Un nuevo modelo de marketing ha surgido para transformar las estrategias de marketing inteligente en el comercio electrónico transfronterizo, combinando las capacidades de un perceptrón multicapa y redes neuronales convolucionales. La creciente diversificación de los consumidores y sus preferencias ha llevado a la necesidad de enfoques más efectivos que los métodos tradicionales, que a menudo no logran captar la complejidad del mercado global. Con este nuevo marco de trabajo, los investigadores buscan mejorar la personalización de las experiencias de compra, adaptándose de manera más precisa a las necesidades de los consumidores en diferentes regiones.
El innovador modelo, denominado Perceptrón Multicapa-Optimización de Lobo Gris-Rede Neuronal Convolucional (MLP-GWO-CNN), integra técnicas avanzadas de aprendizaje automático, permitiendo una gestión más eficaz de los datos en entornos complejos y escasos. Esta fusión de tecnologías se basa tanto en las calificaciones de usuarios como en etiquetas sociales, lo que permite una comprensión más profunda de las preferencias de los consumidores. Así, se busca ofrecer recomendaciones de marketing que no solo sean personalizadas, sino que también se alineen con las características culturales de cada mercado.
La arquitectura de red profunda de doble vía del modelo combina las fortalezas de los Perceptrones Multicapa y las Redes Neuronales Convolucionales. Esto permite a las empresas extraer características relevantes de las interacciones pasadas de los usuarios y analizar las dimensiones semánticas de sus perfiles. Esta capacidad para adaptar estrategias de marketing a un contexto cultural diverso es fundamental en un entorno comercial globalizado, donde las expectativas de los consumidores pueden variar significativamente de un país a otro.
Una de las características más destacadas del modelo es la incorporación del algoritmo de Optimización de Lobo Gris, que se utiliza para optimizar los pesos y sesgos dentro del MLP. Este enfoque no solo mejora la eficiencia del entrenamiento, sino que también reduce la probabilidad de caer en óptimos locales, lo que significa que el modelo puede aprender de manera más efectiva. Los resultados obtenidos de experimentos con conjuntos de datos en el mundo real muestran que el MLP-GWO-CNN ha alcanzado una precisión superior al 89% y tasas de recuperación que superan el 90%, posicionándose por encima de los algoritmos de recomendación convencionales.
El análisis de las calificaciones de los usuarios junto con las etiquetas sociales permite crear perfiles de usuario más completos, lo que resulta en estrategias de marketing que reflejan con mayor fidelidad las preferencias de los consumidores. A medida que las empresas buscan competir en plataformas globales, los hallazgos de este estudio ofrecen valiosas perspectivas sobre cómo mejorar el marketing inteligente. Con miras al futuro, se prevé que el desarrollo de sistemas de recomendación aún más eficientes incluirá tecnologías de procesamiento de lenguaje natural, permitiendo interacciones en tiempo real que sean más matizadas y adaptativas. Este avance podría abrir nuevas dimensiones en la participación del comercio electrónico global, ayudando a las empresas a satisfacer mejor las demandas de un mercado en constante evolución.
