Identificación de patrones de oferta y demanda en entornos digitales mediante Aprendizaje Automático: una revisión sistemática

• Autor: Ynoñan Barreto, Jhair Orlando Imanol
• 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:20.500.12802/17006
• Enlace del recurso: https://hdl.handle.net/20.500.12802/17006
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje automático; Comercio electrónico; Predicción de demanda; Comportamiento del consumidor; Revisión sistemática; https://purl.org/pe-repo/ocde/ford#2.02.04

El crecimiento acelerado del comercio electrónico ha incrementado la necesidad de anticipar patrones de oferta y demanda que permitan optimizar la gestión de inventarios, la personalización de la oferta y la toma de decisiones estratégicas en entornos digitales altamente dinámicos. En este contexto, el Aprendizaje Automático se ha consolidado como una herramienta clave para el análisis predictivo del comportamiento del consumidor y la estimación de la demanda. El objetivo de la presente investigación fue identificar y analizar los patrones de oferta y demanda en entornos digitales mediante una revisión sistemática de la literatura científica. La metodología se desarrolló siguiendo las directrices del estándar PRISMA 2020, realizando una búsqueda exhaustiva en las bases de datos Scopus y Web of Science, considerando artículos publicados entre los años 2022 y 2024. Como resultado, se seleccionaron 40 estudios científicos originales que abordan la aplicación de técnicas de aprendizaje automático en el comercio electrónico, incluyendo modelos de ensamble, aprendizaje profundo, arquitecturas híbridas y enfoques multimodales. Los resultados evidencian un crecimiento significativo de la producción científica, especialmente durante el año 2024, y confirman que los modelos híbridos superan a los métodos tradicionales en términos de precisión predictiva y reducción del error, medido mediante métricas como MAPE y RMSE. Asimismo, se identifican limitaciones recurrentes relacionadas con la escasa integración de fuentes de datos heterogéneas y el uso limitado de técnicas de inteligencia artificial explicable. En conclusión, la revisión sistemática demuestra que el Aprendizaje Automático posee un alto potencial para la identificación de patrones de oferta y demanda en entornos digitales, resaltando la necesidad de desarrollar modelos integrales, transparentes y orientados a aplicaciones reales del comercio electrónico.