Bocigas Solar, María Olga Lapetra Murcia, Fernando Universidad Pontificia Comillas, Facultad de Ciencias Económicas y Empresariales 2025-09-29T08:17:05Z 2025-09-29T08:17:05Z 2026 http://hdl.handle.net/11531/105527 Grado en Psicología y Grado en Administración y Dirección de Empresas Este trabajo analiza el proceso de Machine Learning aplicado a la publicidad automatizada en Marketplaces B2C para determinar en qué medida genera ventajas competitivas asimétricas y sostenidas entre los actores que participan en él. Frente al discurso dominante que presenta estos sistemas como democratizadores del acceso al mercado digital, el análisis demuestra que la arquitectura del pipeline introduce seis barreras estructurales encadenadas granularidad del dato, capacidad técnica y volumen, volumen de ejemplos etiquetados, presupuesto experimental, volumen de tráfico mínimo y apropiación del aprendizaje que condicionan de forma progresiva la posición competitiva de cada actor. Apoyándose en el marco VRIO de Barney (1991) y en el concepto de path dependence de Arthur (1989), el trabajo argumenta que estas barreras no son temporales ni corregibles con mayor inversión, sino estructurales: los recursos necesarios para mitigarlas son inimitables y la dinámica de refuerzo acumulativo amplía la brecha entre actores con el tiempo en lugar de reducirla. A partir de este análisis se propone el concepto de espectro de apropiación diferencial, que clasifica a los actores no por su tamaño sino por su capacidad real de acceder a las distintas fases del pipeline. En el extremo del espectro se encuentra la plataforma, único actor que controla el ciclo completo y se apropia del aprendizaje generado por todos los demás. El resultado es un sistema que, bajo una apariencia de acceso igualitario, reproduce y amplifica las asimetrías estructurales entre quienes lo usan. This paper analyses the Machine Learning pipeline applied to automated advertising in B2C Marketplaces to determine the extent to which it generates asymmetric and sustained competitive advantages among the actors involved. Against the prevailing narrative that presents these systems as democratising tools for digital market access, the analysis shows that the pipeline architecture introduces six chained structural barriers data granularity, technical capacity and volume, labelled example volume, experimental budget, minimum traffic volume, and learning appropriation that progressively condition the competitive position of each actor. Drawing on Barney's (1991) VRIO framework and Arthur's (1989) concept of path dependence, the paper argues that these barriers are not temporary or correctable through greater investment, but structural: the resources needed to mitigate them are inimitable, and the cumulative reinforcement dynamic widens the gap between actors over time rather than narrowing it. Building on this analysis, the paper proposes the concept of a differential appropriation spectrum, which classifies actors not by size but by their actual capacity to access the different phases of the pipeline. At one extreme of the spectrum sits the platform itself, the only actor that controls the complete cycle and appropriates the learning generated by all others. The result is a system that, beneath an appearance of equal access, reproduces and amplifies structural asymmetries among those who use it. application/pdf es-ES Attribution-NonCommercial-NoDerivs 3.0 United States http://creativecommons.org/licenses/by-nc-nd/3.0/us/ K21 La aplicación de MACHINE LEARNING en los detallistas online (marketplaces) y sus consecuencias (ODS 9 - Industria, Innovación e Infraestructuras) info:eu-repo/semantics/bachelorThesis info:eu-repo/semantics/openAccess Machine Learning, publicidad automatizada, Marketplaces B2C, barreras estructurales, ventaja competitiva, path dependence, VRIO, apropiación diferencial, aprendizaje por refuerzo, predicción de CTR. Machine Learning, automated advertising, B2C Marketplaces, structural barriers, competitive advantage, path dependence, VRIO, differential appropriation, reinforcement learning, CTR prediction.