Optimización del Lead Scoring Mediante Inteligencia Artificial para Mejorar la Calidad de Prospectos en Campañas de Marketing Digital
Este trabajo tuvo como propósito proponer una solución basada en inteligencia artificial para mejorar la calidad de los leads generados a través de campañas digitales en la empresa Darnel Group, multinacional del sector de empaques sostenibles. El alcance de la propuesta comprendió el rediseño del p...
- Autores:
-
Chaves Gomez , Sofia
Santana Valero , Diego Alejandro
Mejía Cabrera, Juli Paola
- Tipo de recurso:
- https://purl.org/coar/resource_type/c_7a1f
- Fecha de publicación:
- 2025
- Institución:
- Universidad El Bosque
- Repositorio:
- Repositorio U. El Bosque
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unbosque.edu.co:20.500.12495/17850
- Acceso en línea:
- https://hdl.handle.net/20.500.12495/17850
- Palabra clave:
- Inteligencia artificial
Marketing B2B
Puntuación de prospectos
Modelo predictivo
Automatización de procesos
382
Artificial intelligence
B2C marketing
Lead scoring
Predictive model
Process automation
- Rights
- License
- Attribution 4.0 International
| id |
UNBOSQUE2_1b8fac4d87a56d80c79b2e9e8c91471a |
|---|---|
| oai_identifier_str |
oai:repositorio.unbosque.edu.co:20.500.12495/17850 |
| network_acronym_str |
UNBOSQUE2 |
| network_name_str |
Repositorio U. El Bosque |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Optimización del Lead Scoring Mediante Inteligencia Artificial para Mejorar la Calidad de Prospectos en Campañas de Marketing Digital |
| dc.title.translated.none.fl_str_mv |
Lead Scoring Optimization Through Artificial Intelligence to Improve Lead Quality in Digital Marketing Campaigns |
| title |
Optimización del Lead Scoring Mediante Inteligencia Artificial para Mejorar la Calidad de Prospectos en Campañas de Marketing Digital |
| spellingShingle |
Optimización del Lead Scoring Mediante Inteligencia Artificial para Mejorar la Calidad de Prospectos en Campañas de Marketing Digital Inteligencia artificial Marketing B2B Puntuación de prospectos Modelo predictivo Automatización de procesos 382 Artificial intelligence B2C marketing Lead scoring Predictive model Process automation |
| title_short |
Optimización del Lead Scoring Mediante Inteligencia Artificial para Mejorar la Calidad de Prospectos en Campañas de Marketing Digital |
| title_full |
Optimización del Lead Scoring Mediante Inteligencia Artificial para Mejorar la Calidad de Prospectos en Campañas de Marketing Digital |
| title_fullStr |
Optimización del Lead Scoring Mediante Inteligencia Artificial para Mejorar la Calidad de Prospectos en Campañas de Marketing Digital |
| title_full_unstemmed |
Optimización del Lead Scoring Mediante Inteligencia Artificial para Mejorar la Calidad de Prospectos en Campañas de Marketing Digital |
| title_sort |
Optimización del Lead Scoring Mediante Inteligencia Artificial para Mejorar la Calidad de Prospectos en Campañas de Marketing Digital |
| dc.creator.fl_str_mv |
Chaves Gomez , Sofia Santana Valero , Diego Alejandro Mejía Cabrera, Juli Paola |
| dc.contributor.advisor.none.fl_str_mv |
González Bríñez, Mario Hernán |
| dc.contributor.author.none.fl_str_mv |
Chaves Gomez , Sofia Santana Valero , Diego Alejandro Mejía Cabrera, Juli Paola |
| dc.subject.none.fl_str_mv |
Inteligencia artificial Marketing B2B Puntuación de prospectos Modelo predictivo Automatización de procesos |
| topic |
Inteligencia artificial Marketing B2B Puntuación de prospectos Modelo predictivo Automatización de procesos 382 Artificial intelligence B2C marketing Lead scoring Predictive model Process automation |
| dc.subject.ddc.none.fl_str_mv |
382 |
| dc.subject.keywords.none.fl_str_mv |
Artificial intelligence B2C marketing Lead scoring Predictive model Process automation |
| description |
Este trabajo tuvo como propósito proponer una solución basada en inteligencia artificial para mejorar la calidad de los leads generados a través de campañas digitales en la empresa Darnel Group, multinacional del sector de empaques sostenibles. El alcance de la propuesta comprendió el rediseño del proceso de captación, calificación y gestión de leads provenientes de plataformas como Meta y motores de búsqueda, con el objetivo de optimizar el uso de los recursos comerciales y aumentar el retorno sobre la inversión publicitaria. La metodología se estructuró en cuatro fases. Primero, se realizó un diagnóstico a partir del análisis de una base de datos histórica de leads generados en campañas anteriores, identificando factores clave asociados a la conversión. En segundo lugar, se rediseñó el formulario de captación utilizando inteligencia artificial generativa, incorporando preguntas clave que permitan clasificar mejor a los prospectos desde el origen. En la tercera y cuarta fase, se plantea el desarrollo de un modelo de machine learning supervisado entrenado con datos históricos, que pueda clasificar automáticamente nuevos leads según su probabilidad de conversión, y su integración dentro de un flujo automatizado en la plataforma Make.com. Este flujo permitiría canalizar los leads calificados hacia el equipo comercial, mientras que los no calificados ingresarían a una campaña automatizada de nutrición por correo electrónico. Los resultados esperados incluyen una mayor eficiencia en la gestión comercial, mejor calidad de los prospectos atendidos y un uso más inteligente de los recursos invertidos en pauta digital. En conclusión, el proyecto propuso una estrategia que combina tecnologías emergentes con procesos comerciales tradicionales, con el fin de profesionalizar la gestión de leads en el entorno B2B. |
| publishDate |
2025 |
| dc.date.accessioned.none.fl_str_mv |
2025-09-01T21:53:13Z |
| dc.date.available.none.fl_str_mv |
2025-09-01T21:53:13Z |
| dc.date.issued.none.fl_str_mv |
2025-08 |
| dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.local.spa.fl_str_mv |
Tesis/Trabajo de grado - Monografía - Pregrado |
| dc.type.coar.none.fl_str_mv |
https://purl.org/coar/resource_type/c_7a1f |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.coarversion.none.fl_str_mv |
https://purl.org/coar/version/c_970fb48d4fbd8a85 |
| format |
https://purl.org/coar/resource_type/c_7a1f |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/20.500.12495/17850 |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad El Bosque |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Universidad El Bosque |
| dc.identifier.repourl.none.fl_str_mv |
repourl:https://repositorio.unbosque.edu.co |
| url |
https://hdl.handle.net/20.500.12495/17850 |
| identifier_str_mv |
instname:Universidad El Bosque reponame:Repositorio Institucional Universidad El Bosque repourl:https://repositorio.unbosque.edu.co |
| dc.language.iso.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.none.fl_str_mv |
Agencia Digital AMD. (2024). Estadísticas de marketing digital en Colombia. https://agenciadigitalamd.com/marketing-digital/estadisticas-marketing-digital-2024/ Aglaia. (s.f.). ¿Qué es Python y para qué sirve? https://aglaia.es/blog/bi/que-es-python-y-para-que-sirve/ Chaffey, D., & Ellis-Chadwick, F. (2019). Digital marketing (7th ed.). Pearson Education. Chicaiza-Zapata, P. I., & Medina-Chicaiza, R. (2024). Relación con clientes: el rol creativo del contenido publicitario desde la inteligencia artificial. Revista Dilemas Contemporáneos: Educación, Política y Valores, XII(1), Artículo 58. https://research.ebsco.com/c/7t4tnr/viewer/pdf/se4umea3nv DataScientest. (s.f.). Random Forest (bosque aleatorio): definición y funcionamiento. https://datascientest.com/es/random-forest-bosque-aleatorio-definicion-y-funcionamiento González, D. (s.f.). Guía de Make: qué es y cómo usar esta herramienta para automatizar tareas. https://davizgonzalez.com/blog/guia-make/ Hayas Marketing. (s.f.). ¿Qué es y para qué sirve el perfil de cliente ideal? https://hayasmarketing.com/es/que-es-y-para-que-sirve-el-perfil-de-cliente-ideal/ Immune Institute. (s.f.). ¿Qué son las librerías de Python y para qué sirven? https://immune.institute/blog/librerias-Python-que-son/ Jauregui Romero, E. R., Alca Gomez, J., Vilca Tantapoma, M. E., & Llanos Gonzales, O. T. (2024). Artificial intelligence in potential customer segmentation: Machine learning approach. Data and Metadata, 3, 305. https://doi.org/10.56294/dm2024305 Kotler, P., & Keller, K. L. (2021). Marketing management (16th ed.). Pearson. Ramos, C., Peña, J., & Ortega, D. (2022). Aplicaciones de modelos de aprendizaje supervisado para clasificación de clientes en entornos digitales. Revista Latinoamericana de Tecnología, 15(2), 45–58. Sammut, C., & Webb, G. I. (Eds.). (2017). Encyclopedia of machine learning and data mining (2.ª ed.). Springer. https://doi.org/10.1007/978-1-4899-7687-1 |
| dc.rights.en.fl_str_mv |
Attribution 4.0 International |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.uri.none.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
| dc.rights.local.spa.fl_str_mv |
Acceso abierto |
| dc.rights.accessrights.none.fl_str_mv |
https://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Attribution 4.0 International http://creativecommons.org/licenses/by/4.0/ Acceso abierto https://purl.org/coar/access_right/c_abf2 http://purl.org/coar/access_right/c_abf2 |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.program.spa.fl_str_mv |
Marketing y Transformación Digital |
| dc.publisher.grantor.spa.fl_str_mv |
Universidad El Bosque |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ciencias Económicas y Administrativas |
| institution |
Universidad El Bosque |
| bitstream.url.fl_str_mv |
https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/6466d13b-ae42-412b-bb70-bce8aa341cf8/download https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/ddd28618-ecd1-4753-b320-3af171ba2a70/download https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/e2591ec7-a7db-48f6-b2ae-e2ab01ffdc04/download https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/99cb5069-b403-415a-9d2d-0c4bf76834a9/download https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/10aa52e5-0e87-43fe-850e-0d6159adbad4/download https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/f8adadea-a91e-43e4-bd00-d9a1811f464e/download https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/3e91e805-150c-4fec-b96d-bd56f6af4e73/download |
| bitstream.checksum.fl_str_mv |
17cc15b951e7cc6b3728a574117320f9 55cc99dbb8b50d6cf1c5aeb09339a435 db75f1810c84f0b1b21b66f6e6ea4df5 953214b9254453d40ca50d26c5b15c2b 313ea3fe4cd627df823c57a0f12776e5 12cccdf95f5d59d95335d2b238d6bbb4 28fb5cddbcbf71db309df9bcfd6edc19 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad El Bosque |
| repository.mail.fl_str_mv |
bibliotecas@biteca.com |
| _version_ |
1849967293152362496 |
| spelling |
González Bríñez, Mario HernánChaves Gomez , SofiaSantana Valero , Diego AlejandroMejía Cabrera, Juli Paola2025-09-01T21:53:13Z2025-09-01T21:53:13Z2025-08https://hdl.handle.net/20.500.12495/17850instname:Universidad El Bosquereponame:Repositorio Institucional Universidad El Bosquerepourl:https://repositorio.unbosque.edu.coEste trabajo tuvo como propósito proponer una solución basada en inteligencia artificial para mejorar la calidad de los leads generados a través de campañas digitales en la empresa Darnel Group, multinacional del sector de empaques sostenibles. El alcance de la propuesta comprendió el rediseño del proceso de captación, calificación y gestión de leads provenientes de plataformas como Meta y motores de búsqueda, con el objetivo de optimizar el uso de los recursos comerciales y aumentar el retorno sobre la inversión publicitaria. La metodología se estructuró en cuatro fases. Primero, se realizó un diagnóstico a partir del análisis de una base de datos histórica de leads generados en campañas anteriores, identificando factores clave asociados a la conversión. En segundo lugar, se rediseñó el formulario de captación utilizando inteligencia artificial generativa, incorporando preguntas clave que permitan clasificar mejor a los prospectos desde el origen. En la tercera y cuarta fase, se plantea el desarrollo de un modelo de machine learning supervisado entrenado con datos históricos, que pueda clasificar automáticamente nuevos leads según su probabilidad de conversión, y su integración dentro de un flujo automatizado en la plataforma Make.com. Este flujo permitiría canalizar los leads calificados hacia el equipo comercial, mientras que los no calificados ingresarían a una campaña automatizada de nutrición por correo electrónico. Los resultados esperados incluyen una mayor eficiencia en la gestión comercial, mejor calidad de los prospectos atendidos y un uso más inteligente de los recursos invertidos en pauta digital. En conclusión, el proyecto propuso una estrategia que combina tecnologías emergentes con procesos comerciales tradicionales, con el fin de profesionalizar la gestión de leads en el entorno B2B.Profesional en Marketing y Transformación DigitalPregradoThis work aimed to propose a solution based on artificial intelligence to improve the quality of leads generated through digital campaigns by Darnel Group, a multinational company in the sustainable packaging sector. The scope of the proposal included redesigning the process of lead acquisition, qualification, and management from platforms such as Meta and search engines, with the objective of optimizing the use of commercial resources and increasing the return on advertising investment. The methodology was structured into four phases. First, a diagnostic was conducted based on the analysis of a historical database of leads generated from previous campaigns, identifying key factors associated with conversion. Second, the lead capture form was redesigned using generative artificial intelligence, incorporating key questions to better classify prospects from the beginning. In the third and fourth phases, the development of a supervised machine learning model trained with historical data was proposed. This model would automatically classify new leads based on their likelihood of conversion and be integrated into an automated workflow using the Make.com platform. This flow would channel qualified leads to the sales team, while unqualified leads would enter an automated email nurturing campaign. The expected results include greater efficiency in commercial management, improved quality of the prospects addressed, and a smarter use of resources invested in digital advertising. In conclusion, the project proposed a strategy that combines emerging technologies with traditional commercial processes to professionalize lead management in the B2B environment.application/pdfAttribution 4.0 Internationalhttp://creativecommons.org/licenses/by/4.0/Acceso abiertohttps://purl.org/coar/access_right/c_abf2http://purl.org/coar/access_right/c_abf2Inteligencia artificialMarketing B2BPuntuación de prospectosModelo predictivoAutomatización de procesos382Artificial intelligenceB2C marketingLead scoringPredictive modelProcess automationOptimización del Lead Scoring Mediante Inteligencia Artificial para Mejorar la Calidad de Prospectos en Campañas de Marketing DigitalLead Scoring Optimization Through Artificial Intelligence to Improve Lead Quality in Digital Marketing CampaignsMarketing y Transformación DigitalUniversidad El BosqueFacultad de Ciencias Económicas y AdministrativasTesis/Trabajo de grado - Monografía - Pregradohttps://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesishttps://purl.org/coar/version/c_970fb48d4fbd8a85Agencia Digital AMD. (2024). Estadísticas de marketing digital en Colombia. https://agenciadigitalamd.com/marketing-digital/estadisticas-marketing-digital-2024/Aglaia. (s.f.). ¿Qué es Python y para qué sirve? https://aglaia.es/blog/bi/que-es-python-y-para-que-sirve/Chaffey, D., & Ellis-Chadwick, F. (2019). Digital marketing (7th ed.). Pearson Education.Chicaiza-Zapata, P. I., & Medina-Chicaiza, R. (2024). Relación con clientes: el rol creativo del contenido publicitario desde la inteligencia artificial. Revista Dilemas Contemporáneos: Educación, Política y Valores, XII(1), Artículo 58. https://research.ebsco.com/c/7t4tnr/viewer/pdf/se4umea3nvDataScientest. (s.f.). Random Forest (bosque aleatorio): definición y funcionamiento. https://datascientest.com/es/random-forest-bosque-aleatorio-definicion-y-funcionamientoGonzález, D. (s.f.). Guía de Make: qué es y cómo usar esta herramienta para automatizar tareas. https://davizgonzalez.com/blog/guia-make/Hayas Marketing. (s.f.). ¿Qué es y para qué sirve el perfil de cliente ideal? https://hayasmarketing.com/es/que-es-y-para-que-sirve-el-perfil-de-cliente-ideal/Immune Institute. (s.f.). ¿Qué son las librerías de Python y para qué sirven? https://immune.institute/blog/librerias-Python-que-son/Jauregui Romero, E. R., Alca Gomez, J., Vilca Tantapoma, M. E., & Llanos Gonzales, O. T. (2024). Artificial intelligence in potential customer segmentation: Machine learning approach. Data and Metadata, 3, 305. https://doi.org/10.56294/dm2024305Kotler, P., & Keller, K. L. (2021). Marketing management (16th ed.). Pearson.Ramos, C., Peña, J., & Ortega, D. (2022). Aplicaciones de modelos de aprendizaje supervisado para clasificación de clientes en entornos digitales. Revista Latinoamericana de Tecnología, 15(2), 45–58.Sammut, C., & Webb, G. I. (Eds.). (2017). Encyclopedia of machine learning and data mining (2.ª ed.). Springer. https://doi.org/10.1007/978-1-4899-7687-1spaLICENSElicense.txtlicense.txttext/plain; charset=utf-82000https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/6466d13b-ae42-412b-bb70-bce8aa341cf8/download17cc15b951e7cc6b3728a574117320f9MD52falseAnonymousREADAnexo 1 acta de aprobacion.pdfapplication/pdf328820https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/ddd28618-ecd1-4753-b320-3af171ba2a70/download55cc99dbb8b50d6cf1c5aeb09339a435MD58falseBiblioteca - (Publicadores)READCarta de autorizacion.pdfapplication/pdf572877https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/e2591ec7-a7db-48f6-b2ae-e2ab01ffdc04/downloaddb75f1810c84f0b1b21b66f6e6ea4df5MD59falseBiblioteca - (Publicadores)READORIGINALTrabajo de grado.pdfTrabajo de grado.pdfapplication/pdf4575388https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/99cb5069-b403-415a-9d2d-0c4bf76834a9/download953214b9254453d40ca50d26c5b15c2bMD56trueAnonymousREADCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81019https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/10aa52e5-0e87-43fe-850e-0d6159adbad4/download313ea3fe4cd627df823c57a0f12776e5MD57falseAnonymousREADTEXTTrabajo de grado.pdf.txtTrabajo de grado.pdf.txtExtracted texttext/plain56710https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/f8adadea-a91e-43e4-bd00-d9a1811f464e/download12cccdf95f5d59d95335d2b238d6bbb4MD510falseAnonymousREADTHUMBNAILTrabajo de grado.pdf.jpgTrabajo de grado.pdf.jpgGenerated Thumbnailimage/jpeg5070https://pruebas-update-repositorio-unbosque.cloudbiteca.com/bitstreams/3e91e805-150c-4fec-b96d-bd56f6af4e73/download28fb5cddbcbf71db309df9bcfd6edc19MD511falseAnonymousREAD20.500.12495/17850oai:pruebas-update-repositorio-unbosque.cloudbiteca.com:20.500.12495/178502025-09-02T10:07:32.554Zhttp://creativecommons.org/licenses/by/4.0/Attribution 4.0 Internationalopen.accesshttps://pruebas-update-repositorio-unbosque.cloudbiteca.comRepositorio Institucional Universidad El Bosquebibliotecas@biteca.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 |