Clasificación de imágenes con redes neuronales
mejora el comportamiento del consumidor en
estudiantes universitarios
Image classification with neural networks improves consumer behavior in
college students
Recibido: 02/06/2025 - Aceptado: 30/08/2025
Roberto Jose María Casas Miranda
https://orcid.org/0000-0002-2648-167X
rcasas@unfv.edu.pe
Universidad Nacional Federico Villarreal. Lima, Perú
Ivan Crispín Sánchez
https://orcid.org/0000-0001-5980-6621
icrispin@unfv.edu.pe
Universidad Nacional Federico Villarreal. Lima, Perú
Maritza Raquel Cabana Cáceres
https://orcid.org/0000-0002-3442-5950
mcabana@unfv.edu.pe
Universidad Nacional Federico Villarreal. Lima, Perú
Jorge Santiago Nolasco Valenzuela
https://orcid.org/0000-0002-3070-8400
jsnv57@hotmail.com
Universidad Nacional Federico Villarreal. Lima, Perú
Luz Elena Nolasco Valenzuela
https://orcid.org/0009-0005-8056-6630
luznolasvalen@gmail.com
Universidad Nacional Federico Villarreal. Lima, Perú
Resumen
El estudio tuvo el objetivo de determinar de qué manera el clasificador de imágenes con redes neuronales (RN)
mejora el comportamiento del consumidor en estudiantes universitarios. Se planteó una investigación de tipo
aplicado, con un diseño preexperimental y nivel explicativo. Se recolectaron y procesaron datos mediante técnicas
no participativas, analizando la interacción digital de estudiantes universitarios. Los datos fueron limpiados y
organizados para su análisis, en el que se aplicaron técnicas de Machine Learning. El uso de TensorFlow y
TensorFlow Datasets simplificó el preprocesamiento y entrenamiento del modelo, asegurando un flujo eficiente y
un desempeño optimizado mediante la normalización de imágenes y la configuración de lotes de datos. El modelo
empleó visualizaciones detalladas con indicadores claros para analizar su rendimiento, destacando aciertos y
errores, lo que facilitó su interpretación y ajuste. El modelo preentrenado VGG16, ajustado en 15 épocas, alcanzó
una precisión de validación del 97.4 %, evidenciando su alta eficacia en datos no vistos. Los resultados destacan
el impacto transformador de las CNNs en la clasificación de productos, mejorando la experiencia del usuario y
optimizando la satisfacción y percepción del consumidor en plataformas de moda digitales. La implementación
del clasificador de imágenes basado en RN mejoró significativamente la experiencia del usuario, pasando de una
percepción negativa a un 90% de evaluaciones positivas. La prueba de Wilcoxon confirmó que este cambio refleja
una mejora real en el comportamiento y las decisiones de los estudiantes universitarios como consumidores.
Palabras clave: redes neuronales, clasificador de imágenes, machine learning
Abstract
The study aimed to determine how image classification using neural networks (NN) improves consumer behavior
among university students. An applied research study was proposed, with a pre-experimental design and
explanatory level. Data was collected and processed using non-participatory techniques, analyzing the digital
2
interaction of university students. The data was cleaned and organized for analysis, in which machine learning
techniques were applied. The use of TensorFlow and TensorFlow Datasets simplified the preprocessing and
training of the model, ensuring efficient flow and optimized performance through image normalization and data
batch configuration. The model used detailed visualizations with clear indicators to analyze its performance,
highlighting successes and errors, which facilitated its interpretation and adjustment. The pre-trained VGG16
model, adjusted in 15 epochs, achieved a validation accuracy of 97.4%, demonstrating its high effectiveness on
unseen data. The results highlight the transformative impact of CNNs on product classification, improving the user
experience and optimizing consumer satisfaction and perception on digital fashion platforms. The implementation
of the RN-based image classifier significantly improved the user experience, shifting from a negative perception
to 90% positive ratings. The Wilcoxon test confirmed that this change reflects a real improvement in the behavior
and decisions of college students as consumers.
Keywords: neural networks, image classifier, machine learning
Introducción
En la actualidad, la rapidez de los avances tecnológicos y la creciente digitalización han transformado
radicalmente diversas esferas de la vida cotidiana, con la inteligencia artificial (IA) y el aprendizaje profundo
emergiendo en fuerzas transformadoras en numerosos sectores (Akbiyik, 2019). La clasificación de imágenes
mediante redes neuronales, en particular, se ha establecido como un componente central en esta revolución
tecnológica. Desde su aplicación en áreas críticas como la medicina hasta su integración en estrategias
publicitarias avanzadas, estas tecnologías están cambiando la forma en que interactuamos con el mundo visual
(Artola, 2019).
En Europa, el uso de redes neuronales ha sido ampliamente investigado y adoptado, destacándose su
capacidad para mejorar la precisión en la segmentación de mercados y la personalización de campañas de
marketing (Bennett y Lemoine, 2019). En América, esta tendencia se ha intensificado, con estudios que
demuestran cómo estos avances pueden influir en la toma de decisiones de compra, especialmente entre grupos
demográficos jóvenes (Davenport y Ronanki, 2018). En este contexto, Perú, y en particular Lima, presenta un
panorama único donde la adopción de tecnologías emergentes es menos explorada, especialmente en el sector
universitario.
Este trabajo de investigación tiene como objetivo examinar cómo la clasificación de imágenes basada en
redes neuronales puede modelar, impactar y predecir las preferencias de consumo entre los estudiantes
universitarios. Se busca ofrecer información valiosa que contribuya a la comprensión de las estrategias de
marketing digital, especialmente aquellas que utilizan contenido visual personalizado.
En América Latina, las diferencias en la percepción de confianza de los consumidores son evidentes,
siendo Brasil un caso donde la confianza en las compras en línea es notablemente alta, a diferencia de Perú,
donde aún persisten desafíos significativos en la motivación de compra en plataformas digitales (Hurwitz y Kirsch,
2018). Este fenómeno resalta la desconexión que muchos consumidores experimentan, evitando productos que
pueden no resonar con sus expectativas o experiencias previas.
Por lo tanto, se plantea el siguiente problema general: ¿De qué manera el clasificador de imágenes con
redes neuronales mejora el comportamiento del consumidor en plataformas digitales en estudiantes
universitarios? Y los problemas específicos: 1) ¿De qué manera el clasificador de imágenes con R.N. mejora la
motivación del comportamiento del consumidor en estudiantes universitarios? 2) ¿De qué manera el clasificador
de imágenes con R.N. mejora la percepción del comportamiento del consumidor en estudiantes universitarios? 3)
¿De qué manera el clasificador de imágenes con R.N. mejora el aprendizaje del comportamiento del consumidor
en estudiantes universitarios? y 4) ¿De qué manera el clasificador de imágenes con R.N. mejora la actitud del
comportamiento del consumidor en estudiantes universitarios?
Además, se plantea como objetivo general: Determinar de qué manera el clasificador de imágenes con
R.N. mejora el comportamiento del consumidor en estudiantes universitarios. Los objetivos específicos son: 1)
Determinar de qué manera el clasificador de imágenes con R.N. mejora la motivación del comportamiento del
consumidor en estudiantes universitarios. 2) Determinar de qué manera el clasificador de imágenes con R.N.
mejora la percepción del comportamiento del consumidor en estudiantes universitarios. 3) Determinar de qué
manera el clasificador de imágenes con R.N. mejora el aprendizaje del comportamiento del consumidor en
estudiantes universitarios. y 4) Determinar de qué manera el clasificador de imágenes con R.N. mejora la actitud
del comportamiento del consumidor en plataformas digitales en estudiantes universitarios.
Finalmente, se propone como hipótesis general: El clasificador de imágenes basado en R.N. mejora el
comportamiento del consumidor entre estudiantes universitarios. Las hipótesis específicas son: 1) El clasificador
3
de imágenes basado en R.N. mejora la motivación del comportamiento del consumidor en estudiantes
universitarios. 2) El clasificador de imágenes basado en R.N. mejora la percepción del comportamiento del
consumidor en estudiantes universitarios. 3) El clasificador de imágenes basado en R.N. mejora el aprendizaje
del comportamiento del consumidor en estudiantes universitarios. y 4) El clasificador de imágenes basado en
R.N. mejora la actitud del comportamiento del consumidor en estudiantes universitarios.
La investigación sobre la clasificación de imágenes con redes neuronales y su impacto en el
comportamiento del consumidor en estudiantes universitarios es muy importante, ya que este grupo representa
una parte significativa del mercado que adopta rápidamente nuevas tecnologías. Al comprender cómo estas
herramientas influyen en sus decisiones de compra, las empresas pueden personalizar sus estrategias de
marketing digital para mejorar la experiencia del consumidor y aumentar la tasa de conversión. Además, los
hallazgos de este estudio ofrecerán a las instituciones educativas perspectivas valiosas sobre cómo integrar
tecnologías emergentes en sus currículos, preparando a los estudiantes para un mercado laboral en constante
evolución.
Por otro lado, Kumar et al. (2022), en su estudio sobre clasificación de imágenes, destacan la importancia
de las Redes Neuronales Convolucionales (CNN) y de sistemas eficientes de procesamiento para la generación
de mapas temáticos, resaltan la necesidad de seleccionar cuidadosamente las características de datos y emplear
técnicas de clasificación como árboles de decisión y métodos basados en conocimiento, esenciales para integrar
información de múltiples fuentes. Además, subrayan el potencial de integrar GIS, teledetección y sistemas
expertos, un campo emergente que requiere mayor investigación para perfeccionar los procesos de clasificación.
El artículo también analiza cómo el aprendizaje profundo y la visión por computadora, mediante CNNs, pueden
mejorar la precisión de clasificación combinando características de distintas capas de estas redes. Para
demostrarlo, desarrollaron un modelo con el conjunto de datos CIFAR10 utilizando Keras como API y el método
de descenso de gradiente estocástico para la optimización.
Ferreira (2021), en su estudio, examina cómo los consumidores interactúan con estas tecnologías en el
ámbito del marketing. El estudio analiza su impacto en la experiencia del cliente a lo largo del proceso de compra,
desde la búsqueda de información hasta el soporte postventa, tanto en entornos digitales como físicos.
Enfocándose en los asistentes personales controlados por voz, Ferreira explora cómo estos dispositivos generan
emociones similares a las relaciones interpersonales, como pasión y compromiso, fomentando comportamientos
valiosos para las empresas. La investigación se estructura en dos partes: la primera analiza cómo las emociones
relacionadas con el amor del consumidor influyen en la lealtad hacia estas tecnologías, apoyándose en teorías
como el modelo S-O-R y la Teoría Triangular del Amor. La segunda examina cómo diferentes dimensiones de la
experiencia del consumidor impactan en el apego hacia los asistentes de voz y cómo este apego afecta
respuestas transaccionales, como la compra, y no transaccionales, como la recomendación. Este análisis utiliza
marcos teóricos como el modelo S-O-R, la Teoría del Apego y el brand engagement. El trabajo ofrece una visión
integral de las dinámicas emocionales y conductuales entre los consumidores y las tecnologías inteligentes,
aportando valiosas ideas para mejorar estrategias de marketing y fortalecer la relación entre marcas y usuarios.
Briones (2020), en su investigación, analiza la importancia de la experiencia del consumidor como un
elemento clave para destacar en un mercado competitivo. Enfocado en el centro comercial de Cajamarca durante
2019, el estudio tuvo como objetivo principal examinar la relación entre la experiencia del cliente y su nivel de
satisfacción. Para ello, se empleó un diseño de investigación correlacional y descriptivo, aplicando encuestas a
una muestra de 385 clientes. Los datos recolectados fueron analizados con herramientas estadísticas como Excel
y SPSS 25, y su fiabilidad se verificó mediante el coeficiente de Cronbach. Los resultados mostraron una relación
significativa y directa entre la experiencia del cliente y su satisfacción, evidenciada por un coeficiente de Pearson
de 0.386. Este hallazgo indica que al mejorar la experiencia que ofrece el centro comercial, también se incrementa
la satisfacción de los compradores. Si bien se concluye que el centro comercial proporciona una experiencia
excelente que mantiene a sus clientes satisfechos, el estudio señala que aún existen aspectos que no cumplen
completamente con las expectativas del público objetivo, lo que representa una oportunidad para seguir
mejorando su propuesta de valor.
Artola (2019) analiza el impacto de la Inteligencia Artificial (IA), el Machine Learning (ML) y el Deep
Learning (DL) en la tecnología y la vida cotidiana. La IA, como rama de la computación que emula actividades
humanas, ha dado lugar al ML, centrado en el aprendizaje automático, y al DL, que replica el procesamiento de
datos del cerebro humano mediante redes neuronales. Estas tecnologías tienen aplicaciones diversas, como la
detección de rostros y la generación de evaluaciones médicas. El estudio se enfoca en las redes neuronales
convolucionales, esenciales para el análisis y la categorización de imágenes, y en cómo entrenarlas para
maximizar precisión, sensibilidad y especificidad. Además, aborda los lenguajes de programación más usados en
4
IA, las bases de datos para procesamiento y el desempeño de estas redes, destacando tanto su fundamentación
teórica como su aplicación práctica en problemas reales.
En conjunto, estos estudios resaltan la influencia de la experiencia y las emociones del usuario en su
satisfacción y comportamiento, mientras destacan el papel de la IA y el aprendizaje profundo en la optimización
de procesos clave, subrayando la importancia de enfoques innovadores para estrategias de marketing y análisis
más efectivas.
Variable independiente
X: Clasificación de imágenes con redes neuronales.
Las redes neuronales artificiales (RN) son esenciales en el desarrollo de la inteligencia artificial,
especialmente en la clasificación de imágenes. Estas redes son eficaces para identificar patrones en datos
visuales, mejorando la precisión de clasificación al aprender de grandes cantidades de datos (Goodfellow et al.,
2016). El uso de redes neuronales profundas, particularmente las redes neuronales convolucionales (CNN), ha
demostrado ser relevante, ya que permite etiquetar imágenes basándose en características específicas (Li et al.,
2023).
Desde 2020, se han introducido innovaciones en CNN que abordan limitaciones como la "maldición de la
dimensionalidad", logrando una eficiente convergencia en la clasificación (Kohler et al., 2020). Además, la
implementación de redes de memoria a corto y largo plazo (LSTM) ha mejorado la capacidad de los clasificadores
para asociar experiencias previas y adaptarse a nuevos datos (Yang y Ding, 2020). Avances como modelos
simétricos rotacionales y redes neuronales siamesas (SNN) han permitido especializar clasificadores para
identificar patrones complejos, elevando la precisión en tareas específicas, Kohler y Walter (2022) corroboran
dicha información, lo que coincide con Naihua et al., (2024).
Estos avances en la clasificación de imágenes mediante RN y nuevas metodologías de optimización
presentan un potencial significativo para mejorar la comprensión del comportamiento del consumidor. Al clasificar
con mayor precisión las preferencias y comportamientos de los estudiantes universitarios, es posible impactar
directamente en las estrategias de marketing y desarrollo de productos dirigidos a este grupo (Hernández y Konig,
2019).
Dimensiones
X1: Arquitectura de la Red.
La elección del tipo de red neuronal, especialmente las redes neuronales convolucionales (CNN), es
fundamental para la clasificación de imágenes. Las CNN son capaces de extraer características jerárquicas a
partir de imágenes mediante la utilización de capas convolucionales y de pooling, lo que les permite identificar
patrones visuales complejos de manera eficaz (Goodfellow, Bengio, y Courville, 2016).
X2: Características del conjunto de datos.
Esta dimensión abarca tanto el tamaño como la diversidad del conjunto de datos empleado para entrenar
el modelo. Un conjunto de datos amplio y variado es crucial para mejorar la generalización del modelo y evitar el
sobreajuste. Además, es importante considerar la calidad de las imágenes y la representación de las clases dentro
del conjunto de datos (Li, Wu, y Zhang, 2023).
X3: Métricas de Evaluación.
Las métricas utilizadas para evaluar el rendimiento del modelo son esenciales para determinar su
efectividad. Las métricas principales incluyen precisión, recall y F1-score, que son herramientas clave para medir
la capacidad del modelo al clasificar imágenes en sus respectivas categorías (Schwarz y Lee, 2023).
Variable dependiente
Y: Comportamiento del consumidor universitario.
La experiencia del consumidor se refiere a la percepción general que un cliente tiene sobre una marca o
producto después de interactuar con él. En el contexto universitario, esta experiencia abarca todos los aspectos
de la interacción de los estudiantes con servicios, productos y recursos ofrecidos por la institución educativa. La
calidad de esta experiencia puede influir significativamente en la satisfacción, lealtad y comportamiento futuro de
los estudiantes (Rangel et al., 2021).
Factores que influyen en la experiencia del consumidor universitario
La experiencia del consumidor universitario está influenciada por diversos factores elementales:
Calidad de los servicios. En primer lugar, la calidad de los servicios desempeña un papel fundamental.
La eficiencia y efectividad de los servicios administrativos, académicos y de soporte técnico son esenciales para
garantizar la satisfacción del estudiante (Bustamante et al., 2022).
Ambiente de aprendizaje. Además, el ambiente de aprendizaje tiene una gran incidencia en la experiencia
del estudiante. Un entorno que cuente con infraestructura adecuada, recursos educativos de calidad y un clima
inclusivo contribuye de manera significativa a su satisfacción y desarrollo (Contreras et al., 2019).
5
Tecnología y acceso a la información. Finalmente, la tecnología y el acceso a la información son factores
determinantes. La disponibilidad y facilidad de acceso a tecnologías avanzadas y recursos digitales enriquecen
la experiencia educativa, facilitando tanto el aprendizaje como la investigación (Romero et al., 2016).
Dimensiones
Y1: Motivación del comportamiento del consumidor en estudiantes universitarios.
La motivación juega un papel fundamental en el comportamiento del consumidor, y en el caso de los
estudiantes universitarios, está influenciada por una variedad de necesidades y deseos. Entre estos se incluyen
la búsqueda de reconocimiento académico, el deseo de adquirir conocimiento y la mejora de habilidades tanto
personales como profesionales. Desde la perspectiva de la Teoría de Maslow, la jerarquía de necesidades
humanas puede aplicarse al contexto universitario, donde primero se deben satisfacer las necesidades básicas,
como las fisiológicas y de seguridad, antes de que los estudiantes busquen cumplir con necesidades superiores,
como el reconocimiento y la autorrealización. Además, la Teoría de la Autodeterminación destaca que los
estudiantes están motivados por su necesidad de competencia, autonomía y relaciones sociales, factores que
influyen de manera significativa en su impulso por alcanzar sus metas académicas y personales (Deci y Ryan,
2000). Por otro lado, los indicadores como motivación a compra, exploración de nuevos productos, intereses
coincidentes, reutilización del sistema, interés de compra inmediata, Motivación del comportamiento del
consumidor en estudiantes universitarios, percepción del comportamiento del consumidor en estudiantes
universitarios. la percepción es el proceso a través del cual las personas seleccionan, organizan e interpretan la
información para construir una visión coherente del entorno.
En el caso de los estudiantes universitarios, la forma en que perciben la calidad educativa, las condiciones
de la infraestructura del campus y los servicios de apoyo afecta directamente sus decisiones y comportamientos
de consumo. Según Kotler y Keller (2016), la percepción del consumidor es subjetiva y puede verse moldeada
tanto por factores internos, como las experiencias previas y las expectativas, como por factores externos, tales
como las estrategias de marketing y las opiniones de otros estudiantes.
Y3: Aprendizaje del comportamiento del consumidor en estudiantes universitarios.
El aprendizaje implica un cambio en el comportamiento del consumidor debido a la experiencia y la
información adquirida. En el contexto universitario, los estudiantes aprenden no solo mediante la enseñanza
formal en el aula, sino también a través de interacciones sociales y experiencias prácticas. La teoría del
aprendizaje social de Bandura propone que los estudiantes adquieren conocimientos observando y copiando el
comportamiento de sus compañeros y modelos a seguir. Además, el desarrollo de habilidades críticas,
promoviendo la participación en actividades colaborativas y proyectos prácticos (Bruner, 1966). Por otro lado,
tenemos los indicadores como el aprendizaje sobre nuevos productos, descubrimiento de categorías, enseñanza
sobre productos, facilitación del aprendizaje, mejora del conocimiento general, y la actitud del comportamiento
del consumidor en estudiantes universitarios.
La actitud se define como la disposición aprendida de un individuo para reaccionar de manera positiva o
negativa ante un objeto, persona o situación. En el caso de los estudiantes universitarios, sus actitudes hacia la
educación, los profesores y la institución influyen de manera significativa en su comportamiento como
consumidores. La teoría de la acción razonada, propuesta por Fishbein y Ajzen, sostiene que las actitudes, junto
con las normas subjetivas, afectan las intenciones de comportamiento, las cuales, a su vez, determinan las
acciones reales. En el ámbito universitario, una actitud positiva hacia la educación puede fomentar un mayor
compromiso y éxito académico y los indicadores como la actitud general, y la recomendación a otros, y la
confianza en el sistema y el uso futuro.
Metodología
El estudio es de tipo aplicado y de alcance explicativo, orientado a resolver problemas y predecir
resultados. Busca medir la percepción sobre la clasificación de imágenes mediante redes neuronales y su relación
con el comportamiento del consumidor en estudiantes universitarios. Se clasifica como explicativo porque analiza
y explica relaciones causales entre variables, e investiga cómo un clasificador de imágenes con Redes
Neuronales Artificiales (RNA) influye en la experiencia educativa. El diseño preexperimental evalúa los efectos
de este sistema en el aprendizaje, explorando su impacto en la satisfacción e interacción del usuario, lo cual está
alineado con los estudios explicativos. Con respecto a la población, se refiere a los estudiantes de la UNFV que
usan plataformas digitales, la cual está compuesta por 500 estudiantes en Lima Metropolitana. Para el modelo de
clasificación de imágenes, se incluyeron 625 imágenes de entrenamiento y 205 de prueba. Por otro lado, se
seleccionó un grupo de 50 estudiantes universitarios de la UNFV para los pretest y postest en un diseño
preexperimental, siguiendo criterios específicos de investigación. La investigación utilizó técnicas de Deep
Learning, específicamente el modelo VGG16, y encuestas para estudiar la experiencia del consumidor en
6
estudiantes universitarios. El modelo VGG16 se seleccionó por su eficacia comprobada en la clasificación de
imágenes. Además, se aplicó un cuestionario diseñado siguiendo los lineamientos de Denscombe para recopilar
datos cuantitativos sobre la satisfacción y usabilidad del sistema propuesto.
Resultados y discusión
Figura 1
Carga del modelo VGG16 preentrenada con capas de ajuste fino para clasificación de imágenes
La imagen muestra el proceso de entrenamiento del modelo VGG16 durante 15 épocas. Se detallan las
métricas de pérdida (loss) y precisión (accuracy) en los datos de entrenamiento.
Figura 2
Entrenamiento del modelo VGG16 en TensorFlow
En la Figura 2, la imagen presenta el código para cargar y probar el modelo VGG16 en TensorFlow. Se
define su arquitectura, congelando las capas iniciales y añadiendo nuevas capas de clasificación para un conjunto
de datos específico. También se verifica la construcción del modelo y se cargan los pesos entrenados, asegurando
dimensiones adecuadas.
Figura 3
7
Interfaz de clasificador de imágenes con predicciones de alta confianza
En la figura 3 la imagen muestra una aplicación web de un clasificador de imágenes que permite al usuario
seleccionar y cargar archivos de imagen. Dos ejemplos presentan resultados de clasificación: uno predice
"calzado" con una confianza de 99.99%, y otro predice "polo" con un nivel de confianza de 99.99%. Ambas
predicciones indican que el modelo tiene un alto grado de precisión en sus clasificaciones.
A continuación, se muestran los resultados descriptivos de la variable experiencia del consumidor:
Tabla 1
Nivel de experiencia del consumidor
Nivel
Pretest VD (%)
Postest VD (%)
Bueno
0%
90%
Regular
24%
10%
Malo
76%
0%
En el pretest, donde se evaluó el sistema tradicional sin el clasificador de imágenes, el 76% de los
usuarios calificó su experiencia como Mala, y el 24% como “Regular”, lo que reflejó una percepción mayormente
negativa y una baja satisfacción con el sistema. Sin embargo, en el postest, después de la implementación del
clasificador de imágenes, el 90% de los usuarios calificó su experiencia como “Buena”, mientras que solo un 10%
la consideró “Regular”, y no se registraron calificaciones negativas.
Tabla 2
Rangos con signo de Wilcoxon del comportamiento del consumidor entre estudiantes universitarios
Se aplicó la prueba de rangos con signo de Wilcoxon para evaluar las diferencias en el comportamiento
del consumidor antes y después de utilizar el clasificador de imágenes, obteniendo un valor de significancia de
0.000, que es inferior a 0.050. Esto llevó al rechazo de la hipótesis nula (H0), evidenciando que el clasificador de
imágenes basado en redes neuronales mejora el comportamiento del consumidor entre estudiantes universitarios.
Hipótesis nula
Prueba
Sig.a,b
Decisión
La mediana de diferencias entre
Experiencia del Consumidor - Pretest
y Experiencia del Consumidor -
Postest es igual a 0.
Prueba de rangos con signo de
Wilcoxon para muestras
relacionadas
,000
Rechazo de la hipótesis
nula.
Nota. A. El nivel de significación es de ,050. B. Se muestra la significancia asintótica.
8
La diferencia observada no es aleatoria, sino un cambio real en la interacción y decisiones de los consumidores
tras la aplicación del clasificador.
En cuanto a la discusión de resultados, podemos señalar en relación con el objetivo general de esta
investigación, que fue determinar cómo el clasificador de imágenes basado en redes neuronales (RN) mejora el
comportamiento del consumidor en estudiantes universitarios, los resultados obtenidos indican un efecto
significativo. La prueba de rangos de Wilcoxon arrojó un valor de significancia de 0.000, lo que confirma que el
cambio observado no es aleatorio, sino que es atribuible directamente a la intervención tecnológica. Este hallazgo
respalda los resultados de Briones (2020), quien subrayó la importancia de la experiencia del cliente en la
satisfacción, aunque centró su investigación en centros comerciales, este estudio amplía esta perspectiva al
contexto de decisiones de consumo de los estudiantes universitarios, específicamente en la interacción con una
tecnología de clasificación de imágenes.
Finalmente, el uso de redes neuronales densas y convolucionales (VGG16) mostró una alta precisión en
la clasificación de imágenes, destacándose el uso de técnicas como la normalización, el aumento de datos y el
análisis visual. Estos resultados son consistentes con los encontrados por Alipour (2024), quien probó CNNs con
datos de diversas fuentes y resaltaron la importancia de seleccionar adecuadamente las características de los
datos. La alta precisión alcanzada en nuestro modelo de RN refuerza la validez de estos hallazgos, destacando
la clasificación precisa como un factor trascedente para mejorar la confianza en el modelo y, por ende, la
experiencia del consumidor en plataformas digitales.
Conclusiones
En cuanto a la aplicación del modelo de clasificador de imágenes basado en Redes Neuronales
Convolucionales (RNC) para un retail, se utilizó la arquitectura preentrenada VGG16 como base. Esta
configuración permitió aprovechar características avanzadas en el procesamiento de imágenes, mejorando
significativamente el rendimiento del modelo. Además, se aplicaron técnicas de aumento de datos, como rotación,
desplazamiento y zoom, para optimizar la capacidad del modelo para generalizar y adaptarse a las variaciones
de las imágenes. El modelo, entrenado con 625 imágenes de cuatro categorías de productos (bolsos, calzado,
pantalones y polos), alcanzó una alta precisión en las predicciones, deteniéndose automáticamente al alcanzar
la mejor precisión posible. En la fase de prueba, el modelo clasificó nuevas imágenes de productos con un alto
nivel de confianza, lo que permitió sugerir etiquetas específicas para cada categoría de productos de retail.
La prueba de rangos con signo de Wilcoxon arrojó un valor de significancia de 0,000, lo que llevó al
rechazo de la hipótesis nula. Esto demuestra que los cambios observados en la motivación, percepción,
aprendizaje y actitud de los estudiantes no fueron aleatorios, sino que se atribuyen de manera directa a la
implementación del clasificador de imágenes. Se utilizó la arquitectura VGG16 preentrenada de redes neuronales
convolucionales, aplicando técnicas de aumento de datos para mejorar el rendimiento del modelo. El modelo
alcanzó alta precisión en la clasificación de cuatro categorías de productos, demostrando ser efectivo para sugerir
etiquetas en un contexto de retail.
Referencias
Akbiyik, M. (2019). Data Augmentation in Training CNNs: Injecting Noise to Images. arXiv.
https://www.semanticscholar.org/paper/Data-Augmentation-in-Training-CNNs:-Injecting-Noise-
Akbiyik/25945081386bb3d56379bf7896829a56017fb34d
Artola, A. (2019). Clasificación de imágenes usando redes neuronales convolucionales en Python. [Tesis de
Pregrado, Universidad de Sevilla]. https://idus.us.es/items/5de63781-526e-4cb1-94c1-a70431bfb9d4
Bennett, N., y Lemoine, G. J. (2019). What a difference a word makes: Understanding threats to performance in
a VUCA world. Business Horizons, 62(3), 273–283. https://doi.org/10.1016/j.bushor.2019.01.008
Briones, H. (2020). Relación entre la experiencia del consumidor y la satisfacción del cliente de un centro
comercial en la ciudad de Cajamarca [Tesis de Pregrado, Universidad Privada del Norte].
https://repositorio.upn.edu.pe/handle/11537/24264?show=full
Bruner, J. S. (1966). Toward a theory of instruction. Harvard University Press.
https://www.hup.harvard.edu/books/9780674897014
Bustamante, H., Sánchez, N., Agudelo, J. y Camilo, M. (2022). Tendencias de consumo de los estudiantes
universitarios y la influencia del e-commerce durante la Pandemia del COVID-19: Estudio de caso. LATAM
Revista Latinoamericana de Ciencias Sociales y Humanidades, 3(2), 355-371.
https://doi.org/10.56712/latam.v3i2.92
9
Contreras, M., Rojano, Y. y Cardona, D. (2019). Caracterización del consumidor universitario: un estudio
etnográfico. Panorama Económico, 27(2), 559-574.
https://dialnet.unirioja.es/servlet/articulo?codigo=7513401
Davenport, T. H., y Ronanki, R. (2018). Artificial intelligence for the real world. Harvard Business Review, 96(1),
108–116. https://hbr.org/2018/01/artificial-intelligence-for-the-real-world
Deci, E., y Ryan, R. (2009). The "What" and "Why" of Goal Pursuits: Human Needs and the Self-Determination of
Behavior. Psychological Inquiry, 11(4), 227-268. https://doi.org/10.1207/S15327965PLI1104_01
Ferreira, I. (2021). Estudio de las experiencias del consumidor con tecnologías inteligentes controladas por voz.
[Tesis de Doctorado, Universidad de la Rioja]. https://dialnet.unirioja.es/servlet/tesis?codigo=304874
Goodfellow, I., Bengio, Y., y Courville, A. (2016). Deep Learning. MIT Press. https://www.deeplearningbook.org/
Hafiz, R., y Bhat, G. (2020). Deep Network Ensemble Learning applied to Image Classification using CNN Trees.
Journal of Computer Vision, 22(2), 1-9. https://arxiv.org/pdf/2008.00829
Hernández, R., Fernández, C. y Baptista, M. (2014). Metodología de la Investigación (6ta ed.). McGraw-Hill.
https://dialnet.unirioja.es/servlet/libro?codigo=775008
Hernández-García, A. y Konig, P. (2029). Further advantages of data augmentation on convolutional neural
networks. arXiv. 1-8. https://arxiv.org/pdf/1906.11052
Hurwitz, J., y Kirsch, D. (2018). Machine learning for dummies (2nd ed.).
Wiley. https://doi.org/10.1002/9781119473721
Kohler, M., Krzyzak, A., y Walter, G. (2020). On the rate of convergence of image classifiers based on convolutional
neural networks. Annals of the Institute of Statistical Mathematics, 74, 1085-1108.
https://link.springer.com/article/10.1007/s10463-022-00828-4
Kohler, M., y Walter, G. (2022). Analysis of Convolutional Neural Network Image Classifiers in a Rotationally
Symmetric Model. IEEE Transactions on Information Theory, 69(8), 5203-5218.
https://ieeexplore.ieee.org/document/10083208
Kotler, P., y Keller, K. (2016). Marketing Management (15 ed.). Pearson.
https://www.academia.edu/37145555/Direcci%C3%B3n_en_Marketing_Kotler_y_Keller_15va_edici%C3
%B3n
Kumar, A., Singh, K. P., Kumar, S., y Vetrivendan, L. (2022). Image classification in Python using Keras. En D.
Gupta, Z. Polkowski, A. Khanna, S. Bhattacharyya, y O. Castillo (Eds.), Proceedings of Data Analytics and
Management. Springer, 90, 557–564. https://doi.org/10.1007/978-981-16-6289-8_45
Li, Q., Huang, Z., Yang, H. y Song, M. (setiembre de 2023). A review of quantum machine learning for image
classification. En 2023 2nd International Conference on Artificial Intelligence, Internet of Things and Cloud
Computing Technology, IEEE, 70-75. https://doi.org/10.1109/IMSE61332.2023.00021
Naihua, J., Rongyi, B., Zhao, C., Yiming, Y. y Hongyang, M. (2024). Hybrid Quantum Neural Network Image Anti-
Noise Classification Model Combined with Error Mitigation. Applied Sciences, 14(4), 1392.
https://doi.org/10.3390/app14041392
Rangel, L., Azuela, J. y Ochoa, M., (2020). Explorando el perfil del consumidor universitario. Un estudio de caso
de una escuela socialmente responsable en México. CIENCIA ergo-sum, Revista Científica
Multidisciplinaria de Prospectiva, 28(3). https://www.redalyc.org/journal/104/10467404008/html/
Romero, F., Carrió, M. y Yang, Q. (2016). Hábitos de consumo TIC de los estudiantes universitarios estudio
comparativo entre China y España. Universitat d’Alacant.
https://rua.ua.es/dspace/handle/10045/64942
Schwarz, D., Lee, J., y Xu, Y. (2023). Performance evaluation metrics for deep learning models in medical image
classification: A comprehensive review. Journal of Medical Imaging and Health Informatics, 13(4), 915-
927. https://doi.org/10.1166/jmihi.2023.432
Yang, H., y Ding, Y. (2020). Associative Memory Optimized Method on Deep Neural Networks For Image
Classification. Information Sciences, 533, 108-119. https://doi.org/10.1016/j.ins.2020.05.038
