En este artículo de investigación se presentan los resultados obtenidos durante el desarrollo del proyecto Diseño de un modelo de Gestión de Relaciones con los clientes en una Empresa de Consultoría de Barranquilla, Colombia. Inicialmente se hace una revisión bibliográfica de los desarrollos conceptuales de la gestión de clientes, gerencia del servicio, calidad del servicio, servicio y servicio al cliente, así como de modelos relacionados con la gestión y servicio al cliente, los cuales sirvieron de soporte conceptual para el diseño del modelo propuesto. Lo anterior a través de un análisis cualitativo, descriptivo propositivo y cuantitativo, soportado en un análisis de simulación de la satisfacción de los clientes de la empresa para lo cual se utilizó la dinámica de sistemas. Del modelo de gestión de relaciones con los clientes, se puede concluir que mejora el nivel de satisfacción de los clientes, lo que redunda en una mayor fidelización del mismo. Finalmente el trabajo realizado constituye un aporte de importancia para el sector de consultoría en la medida que se proporciona un modelo de gestión que mejora los niveles de satisfacción de sus clientes.

This study aims to identify and characterize the financial profiles of tourism-sector firms in Barranquilla through the application of unsupervised Machine Learning techniques, with the purpose of analyzing patterns of financial behavior based on profitability, capital structure, and liquidity. The research adopts a quantitative and descriptive design, using secondary financial data for fiscal year 2024 obtained from the Barranquilla Chamber of Commerce. The initial sample comprised 563 active tourism firms. Based on basic accounting variables, normalized financial indicators were constructed through a feature engineering process that included correlation analysis, variable selection, and robust scaling. A range of clustering algorithms representing different methodological paradigms as partitional, hierarchical, density-based, and probabilistic, were evaluated using a multicriteria validation framework combining internal cluster quality metrics and cluster size balance. The OPTICS algorithm was selected as the most suitable method for the final segmentation. The results revealed two regular financial clusters and a group of atypical firms. One cluster corresponds to firms with no observable financial activity, characterized by zero profitability, absence of leverage, and exclusive reliance on equity financing. The second cluster groups financially active firms exhibiting high indebtedness, low equity participation, negative profitability, and liquidity constraints, reflecting conditions of financial distress. Non-parametric statistical tests confirmed significant differences between clusters, primarily in indicators related to capital structure and profitability, while firm size did not account for the observed segmentation. Overall, the findings demonstrate that behavior-based financial segmentation supported by unsupervised Machine Learning and normalized financial ratios enables the identification of robust and interpretable financial archetypes, with capital structure and profitability emerging as the main differentiating factors.

Objetivo: Desarrollar un método para clasificar, caracterizar y pronosticar perfiles competitivos del sector tiendas minoristas a partir de la integración de la técnica de análisis de cluster y las redes neuronales artificiales. Metodología: Para lo anterior se revisó la literatura relacionada con la competitividad de tiendas minoristas a partir de lo cual se identificaron variables asociadas a esta investigación. La información analizada corresponde a 224 tiendas de comercio minorista de la ciudad de Barranquilla. Resultados: El análisis de cluster permitió caracterizar 4 perfiles competitivos del sector que mostraron ser homogéneos intragrupo y heterogéneos extragrupo, El modelo de red neuronal artificial mostró un 91,3% de clasificación correcta en la muestra de reserva, con lo cual se infiere la capacidad de clasificación del modelo de red y la capacidad discriminante de las variables relacionadas con el conocimiento de productos y precios, las prácticas de inventario y ventas, presencia en el mercado, atención diferenciada, ubicación y variedad de productos en los perfiles identificados. Conclusiones: Los resultados de la investigación muestran alta capacidad del método cluster-RNA, para clasificar y proyectar perfiles competitivos a partir de los cuales se pueden diseñar procesos de mejoramiento.

The objective of this chapter is to analyze the problem surrounding the task of prognosis with neural networks and the factors that affect the construction of the model, and that often lead to inconsistent results, emphasizing the problems of selecting the training algorithm, the number of neurons in the hidden layer, and input variables. The methodology is to analyze the forecast of time series, due to the growing need for tools that facilitate decision-making, especially in series that, given their characteristics of noise and variability, infer nonlinear dynamics. Neural networks have emerged as an attractive approach to the representation of such behaviors due to their adaptability, generalization, and learning capabilities. Practical evidence shows that the Delta Delta and RProp training methods exhibit different behaviors than expected.