Desarrollo e implementación de un recomendador de productos basado en IA para potenciar el cross-selling

Abstract

Este Trabajo de Fin de Máster aborda el diseño, desarrollo y evaluación de un sistema de recomendación híbrido basado en Inteligencia Artificial, orientado a potenciar el cross-selling en un entorno empresarial B2B de suministros industriales. El proyecto responde a la problemática de la escasez de datos (data sparsity), la ausencia de feedback explícito y la complejidad de los procesos de compra industriales, donde los modelos tradicionales fallan. La solución técnica implementada integra tres componentes principales mediante una estrategia híbrida ponderada por segmentos de actividad del cliente (Switching Weighted Hybrid): un modelo de Collaborative Filtering basado en ALS para usuarios recurrentes, un análisis de coocurrencias para patrones de compra conjunta, y un sistema de Content-Based Filtering que utiliza clustering semántico (HDBSCAN y Sentence-BERT) para mitigar el problema del cold-start. Se ha aplicado una metodología de evaluación rigurosa, incluyendo validación estática y temporal (Sliding Window Evaluation), complementada con métricas estructurales de diversidad y cobertura. Finalmente, el trabajo incluye un análisis de viabilidad económica que proyecta un alto retorno de inversión (ROI), demostrando que la solución es técnica y financieramente sostenible, contribuyendo a la transformación digital del sector.