcionamiento del sistema de recomendación, 

el cual inicia con el usuario iniciando sesión, seguido de la verificación de sus datos mediante una 

interacción con la base de datos del sistema y si todo es conforme el usuario entra al módulo de 

interface de usuario donde se le mostrara todos los productos, ofertas o servicios que ofrece la 

empresa, por consiguiente se encuentra el módulo de productos y está encargado de guardar la 

información de cada producto (precio, categoría, color, tamaño, peso, etc.) para ser administrados 

por el módulo de recomendación, en este módulo se almacena los algoritmos de recomendación, 

la información de los productos e información del usuario, en este módulo se realiza el análisis de 

datos mediante la interacción de algoritmos matemáticos que se encargan de recoger la 

información del usuario en relaciona los productos que este valora mediante ítems. 

Nota. Elaboración propia.  



50 

 

Métodos / modelos / algoritmos de desarrollo de la solución 

Algoritmo KNN (K vecinos más cercano)  

El algoritmo KNN aplica la distancia euclidiana o la similitud del coseno entre los clústeres 

de entrenamiento y los de prueba, este algoritmo utiliza los vecinos más cercanos donde “K” esta 

diferenciado por la cantidad de vecinos que este tiene, para ello en primer lugar se calcula la 

distancia entre los puntos llamado “Distancia Euclidiana” (Adeniyi et al., 2016). 

Paso 1: Calcular la distancia euclidiana  

Expresión matemática de manera natural 𝑑𝑖𝑠𝑡 (𝑥𝑖,𝑥𝑗) = √(𝑥𝑖1−𝑥𝑡1)2 + (𝑥𝑖2−𝑥𝑡2)2 … (𝑥𝑖𝑝−𝑥𝑡𝑝)2  …(E1) 

 

Donde: 

xi es una clúster de entrada con características p (xi1,xi2, . . .,xip) 

n el número total de tuplas de entrada (i =1,2,. . .,n) 

p el número total de características (j =1,2,. . .,p) 

La distancia euclidiana entre tuplas Xi y Xt (t =1,2,. . .,n)  

Expresado de manera general: 𝑑𝑖𝑠𝑡 = (𝑥1,𝑥2) = √∑ (𝑥1𝑖 − 𝑥2𝑖)2𝑛𝑖=1       ……(E2) 

 La “E2” es aplicable a atributos numéricos, en el que tomamos la diferencia entre cada 

valor correspondiente de los clústeres de atributos x1 y x2, elevamos al cuadrado el resultado y los 

sumamos todos juntos, luego obtenemos la raíz cuadrada del resultado acumulado, esto nos da la 

distancia entre el dos puntos x1 y x2. Por otra parte, para evitar que los atributos con rangos 

inicialmente grandes superen a los atributos con rangos iniciales más pequeños, es necesario 



51 

 

normalizar los valores de cada atributo antes de aplicar la ecuación “E2”, para ello aplicamos la 

ecuación expresada en el paso 2. 

Paso 2: Normalización de valores mínimos y máximos 

𝑉1 = 𝑉 − 𝑚𝑖𝑛𝐴𝑚𝑎𝑥𝐴 − 𝑚𝑖𝑛𝐴 … … (𝐸3) 

Donde: 

El valor de V es un atributo numérico de A en V1 en el rango [0,1] mediante el uso de la 

expresión minA y maxA son atributos A 

 Por último, todos los puntos vecinos más cercanos a clúster de prueba se encapsulan y se 

hace una recomendación basada en la distancia más cercana al clúster de prueba, expresado de la 

siguiente manera 𝐶𝑖 = {𝑥 𝜖 𝐶𝑝;𝑑(𝑥, 𝑥𝑖) ≤ 𝑑(𝑥, 𝑥𝑚), 𝑖#𝑚}, por lo que el clúster más cercano está 

determinado por la distancia más cercana al clúster de prueba. 

Algoritmo K-Mean  

Según Rendon Lara & Abundez Barrera, (2016), K- Means utiliza un criterio de error 

cuadrático para converger a un mínimo local utilizando la función “F” compuesta por la sumatoria 

de las distancias 𝑙2 entre cada objeto y su centroide más cercano, la función se expresa de la 

siguiente manera: 

 𝐹({𝐶1, … . , 𝐶𝐾})  = ∑ ∑ ‖𝑋𝑖𝑗 − 𝐶𝑖‖𝑃𝑖
𝑗=1

𝐾
𝑖=1  

La norma euclidiana se elige a menudo como una distancia natural que el cliente a entre k 

mide en el algoritmo de k-medias. La ai significa la preferencia del atributo i por el cliente a. 

𝑑𝑎𝑖 = √∑ (𝑎𝑖 − 𝑘𝑖)𝑧𝑖    



52 

 

El algoritmo k-means utiliza una serie de pasos para el agrupamiento de datos entorno al 

análisis de información que este procesa y como se detalla en la siguiente tabla. 

Tabla 6  

Proceso de agrupamiento de K-mean 

Pasos Procesos 

1 Las semillas iniciales con el número elegido de racimos, K, se seleccionan y se 

construye una partición inicial. 

2 Cada registro se asigna al centroide más cercano, formando así un racimo. 

3 Manteniendo el mismo número de conglomerados, el nuevo centroide de cada 

clúster se calcula. 

4 Iterar los pasos (2) y (3) hasta que los grupos dejen de cambiar o se cumplen las 

condiciones de parada, para un mejor entendimiento la estructura se expresa de 

la siguiente manera.  

Nota. Adaptado de Rentol, (2016). Un algoritmo de agrupamiento basado en K-means 

Algoritmo Slope One  

El algoritmo básico slope one es muy utilizado con la técnica de filtrado colaborativo 

debido a la alta precisión que este genera en tiempo real, gracias a la separación de matrices de 

valoración que los usuarios generan, separando los productos que interesan al usuario con los que 

no lo son de interés y así generar recomendaciones más exactas debido a que es simple en calculo 

y alto en rendimiento (Ye & Zhao, 2018) 

En primer lugar, para poder predecir el valor de calificación 𝑝(𝑢)𝑗 entre los elementos de 

predicción y otros elementos de la ecuación, utiliza la desviación 𝑑𝑒𝑣𝑗𝑖 tal como se muestra a 

continuación: 



53 

 

  𝑑𝑒𝑣𝑗𝑖 = ∑ 𝑢𝑗−𝑢𝑖𝑐𝑎𝑟𝑑(𝑆𝑖𝑗(𝑋))𝑢∈𝑆𝑗𝑖(𝑋)  

En segundo lugar, el algoritmo predice la calificación 𝑝(𝑢)𝑗  en la ecuación anterior 𝑃(𝑢)𝑗 = 1𝑐𝑎𝑟𝑑(𝑅𝑗) ∑ 𝑑𝑒𝑣𝑗𝑖 + 𝑢𝑖𝑖∈𝑅𝑗     

Donde 𝑆𝑗𝑖(𝑋) de nota el conjunto de usuario en el que el usuario predice el artículo “j”y el 

artículo “i” al mismo tiempo 

 𝑅𝑗  es el conjunto de elementos calificado por el usuario u.  𝑐𝑎𝑟𝑑(𝑆) denota el número de elementos en el conjunto S. 

Por último, si existe un número diferente de usuarios que califican tanto el elemento i como 

el elemento j y hacen contribuciones diferentes a la predicción final, el método para resolver este 

problema Weighted-Slope One, que considera el número de usuarios que calificaron el ítem j y el 

ítem i al mismo tiempo como un peso 𝑐𝑗𝑖 = 𝑐𝑎𝑟𝑑(𝐼𝑗𝑖). La forma de predecir las calificaciones es 

la siguiente: 

 𝑃𝑤𝑠𝑜(𝑢)𝑗 = ∑𝑖∈𝑅𝑗 (𝑑𝑒𝑣𝑗𝑖+𝑢𝑖)𝑐𝑗𝑖∑𝑖∈𝑅𝑗 𝑐𝑗𝑖             

 

Algoritmo Navie Bayes 
 

Naive Bayes Classifier, es uno de los clasificadores probabilísticos basados en el Teorema 

de Bayes con independencia la suposición se define de la siguiente manera.  

Paso 1: Calculamos la probabilidad 

𝑃(𝑓𝑖) = 𝑝(𝑐)𝑝(𝑐)𝑝(𝑓𝑖)  

Donde p(c|fi) es la probabilidad de clase c dada la característica fi. 

p(c) es la probabilidad previa de la clase c.  



54 

 

p(fi|c) es la probabilidad de la característica fi dada la clase c.  

Cuya expresión general seria:  

𝑃(𝑓𝑖) = 𝑝(𝑐) ∏ 𝑝(𝑐)𝑛
𝑖=1  

Paso 2: calcular el máximo posterior 

El clasificador Naive Bayes calcula el máximo posterior probabilidad de clase c dada 

característica fi, expresado de la siguiente manera. 

𝑐𝑙𝑎𝑠𝑠𝑖𝑓𝑦(𝑓𝑖,   … ,𝑓𝑛) = 𝑝(𝐶 = 𝑐)  ∏ 𝑝(𝐹𝑖 = 𝑓𝑖 ∣ 𝐶 − 𝑐))𝑛
𝑖=1  

Donde p es la probabilidad posterior de un evento, c es la clase de un modelo, se presenta 

fi, n es el número de evento. 

Por último, la clasificación final es producida por el argumento que maximiza el valor de 

la clasificación.  

Algoritmo A priori 

A priori es parte del método de la regla de asociación, que sirve para encontrar 

combinaciones de artículos en función de los artículos comprados por los clientes. Los tipos de 

reglas de asociación incluyen la inducción de reglas generalizadas a priori y los algoritmos basados 

en hash. Para hacer su análisis A priori utiliza tres componentes haciendo uso de las matemáticas 

entre ellos encontramos: 

Soporte: Indica la frecuencia con la que los artículos aparecen en los datos y proporciona 

protección para las transacciones que contiene “p1” y “p2” 

Donde: 

P = Productos 

N= número de veces que se compró un producto  



55 

 

NT= Total de transacciones que realiza el usuario 

S = N / NT 

Confianza: Se refiere a la probabilidad de que un artículo “A1” se compre, también si se 

compra el artículo “A2”. 

Donde: 

Pc= Probabilidad de veces de compra de un articulo  

To= Total de veces que se compró el articulo 

C= Pc / To 

Lift: Indica la probabilidad de que se compre el artículo “B” cuando se compra el artículo 

“A”, controlando al mismo tiempo la popularidad del artículo “B” 

Confianza = Probabilidad de compra de “A” y “B” 

Soporte = Popularidad de B 

L= Confianza / Soporte 

Tabla 7  

Estructura A priori 

Pseudo-Código: Algoritmo A priori 

 

 

 



56 

 

01 Apriori (𝑻, 𝝐) 

02                   𝐿1 ← {𝑙𝑎𝑟𝑔𝑜 1 −   𝑖𝑡𝑒𝑚𝑠𝑒𝑡𝑠} 

03                   𝑘 ← 2 

04               while 𝐿𝑘−1 ≠ 𝑒𝑚𝑝𝑡𝑦𝑠𝑒𝑡 

05                 𝐶𝑘 ← {𝑎 ∪ {𝑏}|𝑎 ∈ 𝐿𝑘−1 ∧ 𝑏 ∈ ⋃ 𝐿𝑘−1⋀𝑏 ∉ 𝑎} 

06                 𝑓𝑜𝑟 𝑡𝑟𝑎𝑛𝑠𝑎𝑐𝑡𝑖𝑜𝑛𝑠 𝑡 ∈ 𝑇 

07                  𝐶𝑡 ← {𝑐|𝑐 ∈ 𝐶𝑘⋀𝑐 ⊆ 𝑡} 

08                 𝑓𝑜𝑟 𝑐𝑎𝑛𝑑𝑖𝑑𝑎𝑡𝑒 𝑐 ∈  𝐶𝑡 

09                   𝑐𝑜𝑢𝑛𝑡[𝑐] ← 𝑐𝑜𝑢𝑛𝑡[𝑐] + 1 

10                   𝐿𝑘 ← {𝑐|𝑐 ∈ 𝐶𝑘 ∧ 𝑐𝑜𝑢𝑛𝑡[𝑐] ≥ 𝜖} 

11                  𝑘 ← 𝑘 + 1 

12               return ⋃𝑘 𝐿𝑘 
 

Nota. Tomado de Cristina Gil Martínez (2020) 

En la tabla 7, T es el conjunto de transacciones de artículos de un cliente, L es el conjunto 

de artículos frecuentes y C es el conjunto de artículos candidatos. Además, el nivel mínimo de 

soporte debe establecerse de antemano. El algoritmo se puede dividir a grandes rasgos en dos 

etapas, la etapa de creación Ck del conjunto de elementos candidatos, en la que se crea el conjunto 

de elementos frecuente con la unión de Lk-1 * Lk-1, y la etapa de creación del conjunto de 

elementos frecuentes en la que se reúnen los elementos por encima del soporte mínimo. del 

conjunto y se crea un conjunto de elementos frecuentes. El algoritmo llega a su fin cuando el 

conjunto de elementos candidato Ck se convierte en un conjunto vacío a medida que se repiten 

estas dos etapas. 

Comparación de Métodos / modelos / algoritmos 

 
 Definición de criterios 

Para poder realizar la comparación de algoritmos, es necesario establecer criterios que nos 

permitan evaluar las características que existen en la relación entre el usuario y el sistema. 



57 

 

Factor de error 

Este criterio nos permitirá medir la capacidad que tiene el algoritmo de recomendación de 

productos para entregarle al usuario la información es decir nos permitirá medir la cantidad de 

veces que el algoritmo falle al generar respuestas o recomendaciones. 

Eficiencia  

Este criterio permitirá medir los mejores resultados del algoritmo en el sistema utilizando 

la menor cantidad de recursos y aumentando el valor de las recomendaciones.   

Precisión  

Este criterio permitirá medir el porcentaje de exactitud que genera el algoritmo utilizado 

en el sistema de recomendación de productos de línea blanca mediante fases de prueba que se le 

realiza al software.   

𝑝𝑟𝑒𝑐𝑖𝑠𝑖ó𝑛 = 𝑡𝑝𝑡𝑝 + 𝑓𝑝 

Adaptabilidad  

Este criterio nos permita medir la capacidad del algoritmo utilizado en el sistema de 

recomendación de productos de línea blanca y ver su comportamiento ante los diferentes procesos 

de transacción de información.  

Tiempo de ejecución  

Este criterio nos permitirá medir la velocidad de respuesta del algoritmo utilizado para 

generar recomendaciones mediante el análisis de información de los gustos y preferencias de los 

usuarios dentro del sistema.  

 



58 

 

Valoración de criterios 

La presente escala de valoración se diseña a partir de los criterios definidos por la solución: 

Teniendo como criterios de valoración Excelente (4), Bueno (3), Regular (2), Insuficiente 

(1). 

Tabla 8  

Valoración de criterios  

Criterio Valoración Detalle Puntaje  

Adaptabilidad  Excelente  El algoritmo permite más de 6 variables de entrada y se adapta con 

facilidad. 

4 

Bueno  El algoritmo permite solo 5 variables de entrada. 3 

Regular  El algoritmo permite solo 2 a 4 variables de entrada y es lento para 

realizar procesos. 

2 

Insuficiente  El algoritmo permite solo 1 variable de entrada y presenta dificultad 

para adaptarse a más módulos.  

1 

Eficiencia  Excelente  El algoritmo tiene un consumo del 4% a 7% de memoria Ram y 

tiene respuesta rápida al interactuar con el usuario  

4 

Bueno  El algoritmo tiene un consumo del 8% al 19% de memoria Ram y 

realiza de manera correcta las recomendaciones. 

3 

Regular  El algoritmo tiene un consumo del 20% al 29% de memoria Ram y 

presenta dificultades en los procesos de ejecución. 

2 

Insuficiente  El algoritmo tiene un consumo con más del 30% de memoria Ram 

y es deficiente en los procesos de ejecución.  

1 

Precisión  Excelente El algoritmo muestra una eficiencia con más del 90% al momento 

de generar recomendaciones. 

4 

Bueno  El algoritmo muestra una eficiencia con más del 60% al momento 

de generar recomendaciones 

3 



59 

 

Regular  El algoritmo muestra una eficiencia entre 40% a 59% al momento 

de generar recomendaciones 

2 

Insuficiente  El algoritmo muestra una eficiencia entre 10% a 39% al momento 

de generar recomendaciones 

1 

Factor de error  Excelente  Se considera excelente cuando el algoritmo genera 

recomendaciones basada en los gustos y preferencias del usuario 

entre un 85% al 100% de efectividad. 

4 

Bueno  Se considera bueno cuando el algoritmo genera recomendaciones 

entre un 70% a 84% correctas 

3 

Regular  Se considera regular cuando el algoritmo genera recomendaciones 

entre un 50% a 69% correctas 

2 

Insuficiente  Se considera insuficiente cuando el algoritmo genera 

recomendaciones sin tener en cuenta los gustos y preferencias del 

usuario cuyo porcentaje se encuentra por debajo del 49%. 

1 

Tiempo de 

ejecución  

Excelente  El algoritmo tiene un tiempo de ejecución de 0.20 milisegundos 

para generar recomendaciones. 

4 

Bueno  El algoritmo tiene un tiempo de ejecución de 1 a 1.5 segundos para 

generar recomendaciones. 

3 

Regular  El algoritmo tiene un tiempo de ejecución de 1.6 a 2 segundos para 

generar recomendaciones. 

2 

Insuficiente  El algoritmo tiene un tiempo de ejecución con más de 3 segundos 

para generar recomendaciones. 

1 

Nota.  Elaboración Propia  

 

Comparación de Algoritmos  

Tabla 9  

Comparación Algoritmos/Criterios  

Criterio KNN K-Medias Slope One Navie Bayes Apriori 



60 

 

           Algoritmo 

Eficiencia  4 4 3 3 3 

Precisión  4 3 4 2 2 

Adaptabilidad  3 3 2 3 3 

Factor de error 3 3 3 2 3 

Tiempo de ejecución  3 3 2 2 2 

Total 17 16 14 12 13 

  Nota. Elaboración Propia  

 

Determinación del Método / modelo / algoritmo  

En la tabla 9, se realizó la comparación de 5 algoritmos para los cuales se utilizó eficiencia, 

precisión, adaptabilidad, factor de error, tiempo de ejecución como criterios de evaluación, en la 

que el algoritmo KNN obtuvo el mayo puntaje a diferencia de los demás algoritmos en 

comparación con los demás algoritmos propuestos obtenido un puntaje de 17 y teniendo como 

criterios más resaltantes del algoritmo la eficiencia y precisión, seguido del algoritmo k-medias 

que obtuvo un puntaje de 16 en la comparación con respectos a los criterios por los que estos 

fueron evaluados desatacando como criterio principal la eficiencia para generar recomendaciones, 

con respecto a los demás algoritmos, tenemos a Slope One que se identifica por la precisión que 

este tiene seguido de los algoritmos Navie bayes y A priori que se identifican por ser bueno en 

eficiencia y adaptabilidad, es por ello que esta investigación recurre al uso del algoritmo KNN o 

conocido como (K-Nearest-Neighbor) que se destaca por ser excelente en eficiencia y precisión 

cumpliendo con los criterios necesarios para su implementación en el sistema propuesto. 

  



61 

 

Construcción de la solución  

Especificación del caso de estudio 

La empresa en estudio actualmente cuenta con personal altamente capacitado que cubren 

las diferentes áreas de la organización, así mismo estos trabajadores tratan de mantener la 

eficiencia en cada área en al que se desempeñan, aplicando la base de conocimientos profesionales 

que estos tienen para recomendar productos y asegurar la efectividad de la venta de un producto, 

para la investigación propuesta se tomó el área de ventas como área de estudio. 

Los expertos en ventas de la empresa en estudio tienen como función principal recomendar 

productos que se adapten a las descripciones que el cliente busca cuando entra a la tienda sin perder 

la atención del cliente al mostrar los productos. El proceso de ventas inicia con la llegada de un 

cliente a la tienda, posteriormente el vendedor realiza una serie de preguntas con la finalidad de 

poder obtener datos que ayudarán a que el vendedor presente al cliente productos que se adapten 

a las preferencias que este tiene de una manera personalizada y con las facilidades de pago, 

asegurando de esta manera la venta del producto.  Para realizar la recomendación de un producto 

el vendedor utiliza una serie de preguntas como tipo de producto, precio, modelo, marca, color, 

tipo de consumo de energía, garantía, beneficio de pago, entre otras más. De todas las preguntas 

que el vendedor realiza, la variable principal y con más peso es el precio y variables secundarias 

con menor peso son el color, marca y tipo de consumo según el vendedor, estas preguntas ayudarán 

al vendedor a tener una mejor noción de las preferencias que los clientes tienen y mostrar productos 

que se adapten a los gusto y preferencias de los clientes y de esta manera poder asegurar la venda 

del artículo. 

La técnica que utiliza el experto en vendas de la empresa es la venta consultiva, que se basa 

en una interacción cliente y el encargado de ventas donde el vendedor hace una serie de preguntas  



62 

 

y analizar las necesidades del cliente para poder atraer su atención mediante las 

preferencias que este tiene (Bértora, 2016). 

Adecuación del problema 

Luego de haber realizado estudios sobre los procesos de venta en la empresa, se logró 

identificar algunas variables que los clientes usan para poder realizar la compra de un artículo, la 

cuales se expresan en la tabla 10. Además, mediante un análisis de y evaluación de criterios de 

algoritmos para sistemas de recomendación de productos, el algoritmo KNN fue el ganador por lo 

que se hará uso de este algoritmo debido a su alta precisión y eficiencia que este tiene, además de 

tener la capacidad de poder soportar más de dos variables de entrada en los procesos de 

recomendación. 

Tabla 10  

Determinación de Variables entrantes  

Variable(var) Denominación de 

Variables 

Abreviación 

Var1 Tipo Marca TM 

Var2 Peso  PS 

Var3 Precio  PR 

Var4 Color C 

Var5 C Energético  CE 

Var6 Función  F 

Var7 Tipo Producto TP 

Var8 Material MT 

Var9 Garantía G 

Var10 Likes LK 



63 

 

Var11 Vistas V 

Var12 Capacidad CP 

Nota. Elaboración propia 

Especificación de la solución 

Luego de haber identificado las variables de entrada, se realiza la adecuación del algoritmo 

al caso de estudio y la creación del modelo de funcionamiento del algoritmo, es por ello que se 

podrá hacer uso del cuadro de determinación de variables de entrada las cuales se definen en la 

tabla 10. También se hará uso de las variables de los productos para poder realizar el cálculo de la 

distancia donde: 

P=producto, M=marca, Ps=peso, Pr= precio, C= color, Tce= Tipo consumo energético, 

F=Función, Tm= Tipo material, G=Garantía, L=Likes, V=Vistas, Cap=Capacidad. 

Para el cálculo de las distancias se hará uso de la distancia euclidiana, la cual se calcula a 

partir de las variables de entrada con las variables de los productos como se expresa de la siguiente 

manera, donde se define que “V” = variables entrantes de las preferencias del usuario. 

Tabla 11  

Clasificación de variables  

Variables entrantes 

TP TM PS PR C CE F MT G LK V CAP 

Var1 Var2 Var3 Var4 Var5 Var6 Var7 Var8 Var9 Var10 Var11 Var12 

Nota. Elaboración propia  

Tabla 12  

cruce de variables del producto y entrante 

Variables del producto 

Var. 
Preferencias 
del usuario. 

Var. Identificadoras 
del producto. 

Variables identificadoras 
del producto. 



64 

 

 

 

 

 

 

Para realizar el cálculo de distancia de las variables ingresantes y las variables del producto 

se hará uso de la fórmula matemática de distancia euclidiana descompuesta en los siguientes pasos.   

Determinación y estructuración de variables: 

Distancia= dist (variable almacenadora del cálculo de la distancia euclidiana) 

Raíz cuadrada =sqrt (variable que devuelve el valor de la raíz cuadrada del valor ingresado) 

arrayResult=[“”] (estructura de datos que almacenara el cálculo de la distancia con el producto) 

Cálculo de la distancia euclidiana uno, basado en los criterios de preferencias del cliente y la tabla 

productos de la base de datos. 𝑑𝑖𝑠𝑡1 = 𝑠𝑞𝑟𝑡((𝑣𝑎𝑟1 − 𝑃1)2 + (𝑣𝑎𝑟2 − 𝑀1)2 + (𝑣𝑎𝑟3 − 𝑃𝑠1)2 + (𝑣𝑎𝑟4 − 𝑃𝑟1)2 + (𝑣𝑎𝑟5 − 𝐶1)2 +
(𝑣𝑎𝑟6 − 𝑇𝑐𝑒1)2 + (𝑣𝑎𝑟7 − 𝐹1)2 + (𝑣𝑎𝑟8 − 𝑇𝑚1)2 + (𝑣𝑎𝑟9 − 𝐺1)2 + (𝑣𝑎𝑟10 − 𝐿1)2 + (𝑣𝑎𝑟11 − 𝑣1)2 +
(𝑉𝑎𝑟12 − 𝐶𝑎𝑝1)2 ) 
Cálculo de la distancia euclidiana dos, basado en los criterios de preferencias del cliente y la tabla 

productos de la base de datos  𝑑𝑖𝑠𝑡2 =  𝑠𝑞𝑟𝑡((𝑣𝑎𝑟1 − 𝑃2)2 + (𝑣𝑎𝑟2 − 𝑀2)2 + (𝑣𝑎𝑟3 − 𝑃𝑠2)2 + (𝑣𝑎𝑟4 − 𝑃𝑟2)2 + (𝑣𝑎𝑟5 − 𝐶2)2 +
(𝑣𝑎𝑟6 − 𝑇𝑐𝑒2)2 + (𝑣𝑎𝑟7 − 𝐹2)2 + (𝑣𝑎𝑟8 − 𝑇𝑚2)2 + (𝑣𝑎𝑟9 − 𝐺2)2 + (𝑣𝑎𝑟10 − 𝐿2)2 + (𝑣𝑎𝑟11 − 𝑣2)2 +
(𝑉𝑎𝑟12 − 𝐶𝑎𝑝2)2 )) 
Cálculo de la distancia euclidiana enésima, basado en los criterios de preferencias del cliente y la 

tabla productos de la base de datos  

P M Ps Pr C Tce F Tm G L V Cap 

P1 M1 Ps1 Pr1 C1 Tce1 F1 Tm1 G1 L1 V1 Cap1 

P2 M2 Ps2 Pr2 C2 Tce2 F2 Tm2 G2 L2 V2 Cap2 

P3 M3 Ps3 Pr3 C3 Tce3 F3 Tm3 G3 L3 V3 Cap3 

….            

Pn Mn Psn Prn Cn Tcen Fn Tmn Gn Ln Vn Capn 

Datos del primer producto. 

Datos del segundo producto. 

Datos del tercer producto. 

Datos del enésimo producto. 



65 

 

𝑑𝑖𝑠𝑡𝑛 =  𝑠𝑞𝑟𝑡((𝑣𝑎𝑟1 − 𝑃𝑛)2 + (𝑣𝑎𝑟2 − 𝑀𝑛)2 + (𝑣𝑎𝑟3 − 𝑃𝑠𝑛)2 + (𝑣𝑎𝑟4 − 𝑃𝑟𝑛)2 + (𝑣𝑎𝑟5 − 𝐶𝑛)2 +
(𝑣𝑎𝑟6 − 𝑇𝑐𝑒𝑛)2 + (𝑣𝑎𝑟7 − 𝐹𝑛)2 + (𝑣𝑎𝑟8 − 𝑇𝑚𝑛)2 + (𝑣𝑎𝑟9 − 𝐺𝑛)2 + (𝑣𝑎𝑟10 − 𝐿𝑛)2 + (𝑣𝑎𝑟11 − 𝑣𝑛)2 +
(𝑉𝑎𝑟12 − 𝐶𝑎𝑝𝑛)2 )) 

Para el almacenamiento de todas las distancias encontradas entre las variables entrantes y 

la de los productos se utilizó un array el cual se muestra de esta manera. 𝑎𝑟𝑟𝑎𝑦𝑅𝑒𝑠𝑢𝑙𝑡 = [′′     ′′] 
Como paso siguiente se ordenan las distancias desde la más corta o la más menor hasta la 

distancia más lejana que viene a ser la mayor en el siguiente array. 𝐴𝑟𝑟𝑎𝑦𝑅𝑒𝑠𝑢𝑙𝑡 = {["𝑃𝑟𝑜𝑑1"," 𝑑𝑖𝑠𝑡"][1], "𝑃𝑟𝑜𝑑2"," 𝑑𝑖𝑠𝑡"][2], ["𝑃𝑟𝑜𝑑3"," 𝑑𝑖𝑠𝑡"][3] … , ["𝑃𝑟𝑜𝑑𝑁"," 𝑑𝑖𝑠𝑡"][𝑁]} 

Como paso final mostramos las “N” distancias más cercanas a las preferencias del cliente.  

Se define la variable “J” para determinar las “N” distancias más cercanas a mostrar y ejecutando 

el siguiente bucle. 

Sea el valor inicial de J=0, 🡪 J<=10 

d = 0, 𝑝𝑎𝑟𝑎(𝑑 ≤ 𝑗){            𝑝𝑟𝑖𝑛𝑡(𝑎𝑟𝑟𝑎𝑦𝑅𝑒𝑠𝑢𝑙𝑡["𝑑"]);           𝑑 + +; }  
La función permite mostrar los 11 productos con la distancia más corta a las preferencias 

del cliente. 

 Para ello se desarrolló la Figura 5, muestra el flujo del procesamiento del algoritmo paso 

a paso como se muestra a continuación.  

 

Imprime las distancias 
hasta llegara a J<=10 



66 

 

Figura 5  

Modelo del Flujo del algoritmo KNN adaptado al caso de estudio 

  

Nota. Elaboración propia.  

Distancias  
Prod1=2       Prod2= 3      Prod3=0.4 
Prod4=0.7    Prod5=0.1    Prod6=6 
Prod7=0.2    Prod8=1.7    Prod9=0.5 
 

 𝐴𝑟𝑟𝑎𝑦𝑅𝑒𝑠𝑢𝑙𝑡= {["𝑃𝑟𝑜𝑑1"," 𝑑𝑖𝑠𝑡"][1], "𝑃𝑟𝑜𝑑2"," 𝑑𝑖𝑠𝑡"][2], ["𝑃𝑟𝑜𝑑3"," 𝑑𝑖𝑠𝑡"][3] … , ["𝑃𝑟𝑜𝑑𝑁"," 𝑑𝑖𝑠𝑡"][𝑁]} 

Cálculo de similitud entre las variables entrantes y productos 
de línea blanca  
key=0   // Variables iniciales 
$V1 = 0; $V2 = 0; $V12 = 0; 
// Listamos la lista de productos 
$arrProductos = [ 
    'P1' => ['c1', 'c2', '...', 'c12'], 
    'P2' => ['c1', 'c2', '...', 'c12'], 
    'P3' => ['c1', 'c2', '...', 'c12'], 
    'P4' => ['c1', 'c2', '...', 'c12'], 
    'Pn' => ['c1', 'c2', '...', 'c12'] 
]; 
$distancia = sqrt(pow($pf['p_Tipo'] - $bd['a_Tipo'], 2) + 
pow($pf['p_Marca'] - $bd['a_Marca'], 2) + 
pow($pf['p_Funcion'] - $bd['a_Funcion'], 2) + 
pow($pf['p_Peso'] - $bd['a_Peso'], 2) + 
pow($pf['p_Precio'] - $bd['a_Precio'], 2) + 
pow($pf['p_tipoMaterial'] - $bd['a_tipoMaterial'], 2) + 
pow($pf['p_Color'] - $bd['a_Color'], 2) + 
pow($pf['p_Garantia'] - $bd['a_Garantia'], 2) + 
pow($pf['p_tipoConsumoEnergetico'] - 
$bd['a_tipoConsumoEnergetico'], 2)); 
        return $distancia; 
 

Distancias ordenadas 
Prod5=0.1    Prod7=0.2    Prod3=0.4 
Prod9=0.5    Prod4=0.7    Prod8=1.7   
Prod1=2       Prod2= 3      Prod6=6    

Var1 Var2 Var3 

Var4 Var5 Var6 

Var7 Var8 Var9 

Var11 Var10 Var12 

 

Prod2 Prod1 

Prod6 

Prod3 

Prod5 

Prod10 

Prod7 

Prod11 Prod9 

Criterios preferencias del usuario= Pu 

Variables producto = P 

KNN- Obtención de distancias j = 5;  i = 0, para(i < j){            print(arrayResult[i]);            i + +; }  
 

N- distancias más cercanas 
Prod5=0.1    Prod7=0.2    
Prod3=0.4    Prod9=0.5    
Prod4=0.7 

Recomendación  

Producto P5         P7   P3 
Precisión 92%    90%  89%  

 
 

Calculo 
Precisión 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 =𝑇𝑝𝑇𝑃+𝐹𝑝  

Prod4 

Prod8 

Prod12 



67 

 

Así mismo se adaptó el algoritmo KNN para el caso de estudio utilizando la distancia 

euclidiana el cual se expresa en el seudocódigo expresado en la tabla 11 

Tabla 13  

Algoritmo KNN adaptado  

1. 𝑘𝑒𝑦 = 0  
2.  // 𝑉𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑖𝑛𝑖𝑐𝑖𝑎𝑙𝑒𝑠 

3. $𝑉1 =  0;  $𝑉2 =  0;  $𝑉12 =  0; 
4. // 𝐿𝑖𝑠𝑡𝑎𝑚𝑜𝑠 𝑙𝑎 𝑙𝑖𝑠𝑡𝑎 𝑑𝑒 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑠 

5. $𝑎𝑟𝑟𝑃𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑠 =  [ 
6.     ′𝑃1′ =>  [′𝑐1′, ′𝑐2′, ′. . . ′, ′𝑐12′], 
7.     ′𝑃2′ =>  [′𝑐1′, ′𝑐2′, ′. . . ′, ′𝑐12′], 
8.     ′𝑃3′ =>  [′𝑐1′, ′𝑐2′, ′. . . ′, ′𝑐12′], 
9.     ′𝑃4′ =>  [′𝑐1′, ′𝑐2′, ′. . . ′, ′𝑐12′], 
10.     ′𝑃𝑛′ =>  [′𝑐1′, ′𝑐2′, ′. . . ′, ′𝑐12′] 
11. 𝑑𝑒𝑓𝑖𝑛𝑖𝑟 𝑎𝑟𝑟𝑎𝑦𝑅𝑒𝑠𝑢𝑙𝑡 = [′′]  
12. /*realizamos el cálculo de la distancia*/ 

13.  $𝑎𝑟𝑟𝐷𝑖𝑠 =  []; 
14. $distancia = sqrt(pow($pf['p_Tipo'] - $bd['a_Tipo'], 2) + pow($pf['p_Marca'] –  

$bd['a_Marca'], 2) +pow($pf['p_Funcion'] - $bd['a_Funcion'], 2) + 

pow($pf['p_Peso'] - $bd['a_Peso'], 2) + pow($pf['p_Precio'] -$bd['a_Precio'], 2)  

+ pow($pf['p_tipoMaterial'] - $bd['a_tipoMaterial'], 2) + pow($pf['p_Color'] – 

 $bd['a_Color'], 2) + pow($pf['p_Garantia'] - $bd['a_Garantia'], 2) + 

pow($pf['p_tipoConsumoEnergetico'] - $bd['a_tipoConsumoEnergetico'], 2)); 

        return $distancia; 

15.      𝑎𝑟𝑟𝑎𝑦𝑅𝑒𝑠𝑢𝑙𝑡 = 𝑎𝑟𝑟𝑎𝑦{′𝑖𝑑𝐴𝑟𝑡𝑖𝑐𝑢𝑙𝑜], [𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎𝐾𝑁𝑁′]  
16. /*Se ordenan los resultados desde el más próximo al más lejano*/ 

17. 𝐴𝑟𝑟𝑎𝑦𝑅𝑒𝑠𝑢𝑙𝑡 = {["𝑃𝑟𝑜𝑑1"," 𝑑𝑖𝑠𝑡"][1], "𝑃𝑟𝑜𝑑2"," 𝑑𝑖𝑠𝑡"][2], ["𝑃𝑟𝑜𝑑3"," 𝑑𝑖𝑠𝑡"][3] …, 
18. ["𝑃𝑟𝑜𝑑𝑁"," 𝑑𝑖𝑠𝑡"][𝑁]}  



68 

 

19. /*Se determinan los parámetros a mostrar donde k=valor de datos cercanos a 
mostrar */ 

20. 𝑘 = 9;  
21. 𝑝𝑎𝑟𝑎(𝑖 < 𝑘){  

22.  𝑝𝑟𝑖𝑛𝑡(𝑎𝑟𝑟𝑎𝑦𝑅𝑒𝑠𝑢𝑙𝑡[𝑖]);  
23.     𝑖 + +; }  

Nota. Elaboración propia. 

Corridas/ejecución de la solución 

Se  hará uso de dos tipos de recomendaciones para el recorrido del usuario por el sistema, 

la primera será de  manera específica con productos que estén en base a las preferencias más 

cercanas lo que busca, por otra parte se realizara recomendaciones generales con productos que 

podrían interesar al cliente que no estén lejanas a sus deseos , para la corrida del algoritmo se hará 

uso de  la recomendación especifica con datos que el usuario opto por detallar tal y como se 

muestra en la siguiente tabla en la que se presenta los valores en base a los criterios específicos de 

un usuario y de esta manera poder probar la eficiencia del algoritmo para generar 

recomendaciones.  

Tabla 14  

Requerimiento del usuario 

Características básicas del producto buscado 

Marca LG 

Precio  S/ 2800 

Peso 48kg 

Color Gris 

C. Energético  No determina (0) 

Función  Enfriamiento 



69 

 

Material No especifica (0) 

Garantía No determina (0) 

C.Likes No determina (0) 

C.Vistas No determina (0) 

Capacidad  384 lts 

Nota. Elaboración propia 

Para la corrida del algoritmo, se usaron datos de 10 productos electrodomésticos, así mismo 

para mejorar la ejecución del algoritmo se realizó la conversión del criterio de los productos de 

datos cualitativos a numéricos, la variable que no se convirtió fue la del nombre artículos, esta 

variable permitirá diferenciar los productos que se recomienden al cliente tal y como se expresa 

en la tabla 13 y 14. 



70 

 

Tabla 15  

Tabla matriz de criterios de productos para la corrida del algoritmo 

Valor Núm. 

Igualado       (1-

10) 

Colores T.Marcas T. Consumo 

 energético 

Función de articulo Garantía Material 

1 Negro Indurama  A++ Enfriamiento  Seis meses Metálico 

2 Blanco Mabe A+ Ayudante de limpieza Doce meses Plástico/aluminio  

3  Blanco/Gris Samsung  A Climatización Año y medio Aluminio  

4 Plomo  Electrolux B Ayudante de cocina Dos años Lamina    

5  Negro/Gris  Sonni C Lavado   - Aluminio/metal 

6 Amarillo Panasonic D Planchado y vapor  - -  

7 Azul    Pioneer E  -  -  - 

8 Gris LG  -  -  -  - 

9 Rojo  Beko  -  -  -  - 

10  - Bosch -   -  - -  

Nota. Se igualo los criterios de los productos a variables cuantitativas en un rango de 1 a 10 para la corrida del algoritmo en la tabla 17.  

  



71 

 

Tabla 16  

Tabla productos y criterios con datos cualitativos para la corrida 

Artículos Colore T.Marca T. Consumo 

energético 

Función de articulo Garantía Material 

Licuadora Rojo Electrolux A Ayudante de cocina Seis meses Plástico/aluminio  

Refrigeradora  Gris LG A++ Enfriamiento Doce meses Aluminio/metal 

Lavadora Blanco Indurama  A++ Lavado Doce meses Aluminio/metal 

Cocina   Gris Mabe A++ Ayudante de cocina Seis meses Metálico 

Congeladora  Blanco/Gris LG A++ Enfriamiento Año y medio Aluminio/metal 

Aspiradora Azul Indurama A++ Ayudante de limpieza Seis meses Plástico/aluminio  

Horno. M Negro/Gris Samsung A++ Ayudante de cocina Seis meses Metálico 

Freidora de aire   Negro LG A Ayudante de cocina Seis meses Aluminio/metal 

Frigobar  Gris Electrolux A++ Enfriamiento Doce meses Aluminio/metal 

Plancha   Negro/Gris Bosch A Planchado y vapor Seis meses Metálico 

 

Nota. Se tomaron los valores numéricos de la tabla 15 para transformar los criterios de los productos de cualitativo a cuantitativo, se 

transformarán los datos de las preferencias del cliente mencionadas en la tabla 14 para generar la corrida tal y remplazarlo en la tabla 

17. 

  



72 

 

Tabla 17  

Tabla de conversión con datos cuantitativos  

Nota. Elaboración propia 

Para ejecutar el algoritmo y calcular la distancia euclidiana se establecieron cinco pasos 

principales que ayudaran en el cálculo de variables y corridas del algoritmo, definidos de la 

siguiente manera. 

Paso 1: Lectura de variables. 

Primero se realiza la lectura de la información  𝑉𝑎𝑟1, 𝑉𝑎𝑟2, 𝑉𝑎𝑟3, 𝑉𝑎𝑟4, 𝑉𝑎𝑟5, 𝑉𝑎𝑟6, 𝑉𝑎𝑟7, 𝑉𝑎𝑟8, 𝑉𝑎𝑟9, 𝑉𝑎𝑟10, 𝑉𝑎𝑟11, 𝑉12 luego se almacenan los datos en las variables 𝑉𝑎𝑟1 = 𝐿𝐺, 𝑉𝑎𝑟2 =48 𝑘𝑔  𝑉𝑎𝑟3 = 2800, 𝑉𝑎𝑟4 = 𝐺𝑟𝑖𝑠, 𝑉𝑎𝑟5 = 𝐴 + +, 𝑉𝑎𝑟6 = 𝐸𝑛𝑓𝑟𝑖𝑎𝑚𝑖𝑒𝑛𝑡𝑜 , 𝑉𝑎𝑟7 =𝑅𝑒𝑓𝑟𝑖𝑔𝑒𝑟𝑎𝑑𝑜?