Técnicas de aprendizaje automático para la predicción de métricas clave en campañas de marketing digital: Una revisión Sistemática

• Autor: Soberon Quintana, Bernabe Bryan
• Formato: tesis de grado
• Fecha de Publicación: 2026
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/17100
• Enlace del recurso: https://hdl.handle.net/20.500.12802/17100
• Nivel de acceso: acceso abierto
• Materia: Marketing digital; Aprendizaje automático; Campañas publicitarias; Métricas de rendimiento; Revisión sistemática; https://purl.org/pe-repo/ocde/ford#2.02.04

El marketing digital genera grandes volúmenes de datos sobre impresiones, clics y conversiones, cuya explotación mediante técnicas de aprendizaje automático permite mejorar la toma de decisiones en campañas publicitarias. Sin embargo, la evidencia científica sobre estos métodos se encuentra dispersa en distintos dominios, métricas y tipos de modelos, lo que dificulta tener una visión integrada del estado del arte. El presente trabajo tiene como objetivo realizar una revisión sistemática de literatura para identificar, analizar y comparar las técnicas de aprendizaje automático empleadas en la predicción de métricas clave de campañas de marketing digital. Se siguió un protocolo basado en PICOC y PRISMA, consultando bases de datos especializadas (Scopus, Web of Science, IEEE Xplore, ScienceDirect y SpringerLink) en el periodo 2019–2025. Tras aplicar criterios de inclusión, exclusión y evaluación de calidad, se seleccionaron 41 estudios empíricos. Los resultados muestran un predominio de modelos de clasificación supervisada, en particular Regresión Logística, Random Forest, SVM, XGBoost y arquitecturas profundas orientadas a la predicción de CTR y conversiones, evaluadas mediante métricas como AUC-ROC, AUC-PR y F1-score. Se observa una fuerte concentración de casos en grandes plataformas y mercados desarrollados, mientras que las PYMEs y los contextos latinoamericanos aparecen poco representados. Se concluye que existen oportunidades de investigación en el diseño de modelos explicables, el uso de conjuntos de datos abiertos y la adaptación de estas técnicas a realidades de recursos limitados, como las PYMEs peruanas.