IMPLEMENTACIÓN DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL Y BIG DATA PARA LA OPTIMIZACIÓN DEL CUSTOMER JOURNEY EN L’ORÉAL: EL USO DE MACHINE LEARNING PARA LA RECOMENDACIÓN DE PRODUCTOS - San Luis Kravtseva, Ksenia

Abstract

La digitalización del sector de la belleza ha impulsado la necesidad de estrategias avanzadas de personalización para optimizar la experiencia del cliente y mejorar la conversión digital. En este contexto, el presente trabajo analiza la aplicación de técnicas de machine learning y Big Data en el customer journey de L’Oréal, con el objetivo de desarrollar modelos predictivos que optimicen la conversión de usuarios y personalicen la recomendación de productos. Para ello, se diseñaron dos modelos basados en machine learning: un modelo de conversión, utilizando Random Forest y XGBoost, capaz de estimar la probabilidad de compra en función del comportamiento del usuario en la web; y un sistema de recomendación de productos mediante redes neuronales, orientado a personalizar las sugerencias de compra. Debido a restricciones de confidencialidad, se generó una base de datos sintética basada en patrones de comportamiento observados en Google Analytics de la compañía. Los resultados muestran que los modelos de conversión identifican correctamente patrones de compra, aunque presentan limitaciones en la detección de usuarios con mayor propensión a la conversión. Por su parte, el modelo de recomendación alcanzó una precisión del 64.90%, demostrando su capacidad para generar recomendaciones, aunque con tendencia a favorecer ciertos productos. Estos hallazgos subrayan la importancia de mejorar la representatividad de los datos, optimizar los hiperparámetros y explorar técnicas avanzadas de modelado para su aplicación en un entorno real. Este estudio concluye que la implementación de machine learning en la gestión del customer journey representa una oportunidad estratégica para L’Oréal, permitiendo mejorar la personalización, incrementar la conversión y optimizar las decisiones de marketing digital. No obstante, para garantizar su eficacia en un entorno empresarial, es fundamental mejorar la calidad de los datos, evaluar el desempeño de los modelos con información real y garantizar su alineación con las estrategias comerciales de la compañía.

The digital transformation of the beauty sector has driven the need for advanced personalization strategies to optimize customer experience and enhance digital conversion. In this context, this study analyzes the application of machine learning and Big Data techniques in L’Oréal’s customer journey, with the objective of developing predictive models that optimize user conversion and personalize product recommendations. To achieve this, two machine learning-based models were designed: a conversion prediction model using Random Forest and XGBoost, capable of estimating the probability of purchase based on user behavior on the website, and a product recommendation system utilizing neural networks, aimed at personalizing purchase suggestions. Due to confidentiality restrictions, a synthetic database was generated based on behavioral patterns observed in the company's Google Analytics data. The results show that the conversion models accurately identify purchasing patterns, although they present limitations in detecting users with a higher propensity to convert. Meanwhile, the recommendation model achieved an accuracy of 64.90%, demonstrating its ability to generate recommendations, albeit with a tendency to favor certain products. These findings highlight the importance of improving data representativeness, optimizing hyperparameters, and exploring advanced modeling techniques for real-world application. This study concludes that the implementation of machine learning in customer journey management represents a strategic opportunity for L’Oréal, enabling improved personalization, increased conversion rates, and optimized digital marketing decisions. However, to ensure its effectiveness in a business environment, it is crucial to enhance data quality, evaluate model performance with real-world data, and ensure alignment with the company's marketing strategies.