pág. 5405
INTELIGENCIA ARTIFICIAL EN CAMPAÑAS DE
MERCADEO. UNA REVISIÓN SISTEMÁTICA DE
LITERATURA
ARTIFICIAL INTELLIGENCE ON MARKETING CAMPAIGNS. A
SYSTEMATIC LITERATURE REVIEW
Kely Johana Sotelo Gonzalez
Corporación Universitaria Minuto de Dios – UNIMINUTO
Jhony Alexander Barrera Lievano
Corporación Universitaria Minuto de Dios – UNIMINUTO
Myriam Cárdenas Álvarez
Corporación Universitaria Minuto de Dios – UNIMINUTO
María Fernanda Gómez Santos
Corporación Universitaria Minuto de Dios – UNIMINUTO
pág. 5406
DOI: https://doi.org/10.37811/cl_rcm.v9i2.17303
Inteligencia Artificial en campañas de mercadeo. Una revisión sistemática de
literatura
Kely Johana Sotelo Gonzalez1
kely.sotelo@uniminuto.edu.co
https://orcid.org/0009-0001-5560-4499
Corporación Universitaria Minuto de Dios -
UNIMINUTO
Colombia
Jhony Alexander Barrera Lievano
jobarrera@uniminuto.edu
https://orcid.org/0000-0002-2274-2297
Corporación Universitaria Minuto de Dios -
UNIMINUTO
Colombia
Myriam Cárdenas Álvarez
mcardenasa2@uniminuto.edu.co
https://orcid.org/0000-0003-3222-5450
Corporación Universitaria Minuto de Dios -
UNIMINUTO
Colombia
María Fernanda Gómez Santos
maria.gomez-sant@uniminuto.edu.co
https://orcid.org/0000-0003-1624-4088
Corporación Universitaria Minuto de Dios –
UNIMINUTO
Colombia
RESUMEN
El presente documento pretende aunar información alrededor de las temáticas de la Inteligencia
Artificial y su uso en las Campañas de Mercadeo para el proceso de toma de decisiones de las empresas
en la actualidad. Para su construcción se realizó una revisión sistemática de literatura, en la cual se tomó
como fuente principal de búsqueda la base de datos Scopus. Como pregunta principal se trabajó ¿Cómo
afecta el uso de la inteligencia artificial las campañas de mercadeo de las empresas? Se aplicó el
protocolo PRISMA para la elegibilidad de los documentos, siguiendo los criterios establecidos por
Petticrew y Roberts adaptados para las ciencias sociales. Como resultado principal se obtiene que el uso
de la IA en las campañas de mercadeo puede impactar positivamente a las empresas, mejorando la
eficiencia, personalizando las campañas acordes a los gustos de los clientes, y, además, puede utilizar
una cantidad significativa de información obtenida para distintos procesos en las empresas, siempre y
cuando se haga un buen uso y tratamiento de los datos obtenidos. Como conclusión principal se obtuvo
que la Inteligencia Artificial impacta significativamente la forma en que las empresas implementan o
realizan las campañas de mercadeo, mejorando sus resultados.
Palabras clave: tendencias tecnológicas, mercadeo digital, innovación del mercadeo, automatización
del mercadeo, big data en el mercadeo
1 Autor principal.
Correspondencia: kely.sotelo@uniminuto.edu.co
DOI: https://doi.org/10.37811/cl_rcm.v9i2.17303
Inteligencia Artificial en campañas de mercadeo. Una revisión sistemática de
literatura
Kely Johana Sotelo Gonzalez1
kely.sotelo@uniminuto.edu.co
https://orcid.org/0009-0001-5560-4499
Corporación Universitaria Minuto de Dios -
UNIMINUTO
Colombia
Jhony Alexander Barrera Lievano
jobarrera@uniminuto.edu
https://orcid.org/0000-0002-2274-2297
Corporación Universitaria Minuto de Dios -
UNIMINUTO
Colombia
Myriam Cárdenas Álvarez
mcardenasa2@uniminuto.edu.co
https://orcid.org/0000-0003-3222-5450
Corporación Universitaria Minuto de Dios -
UNIMINUTO
Colombia
María Fernanda Gómez Santos
maria.gomez-sant@uniminuto.edu.co
https://orcid.org/0000-0003-1624-4088
Corporación Universitaria Minuto de Dios –
UNIMINUTO
Colombia
RESUMEN
El presente documento pretende aunar información alrededor de las temáticas de la Inteligencia
Artificial y su uso en las Campañas de Mercadeo para el proceso de toma de decisiones de las empresas
en la actualidad. Para su construcción se realizó una revisión sistemática de literatura, en la cual se tomó
como fuente principal de búsqueda la base de datos Scopus. Como pregunta principal se trabajó ¿Cómo
afecta el uso de la inteligencia artificial las campañas de mercadeo de las empresas? Se aplicó el
protocolo PRISMA para la elegibilidad de los documentos, siguiendo los criterios establecidos por
Petticrew y Roberts adaptados para las ciencias sociales. Como resultado principal se obtiene que el uso
de la IA en las campañas de mercadeo puede impactar positivamente a las empresas, mejorando la
eficiencia, personalizando las campañas acordes a los gustos de los clientes, y, además, puede utilizar
una cantidad significativa de información obtenida para distintos procesos en las empresas, siempre y
cuando se haga un buen uso y tratamiento de los datos obtenidos. Como conclusión principal se obtuvo
que la Inteligencia Artificial impacta significativamente la forma en que las empresas implementan o
realizan las campañas de mercadeo, mejorando sus resultados.
Palabras clave: tendencias tecnológicas, mercadeo digital, innovación del mercadeo, automatización
del mercadeo, big data en el mercadeo
1 Autor principal.
Correspondencia: kely.sotelo@uniminuto.edu.co
pág. 5407
Artificial Intelligence on Marketing Campaigns. A Systematic Literature Review
ABSTRACT
This document aims to consolidate information on the themes of Artificial Intelligence (AI) and its use
in marketing campaigns for companies' decision-making processes. Its development involved a
systematic literature review, with Scopus as the primary database for sourcing materials. The main
research question addressed was: How does using artificial intelligence affect companies' marketing
campaigns? The PRISMA protocol was applied to determine document eligibility, following the criteria
established by Petticrew and Roberts, adapted for the social sciences. The primary finding indicates that
the use of AI in marketing campaigns can positively impact companies by improving efficiency,
personalizing campaigns according to customer preferences, and leveraging significant amounts of data
for various business processes, provided that data is appropriately handled and managed. The main
conclusion is that Artificial Intelligence significantly influences how companies design and implement
marketing campaigns, enhancing their outcomes.
Keywords: technological trends, digital marketing, marketing innovation, marketing automation, big
data in marketing
Artículo recibido 13 marzo 2025
Aceptado para publicación: 19 abril 2025
Artificial Intelligence on Marketing Campaigns. A Systematic Literature Review
ABSTRACT
This document aims to consolidate information on the themes of Artificial Intelligence (AI) and its use
in marketing campaigns for companies' decision-making processes. Its development involved a
systematic literature review, with Scopus as the primary database for sourcing materials. The main
research question addressed was: How does using artificial intelligence affect companies' marketing
campaigns? The PRISMA protocol was applied to determine document eligibility, following the criteria
established by Petticrew and Roberts, adapted for the social sciences. The primary finding indicates that
the use of AI in marketing campaigns can positively impact companies by improving efficiency,
personalizing campaigns according to customer preferences, and leveraging significant amounts of data
for various business processes, provided that data is appropriately handled and managed. The main
conclusion is that Artificial Intelligence significantly influences how companies design and implement
marketing campaigns, enhancing their outcomes.
Keywords: technological trends, digital marketing, marketing innovation, marketing automation, big
data in marketing
Artículo recibido 13 marzo 2025
Aceptado para publicación: 19 abril 2025
pág. 5408
INTRODUCCIÓN
Las empresas en la actualidad se están enfocando en la reducción de los costos de producción y
marketing, siendo este base fundamental para la competitividad empresarial, con el cual se busca
identificar las necesidades y deseos de los clientes con el fin de ofrecerles productos y/o servicios que
cumplan con sus expectativas (Espitia y Moya, 2008).
El mercadero requiere de una planeación especifica y del conocimiento del comportamiento de los
clientes, aspecto que se dificulta para algunas empresas, principalmente las pequeñas y medianas, las
cuales no cuentan con el presupuesto necesario para despliegue de todo un proceso eficaz en la materia
(Calderón y Castaño, 2005).
Según Kotler (2000) mercadeo tiene dos significados, uno desde el ámbito social que se entiende como
el proceso para intercambiar productos y/o servicios, y otro desde el ámbito empresarial, que se entiende
como “el arte de vender productos”. Además, Kotler afirma que el marketing debe arrojar como
resultado un cliente dispuesto a adquirir los productos o servicios que ofrece la empresa.
De igual forma, el mercadeo busca satisfacer las necesidades de los clientes, no obstante, dada la
diversidad en la preferencia de las personas y mercados no es una tarea fácil, por lo que no es 100%
efectivo aun siendo realizado por expertos en el tema (Kotler, 2000).
Se concibe por mercadeo un intercambio entre las empresas y los clientes o consumidores, donde la
forma de crear una relación con los clientes es con el fin de intercambiar satisfacción de necesidades
por la venta o prestación de un servicio que hace parte del portafolio de una empresa (Casado y Sellers,
2013). Asimismo, el mercadeo incluye formar conexión con los clientes o consumidores y la estrategia
de buscar la satisfacción de estos para lograr su permanencia como clientes y obtención de nuevos, lo
cual contribuye a la permanencia de la empresa en el mercado (Ryan, D. 2016).
También se entiende que el mercadeo hace referencia a las actividades y estrategias que las empresas
emplean para identificar y satisfacer las necesidades de los consumidores de manera efectiva, consta de
la investigación de mercado, el diseño de productos, la fijación de precios, la promoción, la distribución
y la creación de relaciones duraderas con los clientes, además, busca generar valor para los clientes y, a
su vez, obtener ingresos para la empresa (Kotler, P, & Keller, K. L. 2016).
INTRODUCCIÓN
Las empresas en la actualidad se están enfocando en la reducción de los costos de producción y
marketing, siendo este base fundamental para la competitividad empresarial, con el cual se busca
identificar las necesidades y deseos de los clientes con el fin de ofrecerles productos y/o servicios que
cumplan con sus expectativas (Espitia y Moya, 2008).
El mercadero requiere de una planeación especifica y del conocimiento del comportamiento de los
clientes, aspecto que se dificulta para algunas empresas, principalmente las pequeñas y medianas, las
cuales no cuentan con el presupuesto necesario para despliegue de todo un proceso eficaz en la materia
(Calderón y Castaño, 2005).
Según Kotler (2000) mercadeo tiene dos significados, uno desde el ámbito social que se entiende como
el proceso para intercambiar productos y/o servicios, y otro desde el ámbito empresarial, que se entiende
como “el arte de vender productos”. Además, Kotler afirma que el marketing debe arrojar como
resultado un cliente dispuesto a adquirir los productos o servicios que ofrece la empresa.
De igual forma, el mercadeo busca satisfacer las necesidades de los clientes, no obstante, dada la
diversidad en la preferencia de las personas y mercados no es una tarea fácil, por lo que no es 100%
efectivo aun siendo realizado por expertos en el tema (Kotler, 2000).
Se concibe por mercadeo un intercambio entre las empresas y los clientes o consumidores, donde la
forma de crear una relación con los clientes es con el fin de intercambiar satisfacción de necesidades
por la venta o prestación de un servicio que hace parte del portafolio de una empresa (Casado y Sellers,
2013). Asimismo, el mercadeo incluye formar conexión con los clientes o consumidores y la estrategia
de buscar la satisfacción de estos para lograr su permanencia como clientes y obtención de nuevos, lo
cual contribuye a la permanencia de la empresa en el mercado (Ryan, D. 2016).
También se entiende que el mercadeo hace referencia a las actividades y estrategias que las empresas
emplean para identificar y satisfacer las necesidades de los consumidores de manera efectiva, consta de
la investigación de mercado, el diseño de productos, la fijación de precios, la promoción, la distribución
y la creación de relaciones duraderas con los clientes, además, busca generar valor para los clientes y, a
su vez, obtener ingresos para la empresa (Kotler, P, & Keller, K. L. 2016).
pág. 5409
En la actualidad el Marketing ha evolucionado al mundo digital, por ejemplo, la publicidad tradicional
ha perdido efectividad, siendo las redes sociales un canal más efectivo para las empresas, esto por su
alcance, segmentación y capacidad de interacción directa con los consumidores (Nesterenko V. et al.,
2023). No obstante, sigue teniendo importancia lo tradicional, esto dado que aún hay mercado que no
depende de la tecnología y una empresa no puede desentenderse de este, dado que en él se encuentran
clientes potenciales, por lo que se deben hacer campañas de marketing innovadoras y aptas para los
distintos nichos (Núñez y Miranda, 2020).
De acuerdo con lo planteado por Kotler et al. (2021), el Marketing ha evolucionado significativamente.
Los autores describen que el marketing inicialmente estaba orientado al producto, lo cual denominaron
Marketing 1.0; también argumentan que posteriormente se enfocó al cliente, el cual se denominó 2.0;
posteriormente hablan del 3.0, el cual está enfocado al ser humano, es decir, ir más allá de la satisfacción
de las necesidades físicas.
Kotler et al. (2021) se refieren al Marketing 4.0 como el inicio de una nueva era del mercadeo, en donde
se hace uso de la tecnología para atraer a los clientes, no obstante, el Marketing 4.0 solo utiliza la
tecnología básicamente, a diferencia del Marketing 5.0, el cual hace uso de la Inteligencia Artificial
(IA), la robótica, realidad virtual, internet de las cosas y demás herramientas que brindan los avances
tecnológicos.
Así pues, las empresas utilizan el marketing digital para lograr una mejor conexión con los clientes y
mayor acercamiento del producto al consumidor y satisfacer sus necesitades, lo cual promueve el uso
de la inteligencia artificial, abriendo un mayor campo competitivo para la empresa (Méndez S. et al.,
2020). En esta línea, se entiende que el Marketing y el servicio al cliente es fundamental para la
supervivencia de las empresas en el mercado, dado que reduce la presencia de falsos positivos en las
campañas de mercadeo que se realicen (Liu Y. et al., 2023).
Por otra parte, la inteligencia artificial (IA) es una herramienta que en la actualidad está siendo utilizada
por las empresas, la cual permite enfocar las campañas a cada cliente o nicho de mercado, dado que la
IA con una buena segmentación puede llegar a los clientes correctos (Chan C.C.H. et al., 2016). Además,
el uso de la IA en las campañas de mercadeo de las empresas, sin importar el tipo, tamaño o sector al
que pertenezca, es un proceso irreversible e inevitable, esto principalmente en empresas que quieran
En la actualidad el Marketing ha evolucionado al mundo digital, por ejemplo, la publicidad tradicional
ha perdido efectividad, siendo las redes sociales un canal más efectivo para las empresas, esto por su
alcance, segmentación y capacidad de interacción directa con los consumidores (Nesterenko V. et al.,
2023). No obstante, sigue teniendo importancia lo tradicional, esto dado que aún hay mercado que no
depende de la tecnología y una empresa no puede desentenderse de este, dado que en él se encuentran
clientes potenciales, por lo que se deben hacer campañas de marketing innovadoras y aptas para los
distintos nichos (Núñez y Miranda, 2020).
De acuerdo con lo planteado por Kotler et al. (2021), el Marketing ha evolucionado significativamente.
Los autores describen que el marketing inicialmente estaba orientado al producto, lo cual denominaron
Marketing 1.0; también argumentan que posteriormente se enfocó al cliente, el cual se denominó 2.0;
posteriormente hablan del 3.0, el cual está enfocado al ser humano, es decir, ir más allá de la satisfacción
de las necesidades físicas.
Kotler et al. (2021) se refieren al Marketing 4.0 como el inicio de una nueva era del mercadeo, en donde
se hace uso de la tecnología para atraer a los clientes, no obstante, el Marketing 4.0 solo utiliza la
tecnología básicamente, a diferencia del Marketing 5.0, el cual hace uso de la Inteligencia Artificial
(IA), la robótica, realidad virtual, internet de las cosas y demás herramientas que brindan los avances
tecnológicos.
Así pues, las empresas utilizan el marketing digital para lograr una mejor conexión con los clientes y
mayor acercamiento del producto al consumidor y satisfacer sus necesitades, lo cual promueve el uso
de la inteligencia artificial, abriendo un mayor campo competitivo para la empresa (Méndez S. et al.,
2020). En esta línea, se entiende que el Marketing y el servicio al cliente es fundamental para la
supervivencia de las empresas en el mercado, dado que reduce la presencia de falsos positivos en las
campañas de mercadeo que se realicen (Liu Y. et al., 2023).
Por otra parte, la inteligencia artificial (IA) es una herramienta que en la actualidad está siendo utilizada
por las empresas, la cual permite enfocar las campañas a cada cliente o nicho de mercado, dado que la
IA con una buena segmentación puede llegar a los clientes correctos (Chan C.C.H. et al., 2016). Además,
el uso de la IA en las campañas de mercadeo de las empresas, sin importar el tipo, tamaño o sector al
que pertenezca, es un proceso irreversible e inevitable, esto principalmente en empresas que quieran
pág. 5410
estar a la vanguardia y ser competitivas en el mercado y darles uso a los distintos canales de
comunicación con lo que se puede utilizar la IA (Gołąb-Andrzejak E., 2023). La IA es de utilidad a la
hora de planear y realizar campañas de mercadeo efectivas (Zabala Vargas, et al., 2023).
La IA fue un término empleado 1956 por John McCarthy, el especialista en informática, estadounidense.
Dicho término fue incursionado dentro de las ciencias de la computación, lo cual comprende diversos
campos, entre ellos el aprendizaje automático, redes neuronales, aprendizaje profundo, entre otros
(Singh P. et al., 2023).
La IA proporciona cantidades significativas de información a las empresas, en tiempo real, información
de distintos aspectos que contribuyen a la toma de decisiones sobre los clientes sin necesidad de indagar
sobre sus datos personales. La información recopilada podría ayudar a las empresas a mejorar sus
campañas de mercadeo y fortalecer la lealtad de los clientes (Micu A. et al., 2022). Dentro de la
información recopilada, las empresas, además, pueden tomar información para la determinación de
perfiles necesarios para fortalecer su equipo de trabajo en sus distintas áreas, determinación que se ayuda
a tomar con la amplia información que se puede obtener con la IA en los distintos canales, partiendo de
una adecuada parametrización de lo requerido (Suciu G. et al., 2019).
Adicionalmente, la inteligencia artificial (IA) y el aprendizaje automático (ML) son primordiales en el
estudio de datos, lo cual permite tomar o coger la delantera y personificar interacciones con los clientes,
lo cual tiene un gran potencial para la publicidad en línea en las campañas de mercadeo (Rama Krishna
S. et al., 2023). Es más, la IA tiene la capacidad de sugerir para la toma de decisiones, luego de analizar
y predecir información que toma de las redes sociales.
Ahora bien, se entiende por IA esa capacidad que el hombre le ha dado a las máquinas para que, a través
de algoritmos y datos, pueda tomar algunas decisiones como los haría una persona (Lasse Rouhiainen,
2018). La IA es la capacidad que tienen las máquinas para tomar decisiones y brindar información a los
humanos, optimizando tiempos en la búsqueda y selección de información para cada área (Armas, C.
2021).
La IA ha impulsado el crecimiento del mercadeo y la atención al cliente al utilizar técnicas para la
predicción de necesidades de los clientes a partir del análisis de datos de redes sociales y otros medios
(Pérez Gonzalez A. et al., 2023). Además, la IA permite analizar datos y obtener información sobre
estar a la vanguardia y ser competitivas en el mercado y darles uso a los distintos canales de
comunicación con lo que se puede utilizar la IA (Gołąb-Andrzejak E., 2023). La IA es de utilidad a la
hora de planear y realizar campañas de mercadeo efectivas (Zabala Vargas, et al., 2023).
La IA fue un término empleado 1956 por John McCarthy, el especialista en informática, estadounidense.
Dicho término fue incursionado dentro de las ciencias de la computación, lo cual comprende diversos
campos, entre ellos el aprendizaje automático, redes neuronales, aprendizaje profundo, entre otros
(Singh P. et al., 2023).
La IA proporciona cantidades significativas de información a las empresas, en tiempo real, información
de distintos aspectos que contribuyen a la toma de decisiones sobre los clientes sin necesidad de indagar
sobre sus datos personales. La información recopilada podría ayudar a las empresas a mejorar sus
campañas de mercadeo y fortalecer la lealtad de los clientes (Micu A. et al., 2022). Dentro de la
información recopilada, las empresas, además, pueden tomar información para la determinación de
perfiles necesarios para fortalecer su equipo de trabajo en sus distintas áreas, determinación que se ayuda
a tomar con la amplia información que se puede obtener con la IA en los distintos canales, partiendo de
una adecuada parametrización de lo requerido (Suciu G. et al., 2019).
Adicionalmente, la inteligencia artificial (IA) y el aprendizaje automático (ML) son primordiales en el
estudio de datos, lo cual permite tomar o coger la delantera y personificar interacciones con los clientes,
lo cual tiene un gran potencial para la publicidad en línea en las campañas de mercadeo (Rama Krishna
S. et al., 2023). Es más, la IA tiene la capacidad de sugerir para la toma de decisiones, luego de analizar
y predecir información que toma de las redes sociales.
Ahora bien, se entiende por IA esa capacidad que el hombre le ha dado a las máquinas para que, a través
de algoritmos y datos, pueda tomar algunas decisiones como los haría una persona (Lasse Rouhiainen,
2018). La IA es la capacidad que tienen las máquinas para tomar decisiones y brindar información a los
humanos, optimizando tiempos en la búsqueda y selección de información para cada área (Armas, C.
2021).
La IA ha impulsado el crecimiento del mercadeo y la atención al cliente al utilizar técnicas para la
predicción de necesidades de los clientes a partir del análisis de datos de redes sociales y otros medios
(Pérez Gonzalez A. et al., 2023). Además, la IA permite analizar datos y obtener información sobre
pág. 5411
clientes o consumidores, comprendiendo su conducta, la reproducción de contenido individualizado, la
mejora de campañas y la interacción con los mismos (Raghav Y.Y. et al., 2023).
Aunado a ellos, la inteligencia artificial utiliza información de los clientes para analizar su
comportamiento y además procesa grandes cantidades de datos que facilitan la segmentación para la
creación de contenido personalizado y la toma de decisiones a las empresas, las cuales pueden
desarrollar estrategias de marketing más efectivas (Velev D. & Zlateva P., 2023).
Así pues, la IA ha impulsado la evolución del marketing al 5.0, lo cual ha permitido automatizar la
interacción entre la empresa y el cliente o consumidor, brindando así contenidos personalizados,
permitiendo procesos bidireccionales que requieren que las empresas atiendan sus demandas (Murillo y
Vizuete, 2023). Además, las empresas tienen el reto de la innovación, por lo que el marketing es esencial
para poder afrontar las variaciones en los gustos de la demanda y así mantenerse en el mercado (Morales
y Zaldumbide, 2023).
Las empresas, independientemente del sector al que pertenezcan, hacen uso de la IA para sus campañas
de mercadeo y cada vez es mayor la inversión en esta tecnología, la cual puede ser beneficiosa no solo
para las campañas de mercadeo si no para las demás áreas de la empresa que requiera información de
los clientes, del mercado, entorno y demás (Rama Krishna S. et al., 2023).
Teniendo en cuenta lo anterior, en cuanto al potencial de la IA como herramienta que aporta el proceso
de desarrollo de campañas de mercadeo a nivel empresarial, se plantea como objetivo principal de
investigación el identificar cómo afecta el uso de la inteligencia artificial las campañas de mercadeo de
las empresas.
METODOLOGÍA
Este documento busca contribuir de manera significativa a la literatura académica y emplea la revisión
de la literatura como método. Esta revisión se entiende como un enfoque sistemático que se aplica en
estudios individuales para recopilar datos con el fin de responder a preguntas específicas, formuladas de
manera clara y precisa (Dekkers et al, 2019). Se adopta la metodología propuesta por Petticrew y Roberts
(2006) para las ciencias sociales, siguiendo seis pasos esenciales, y se complementa con el desarrollo de
los ítems establecidos en el protocolo de la declaración PRISMA (2020), como se presenta a
continuación:
clientes o consumidores, comprendiendo su conducta, la reproducción de contenido individualizado, la
mejora de campañas y la interacción con los mismos (Raghav Y.Y. et al., 2023).
Aunado a ellos, la inteligencia artificial utiliza información de los clientes para analizar su
comportamiento y además procesa grandes cantidades de datos que facilitan la segmentación para la
creación de contenido personalizado y la toma de decisiones a las empresas, las cuales pueden
desarrollar estrategias de marketing más efectivas (Velev D. & Zlateva P., 2023).
Así pues, la IA ha impulsado la evolución del marketing al 5.0, lo cual ha permitido automatizar la
interacción entre la empresa y el cliente o consumidor, brindando así contenidos personalizados,
permitiendo procesos bidireccionales que requieren que las empresas atiendan sus demandas (Murillo y
Vizuete, 2023). Además, las empresas tienen el reto de la innovación, por lo que el marketing es esencial
para poder afrontar las variaciones en los gustos de la demanda y así mantenerse en el mercado (Morales
y Zaldumbide, 2023).
Las empresas, independientemente del sector al que pertenezcan, hacen uso de la IA para sus campañas
de mercadeo y cada vez es mayor la inversión en esta tecnología, la cual puede ser beneficiosa no solo
para las campañas de mercadeo si no para las demás áreas de la empresa que requiera información de
los clientes, del mercado, entorno y demás (Rama Krishna S. et al., 2023).
Teniendo en cuenta lo anterior, en cuanto al potencial de la IA como herramienta que aporta el proceso
de desarrollo de campañas de mercadeo a nivel empresarial, se plantea como objetivo principal de
investigación el identificar cómo afecta el uso de la inteligencia artificial las campañas de mercadeo de
las empresas.
METODOLOGÍA
Este documento busca contribuir de manera significativa a la literatura académica y emplea la revisión
de la literatura como método. Esta revisión se entiende como un enfoque sistemático que se aplica en
estudios individuales para recopilar datos con el fin de responder a preguntas específicas, formuladas de
manera clara y precisa (Dekkers et al, 2019). Se adopta la metodología propuesta por Petticrew y Roberts
(2006) para las ciencias sociales, siguiendo seis pasos esenciales, y se complementa con el desarrollo de
los ítems establecidos en el protocolo de la declaración PRISMA (2020), como se presenta a
continuación:
pág. 5412
Paso 1) Formulación de pregunta(s) de investigación: Se establece una pregunta principal de
investigación, junto con dos preguntas relacionadas que abordan el mismo proceso investigativo, las
cuales son: ¿Cómo afecta el uso de la inteligencia artificial las campañas de mercadeo de las empresas?
¿Qué metodologías de investigación se han aplicado en las investigaciones? ¿Qué instrumentos se han
utilizado en el desarrollo de las investigaciones?
Paso 2) Selección de base(s) de datos y definición de ecuación(es) de búsqueda: La revisión se lleva a
cabo utilizando la base de datos de referencias bibliográficas Scopus. Los términos clave que se emplean
en la ecuación de búsqueda se detallan en la tabla 1, de los cuales se derivan sinónimos o términos
similares, junto con sus traducciones al inglés. Esto se hace con el fin de ser más precisos en la búsqueda
y ampliar el espectro de resultados.
Tabla 1. Términos para utilizar en la ecuación de búsqueda en la base Scopus
Inteligencia artificial Campaña de mercadeo Empresas
Artificial intelligence Marketing campaign Companies
Advertising campaign Enterprises
Business
Para la búsqueda, se utiliza la siguiente ecuación que se detalla a continuación: (artificial intelligence)
AND (marketing campaign OR advertising campaign) AND (companies OR enterprises OR business).
Paso 3) Formulación de criterios de inclusión y exclusión: Se establecen los siguientes criterios de
inclusión y exclusión: periodo de revisión de 2010 a 2023; tipo de documentos: artículos, capítulos de
libros y papeles de conferencias; idioma del documento: inglés y español. Además, se considera como
criterio de inclusión el acceso a la versión completa del documento.
Paso 4) Análisis bibliométrico: Considerando la relevancia del análisis bibliométrico (Ceballos-Parra et
al., 2018), se emplea la estadística descriptiva para examinar categorías o factores como la identificación
de la revista, los autores, las instituciones de afiliación, los países entre otros. Esto permitirá identificar
tendencias en la generación de conocimiento relacionado con el objeto de esta investigación.
Paso 5) Evaluación de la calidad científica de las publicaciones: Para llevar a cabo la evaluación de la
calidad científica del documento que se considerará en la revisión sistemática propuesta, se aplican once
criterios sugeridos por Petticrew y Roberts (2006) y adaptados por Gast et al. Para la evaluación de cada
criterio de calidad, se utiliza una puntuación basada en tres parámetros: si el criterio no está definido, se
Paso 1) Formulación de pregunta(s) de investigación: Se establece una pregunta principal de
investigación, junto con dos preguntas relacionadas que abordan el mismo proceso investigativo, las
cuales son: ¿Cómo afecta el uso de la inteligencia artificial las campañas de mercadeo de las empresas?
¿Qué metodologías de investigación se han aplicado en las investigaciones? ¿Qué instrumentos se han
utilizado en el desarrollo de las investigaciones?
Paso 2) Selección de base(s) de datos y definición de ecuación(es) de búsqueda: La revisión se lleva a
cabo utilizando la base de datos de referencias bibliográficas Scopus. Los términos clave que se emplean
en la ecuación de búsqueda se detallan en la tabla 1, de los cuales se derivan sinónimos o términos
similares, junto con sus traducciones al inglés. Esto se hace con el fin de ser más precisos en la búsqueda
y ampliar el espectro de resultados.
Tabla 1. Términos para utilizar en la ecuación de búsqueda en la base Scopus
Inteligencia artificial Campaña de mercadeo Empresas
Artificial intelligence Marketing campaign Companies
Advertising campaign Enterprises
Business
Para la búsqueda, se utiliza la siguiente ecuación que se detalla a continuación: (artificial intelligence)
AND (marketing campaign OR advertising campaign) AND (companies OR enterprises OR business).
Paso 3) Formulación de criterios de inclusión y exclusión: Se establecen los siguientes criterios de
inclusión y exclusión: periodo de revisión de 2010 a 2023; tipo de documentos: artículos, capítulos de
libros y papeles de conferencias; idioma del documento: inglés y español. Además, se considera como
criterio de inclusión el acceso a la versión completa del documento.
Paso 4) Análisis bibliométrico: Considerando la relevancia del análisis bibliométrico (Ceballos-Parra et
al., 2018), se emplea la estadística descriptiva para examinar categorías o factores como la identificación
de la revista, los autores, las instituciones de afiliación, los países entre otros. Esto permitirá identificar
tendencias en la generación de conocimiento relacionado con el objeto de esta investigación.
Paso 5) Evaluación de la calidad científica de las publicaciones: Para llevar a cabo la evaluación de la
calidad científica del documento que se considerará en la revisión sistemática propuesta, se aplican once
criterios sugeridos por Petticrew y Roberts (2006) y adaptados por Gast et al. Para la evaluación de cada
criterio de calidad, se utiliza una puntuación basada en tres parámetros: si el criterio no está definido, se
pág. 5413
asigna una puntuación de 0.0; si el criterio se presenta, pero no con total claridad, se otorga 0.5; y si el
criterio se presenta con total claridad, se asigna 1.0. Así, el rango de la escala de valoración varía de 0 a
11; para que un documento sea considerado en la revisión, debe obtener una puntuación mínima de 6 en
calidad. Una vez aplicados todos los criterios establecidos para la revisión sistemática, se presentan de
acuerdo con la declaración PRISMA (2020), como se ilustra en la figura 1.
Figura 1. Esquematización aplicación método establecido en la declaración PRISMA
Nota. Adaptado de: Yepes-Nuñez et al (2021)
Una vez llevado a cabo el proceso de selección según los parámetros establecidos, de los 97 documentos
identificados en la base de datos de referencias bibliográficas Scopus, se obtienen un total de 50 registros
para la revisión. La tabla 3 muestra el listado de documentos incluidos, donde se relacionan el ID del
documento (número identificador en esta revisión), cita del documento (con la cual se puede identificar
la correspondiente referencia), el año de publicación, y el número de citas registradas en la base de
Scopus.
asigna una puntuación de 0.0; si el criterio se presenta, pero no con total claridad, se otorga 0.5; y si el
criterio se presenta con total claridad, se asigna 1.0. Así, el rango de la escala de valoración varía de 0 a
11; para que un documento sea considerado en la revisión, debe obtener una puntuación mínima de 6 en
calidad. Una vez aplicados todos los criterios establecidos para la revisión sistemática, se presentan de
acuerdo con la declaración PRISMA (2020), como se ilustra en la figura 1.
Figura 1. Esquematización aplicación método establecido en la declaración PRISMA
Nota. Adaptado de: Yepes-Nuñez et al (2021)
Una vez llevado a cabo el proceso de selección según los parámetros establecidos, de los 97 documentos
identificados en la base de datos de referencias bibliográficas Scopus, se obtienen un total de 50 registros
para la revisión. La tabla 3 muestra el listado de documentos incluidos, donde se relacionan el ID del
documento (número identificador en esta revisión), cita del documento (con la cual se puede identificar
la correspondiente referencia), el año de publicación, y el número de citas registradas en la base de
Scopus.
pág. 5414
Tabla 2. Documentos incluidos en la revisión sistemática
ID Cita documento Año Citas ID Cita documento Año Citas
1 Cambria E. et al. (2015) 2015 86 26 Zatonatska T. et al. (2022) 2022 4
2 Radesky J. et al. (2020) 2020 81 27 Geng T. et al. (2020) 2020 4
3 Ducange P. et al. (2019) 2019 60 28 Solans D. et al. (2021) 2021 4
4 Ghatasheh N. et al. (2020) 2020 33 29 Anjali Daisy S. (2020) 2020 4
5 Miralles-Pechuán L. et al.
(2018) 2018 23 30 Tzafilkou K. et al. (2023) 2023 3
6 Nesterenko V. et al. (2023) 2023 21 31 Kermanidis K. et al. (2013) 2013 3
7 Bonnin G. & Alfonso M.R.
(2019) 2019 18 32 Cambria E. & Melfi G.
(2015) 2015 3
8 Micu A. et al. (2022) 2022 18 33 Bello M.J.G. (2019) 2019 2
9 Liu Y. et al. (2023) 2023 18 34 Al-Shayea Q.K. (2013) 2013 2
10 Loukili M. et al. (2023) 2023 17 35 Diapouli M. et al. (2017) 2017 2
11 Rusyn B. et al. (2020) 2020 12 36 Dutta A. et al. (2021) 2021 2
12 Chica M. et al. (2016) 2016 12 37 Al Khaldy M.A. et al.
(2023) 2023 2
13 Kar A.K. & Singh P. (2012) 2012 12 38 Wallace R. (2020) 2020 2
14 Al-Rifaie M.M. & Alhakbani
H.A. (2016) 2016 12 39 Raghav Y.Y. et al. (2023) 2023 2
15 Chan C.C.H. et al. (2016) 2016 11 40 Sardjono W. et al. (2023) 2023 2
16 Martínez R.G. et al. (2019) 2019 9 41 Gołąb-Andrzejak E. (2023) 2023 1
17 Minton E.A. et al. (2022) 2022 8 42 Geng T. et al. (2020) 2020 1
18 Rama Krishna S. et al. (2023) 2023 7 43 Golab-Andrzejak E. (2023) 2023 1
19 Zhang Q. et al. (2017) 2017 7 44 Singh P. et al. (2023) 2023 1
20 Marmol M. et al. (2021) 2021 6 45 Velev D. & Zlateva P.
(2023) 2023 1
21 Sowa K. & Przegalinska A.
(2020) 2020 6 46 Algarni M. & Ismail
M.M.B. (2023) 2023 1
22 Suciu G. et al. (2019) 2019 6 47 Moreno R. et al. (2022) 2022 0
23 Al Adwan A. et al. (2023) 2023 5 48 Almasri Y. (2023) 2023 0
24 Zumstein D. et al. (2022) 2022 5 49 Li S. et al. (2016) 2016 0
25 Radosavljevik D. & Van Der
Putten P. (2013) 2013 4 50 Hennessy C. & Smeaton
A.F. (2016) 2016 0
Paso 6) Análisis de categorías: Las categorías abordadas se derivan de las preguntas de investigación
formuladas. Se proponen las siguientes categorías en relación con las preguntas planteadas:
Tabla 3. Categorías de trabajo
Pregunta Categorías
¿Cómo afecta el uso de la
inteligencia artificial las campañas
de mercadeo de las empresas?
Competitividad en mercados
Identificación y retención de clientes
Mayor efectividad
Mayores ventas
Personalización de la campaña
Posicionamiento de productos
Toma de decisiones
¿Qué metodologías de
investigación se han aplicado en
las investigaciones?
Cualitativa
Cuantitativa
Mixta
Tabla 2. Documentos incluidos en la revisión sistemática
ID Cita documento Año Citas ID Cita documento Año Citas
1 Cambria E. et al. (2015) 2015 86 26 Zatonatska T. et al. (2022) 2022 4
2 Radesky J. et al. (2020) 2020 81 27 Geng T. et al. (2020) 2020 4
3 Ducange P. et al. (2019) 2019 60 28 Solans D. et al. (2021) 2021 4
4 Ghatasheh N. et al. (2020) 2020 33 29 Anjali Daisy S. (2020) 2020 4
5 Miralles-Pechuán L. et al.
(2018) 2018 23 30 Tzafilkou K. et al. (2023) 2023 3
6 Nesterenko V. et al. (2023) 2023 21 31 Kermanidis K. et al. (2013) 2013 3
7 Bonnin G. & Alfonso M.R.
(2019) 2019 18 32 Cambria E. & Melfi G.
(2015) 2015 3
8 Micu A. et al. (2022) 2022 18 33 Bello M.J.G. (2019) 2019 2
9 Liu Y. et al. (2023) 2023 18 34 Al-Shayea Q.K. (2013) 2013 2
10 Loukili M. et al. (2023) 2023 17 35 Diapouli M. et al. (2017) 2017 2
11 Rusyn B. et al. (2020) 2020 12 36 Dutta A. et al. (2021) 2021 2
12 Chica M. et al. (2016) 2016 12 37 Al Khaldy M.A. et al.
(2023) 2023 2
13 Kar A.K. & Singh P. (2012) 2012 12 38 Wallace R. (2020) 2020 2
14 Al-Rifaie M.M. & Alhakbani
H.A. (2016) 2016 12 39 Raghav Y.Y. et al. (2023) 2023 2
15 Chan C.C.H. et al. (2016) 2016 11 40 Sardjono W. et al. (2023) 2023 2
16 Martínez R.G. et al. (2019) 2019 9 41 Gołąb-Andrzejak E. (2023) 2023 1
17 Minton E.A. et al. (2022) 2022 8 42 Geng T. et al. (2020) 2020 1
18 Rama Krishna S. et al. (2023) 2023 7 43 Golab-Andrzejak E. (2023) 2023 1
19 Zhang Q. et al. (2017) 2017 7 44 Singh P. et al. (2023) 2023 1
20 Marmol M. et al. (2021) 2021 6 45 Velev D. & Zlateva P.
(2023) 2023 1
21 Sowa K. & Przegalinska A.
(2020) 2020 6 46 Algarni M. & Ismail
M.M.B. (2023) 2023 1
22 Suciu G. et al. (2019) 2019 6 47 Moreno R. et al. (2022) 2022 0
23 Al Adwan A. et al. (2023) 2023 5 48 Almasri Y. (2023) 2023 0
24 Zumstein D. et al. (2022) 2022 5 49 Li S. et al. (2016) 2016 0
25 Radosavljevik D. & Van Der
Putten P. (2013) 2013 4 50 Hennessy C. & Smeaton
A.F. (2016) 2016 0
Paso 6) Análisis de categorías: Las categorías abordadas se derivan de las preguntas de investigación
formuladas. Se proponen las siguientes categorías en relación con las preguntas planteadas:
Tabla 3. Categorías de trabajo
Pregunta Categorías
¿Cómo afecta el uso de la
inteligencia artificial las campañas
de mercadeo de las empresas?
Competitividad en mercados
Identificación y retención de clientes
Mayor efectividad
Mayores ventas
Personalización de la campaña
Posicionamiento de productos
Toma de decisiones
¿Qué metodologías de
investigación se han aplicado en
las investigaciones?
Cualitativa
Cuantitativa
Mixta
pág. 5415
Pregunta Categorías
¿Qué instrumentos se han utilizado
en el desarrollo de las
investigaciones?
Estudio de caso
Encuestas
Entrevistas
Evaluación
Observación
Grupo focal
Análisis conceptual
La tabla 3 presenta un resumen de las categorías asociadas a diferentes preguntas de investigación que
se realizaron en la presente investigación. Para la primera pregunta se identifican categorías asociadas a
las ventas que se puede obtener con una campaña de mercadeo efectiva, la posesión de los productos en
el mercado, la importancia de la toma de decisiones que puede ser impactada con la estrategia de
mercadeo que se implemente en la empresa, la competitividad en el mercado, entre otros aspectos
relevantes relacionados con la inteligencia artificial y su impacto en las campañas de mercadeo en las
empresas. En cuanto a la segunda pregunta, se evidencia las metodologías que pueden ser aplicadas en
las investigaciones. Finalmente, en cuanto a la tercera pregunta, se relacionan los instrumentos de
recolección de datos que emergen de la revisión de los documentos.
RESULTADOS
A continuación, se presentan los resultados de la revisión de la literatura que se obtuvo luego de aplicar
la fórmula de búsqueda en la base de datos Scopus, de los cuales se tomatón los documentos relacionados
con el tema de la presente investigación.
Análisis bibliométrico
Se inicia el análisis con el conteo de publicaciones anuales, tomando el rango de años de 2012 a 2023,
el cual es el tiempo considerado en la revisión. En la figura 2 se evidencia una creciente cantidad de
documentos sobre el tema tratado, pasando de 10 artículos en el año 2022 a 38 en el año 2023, siendo
esto un incremento significativo.
Figura 2. Cantidad de documentos por año
1 3 1 2 7 6 2 6 11 7 10
38
0
10
20
30
40
1 3 1 2 7 6 2 6 11 7 10 38
2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023
Pregunta Categorías
¿Qué instrumentos se han utilizado
en el desarrollo de las
investigaciones?
Estudio de caso
Encuestas
Entrevistas
Evaluación
Observación
Grupo focal
Análisis conceptual
La tabla 3 presenta un resumen de las categorías asociadas a diferentes preguntas de investigación que
se realizaron en la presente investigación. Para la primera pregunta se identifican categorías asociadas a
las ventas que se puede obtener con una campaña de mercadeo efectiva, la posesión de los productos en
el mercado, la importancia de la toma de decisiones que puede ser impactada con la estrategia de
mercadeo que se implemente en la empresa, la competitividad en el mercado, entre otros aspectos
relevantes relacionados con la inteligencia artificial y su impacto en las campañas de mercadeo en las
empresas. En cuanto a la segunda pregunta, se evidencia las metodologías que pueden ser aplicadas en
las investigaciones. Finalmente, en cuanto a la tercera pregunta, se relacionan los instrumentos de
recolección de datos que emergen de la revisión de los documentos.
RESULTADOS
A continuación, se presentan los resultados de la revisión de la literatura que se obtuvo luego de aplicar
la fórmula de búsqueda en la base de datos Scopus, de los cuales se tomatón los documentos relacionados
con el tema de la presente investigación.
Análisis bibliométrico
Se inicia el análisis con el conteo de publicaciones anuales, tomando el rango de años de 2012 a 2023,
el cual es el tiempo considerado en la revisión. En la figura 2 se evidencia una creciente cantidad de
documentos sobre el tema tratado, pasando de 10 artículos en el año 2022 a 38 en el año 2023, siendo
esto un incremento significativo.
Figura 2. Cantidad de documentos por año
1 3 1 2 7 6 2 6 11 7 10
38
0
10
20
30
40
1 3 1 2 7 6 2 6 11 7 10 38
2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023
pág. 5416
Como se mencionó anteriormente, el último año en cuestión (2023), tuvo un incremento notorio en la
cantidad de documentos publicados sobre el tema relacionado con la IA y el mercadeo. De acuerdo con
la información de la tendencia de la gráfica se podrían inferir que la cantidad de investigaciones por año
en el campo de conocimiento seguirá aumentando.
El segundo aspecto para tener en cuenta es la predominancia de los documentos de conferencia, lo cual
indica un ecosistema académico activo que valora la interacción y el intercambio de ideas en
conferencias y la sólida producción de documentos refuerza la importancia de la investigación revisada
por pares en el ámbito académico. La figura 3 refleja la distribución de los documentos según su tipo,
conforme a los seleccionados en la revisión.
Figura 3. Documentos por tipo
Así pues, en la figura 3 se vislumbra la predominancia de los documentos de conferencia con un 55%
del total de las investigaciones, seguido de un 35% de artículos científicos y por ultimo los capítulos de
libro ocupan un 10%.
Por otro lado, en cuanto a países, la India se posiciona como el líder en la investigación de temas
relacionados a la IA en campañas de mercadeo. En la figura 4 se percibe una diversidad en los países
que han publicado investigaciones relacionadas, reflejándose una variedad de contextos que podrían
influir en la naturaleza de las investigaciones afines con la IA y las campañas de mercadeo en las
empresas.
Conference
Paper
55%
Article
35%
Book Chapter
10%
Como se mencionó anteriormente, el último año en cuestión (2023), tuvo un incremento notorio en la
cantidad de documentos publicados sobre el tema relacionado con la IA y el mercadeo. De acuerdo con
la información de la tendencia de la gráfica se podrían inferir que la cantidad de investigaciones por año
en el campo de conocimiento seguirá aumentando.
El segundo aspecto para tener en cuenta es la predominancia de los documentos de conferencia, lo cual
indica un ecosistema académico activo que valora la interacción y el intercambio de ideas en
conferencias y la sólida producción de documentos refuerza la importancia de la investigación revisada
por pares en el ámbito académico. La figura 3 refleja la distribución de los documentos según su tipo,
conforme a los seleccionados en la revisión.
Figura 3. Documentos por tipo
Así pues, en la figura 3 se vislumbra la predominancia de los documentos de conferencia con un 55%
del total de las investigaciones, seguido de un 35% de artículos científicos y por ultimo los capítulos de
libro ocupan un 10%.
Por otro lado, en cuanto a países, la India se posiciona como el líder en la investigación de temas
relacionados a la IA en campañas de mercadeo. En la figura 4 se percibe una diversidad en los países
que han publicado investigaciones relacionadas, reflejándose una variedad de contextos que podrían
influir en la naturaleza de las investigaciones afines con la IA y las campañas de mercadeo en las
empresas.
Conference
Paper
55%
Article
35%
Book Chapter
10%
pág. 5417
Figura 4. Documentos por país
Además, en la figura 4 también se denota la participación de países como Estados Unidos, Polonia,
España, y Jordán, los cuales, aunque con menor cantidad de artículos respecto a la India, superan a
países como China que como potencia se destaca por los avances tecnológicos.
En cuanto a autores con publicaciones relacionadas con la IA y las campañas de mercadeo se evidenció
que los autores con mayor cantidad de publicaciones son Ruiz, J., Nicols, O., Marmol, M., Lin, X.,
Geng, T, y Cambia, E. que tienen la misma cantidad de documentos publicados, cada uno con dos, lo
que evidencia que no existe una predominancia respecto a publicaciones en el campo de conocimiento,
sino por el contrario una atomicidad en cuanto a las publicaciones por autores. Por otra parte, la figura
5 presenta la co-concurrencia de autores en el campo de conocimiento, como se presenta a continuación.
Figura 5. co-concurrencia de autores
24
13
7
7
6
4
4
4
4
4
0 5 10 15 20 25 30
India
United States
Poland
Sapin
Jordan
China
Germany
Iraq
Ukraine
United Kingdom
Figura 4. Documentos por país
Además, en la figura 4 también se denota la participación de países como Estados Unidos, Polonia,
España, y Jordán, los cuales, aunque con menor cantidad de artículos respecto a la India, superan a
países como China que como potencia se destaca por los avances tecnológicos.
En cuanto a autores con publicaciones relacionadas con la IA y las campañas de mercadeo se evidenció
que los autores con mayor cantidad de publicaciones son Ruiz, J., Nicols, O., Marmol, M., Lin, X.,
Geng, T, y Cambia, E. que tienen la misma cantidad de documentos publicados, cada uno con dos, lo
que evidencia que no existe una predominancia respecto a publicaciones en el campo de conocimiento,
sino por el contrario una atomicidad en cuanto a las publicaciones por autores. Por otra parte, la figura
5 presenta la co-concurrencia de autores en el campo de conocimiento, como se presenta a continuación.
Figura 5. co-concurrencia de autores
24
13
7
7
6
4
4
4
4
4
0 5 10 15 20 25 30
India
United States
Poland
Sapin
Jordan
China
Germany
Iraq
Ukraine
United Kingdom
pág. 5418
De acuerdo con la figura 5, se identificaron publicaciones de autores como Rusyn B, Caro L, Peralta B,
Lopez M, Nicolis O y Ruiz J. Para el análisis de concurrencia se utilizó el software VOSvierwer,
obteniendo como resultado cuatro clústeres. Un clúster con ocho ítems, otro clúster con siete, seguido
de dos clústeres con seis y cinco elementos respectivamente.
Ahora bien, de acuerdo con la Figura 6, el mapa bibliográfico de concurrencia de palabras clave indica
que las palabras con mayor frecuencia de aparición (más de 5 repeticiones) y los vínculos de
coocurrencia más fuertes fueron la inteligencia artificial, comercio, mercadeo, campañas de mercadeo,
mercadeo digital.
Figura 6. Análisis de concurrencia por palabras claves
Así pues, el análisis de concurrencia de las palabras claves arrojó como resultado la predominancia de
palabras relacionadas con tecnología y mercadeo, primando las mencionadas anteriormente (inteligencia
artificial, comercio, mercadeo, campañas de mercadeo, mercadeo digital) pero también se evidencian
palabras como el big data, minería de datos, entre otros.
De acuerdo con la figura 5, se identificaron publicaciones de autores como Rusyn B, Caro L, Peralta B,
Lopez M, Nicolis O y Ruiz J. Para el análisis de concurrencia se utilizó el software VOSvierwer,
obteniendo como resultado cuatro clústeres. Un clúster con ocho ítems, otro clúster con siete, seguido
de dos clústeres con seis y cinco elementos respectivamente.
Ahora bien, de acuerdo con la Figura 6, el mapa bibliográfico de concurrencia de palabras clave indica
que las palabras con mayor frecuencia de aparición (más de 5 repeticiones) y los vínculos de
coocurrencia más fuertes fueron la inteligencia artificial, comercio, mercadeo, campañas de mercadeo,
mercadeo digital.
Figura 6. Análisis de concurrencia por palabras claves
Así pues, el análisis de concurrencia de las palabras claves arrojó como resultado la predominancia de
palabras relacionadas con tecnología y mercadeo, primando las mencionadas anteriormente (inteligencia
artificial, comercio, mercadeo, campañas de mercadeo, mercadeo digital) pero también se evidencian
palabras como el big data, minería de datos, entre otros.
pág. 5419
En cuanto a documentos por afiliación, Chitkara University se destacó como la principal fuente de
documentos e investigaciones relacionadas con el tema de IA y estrategias de mercadeo con 3
documentos, mientras que otras instituciones como Universitat Oberta de Catalunya, Universidad
Andrés Bello, Nanyang Technological Unuversity, National Academy of Sciences of Ukraine, Stanford
University, entre otras, contribuyen de manera equitativa con 2 documentos de los obtenidos en la
búsqueda para la presente investigación.
Ahora bien, en la figura 7 se evidencia que los principales entes financiadores de publicaciones en el
campo de conocimiento son europeas, ocupando el primer lugar el European Regional Development
Fund con tres publicaciones.
Figura 7. Documentos por financiador
Destacan la Comunidad de Madrid, la European Commission, el Ministerio de economía y
competitividad de España y la Universidad Rey Juan Carlos, con dos publicaciones patrocinadas.
Análisis de categorías según hallazgos
A continuación, se presentan los resultados de cada categoría propuesta según las preguntas establecidas
en el paso 1 presentado en el numeral de metodología. De cada pregunta se desprenden las categorías,
las cuales emergen del proceso de revisión de los documentos seleccionados.
La primera pregunta pretende indagar sobre el impacto de la Inteligencia Artificial en las campañas de
mercadeo en las empresas, para lo cual se consultó en los documentos identificados en la búsqueda
realizada a través de Scopus. Los resultados se presentan en la tabla 4.
3
2 2 2 2
0
0,5
1
1,5
2
2,5
3
3,5
European Regional
Development Fund
Comunidad de Madrid European Commission Ministerio de
Economia y
Competitividad
Universidad Rey Juan
Carlos
En cuanto a documentos por afiliación, Chitkara University se destacó como la principal fuente de
documentos e investigaciones relacionadas con el tema de IA y estrategias de mercadeo con 3
documentos, mientras que otras instituciones como Universitat Oberta de Catalunya, Universidad
Andrés Bello, Nanyang Technological Unuversity, National Academy of Sciences of Ukraine, Stanford
University, entre otras, contribuyen de manera equitativa con 2 documentos de los obtenidos en la
búsqueda para la presente investigación.
Ahora bien, en la figura 7 se evidencia que los principales entes financiadores de publicaciones en el
campo de conocimiento son europeas, ocupando el primer lugar el European Regional Development
Fund con tres publicaciones.
Figura 7. Documentos por financiador
Destacan la Comunidad de Madrid, la European Commission, el Ministerio de economía y
competitividad de España y la Universidad Rey Juan Carlos, con dos publicaciones patrocinadas.
Análisis de categorías según hallazgos
A continuación, se presentan los resultados de cada categoría propuesta según las preguntas establecidas
en el paso 1 presentado en el numeral de metodología. De cada pregunta se desprenden las categorías,
las cuales emergen del proceso de revisión de los documentos seleccionados.
La primera pregunta pretende indagar sobre el impacto de la Inteligencia Artificial en las campañas de
mercadeo en las empresas, para lo cual se consultó en los documentos identificados en la búsqueda
realizada a través de Scopus. Los resultados se presentan en la tabla 4.
3
2 2 2 2
0
0,5
1
1,5
2
2,5
3
3,5
European Regional
Development Fund
Comunidad de Madrid European Commission Ministerio de
Economia y
Competitividad
Universidad Rey Juan
Carlos
pág. 5420
Tabla 4. Impacto del uso de la IA en las campañas de mercadeo
Impacto de la IA en las campañas de
mercadeo
Número de
documentos Documento ID
Mayor efectividad 19 2, 3, 4, 5, 9, 16, 21, 22, 24, 26, 27, 28,
31, 34, 35, 36, 37, 43, 45
Identificación y retención de clientes 10 6, 7, 10, 11, 14, 15, 23, 25, 29, 30
Toma de decisiones 9 1, 33, 40, 44, 46, 47, 48, 49, 50
Competitividad en mercados 4 8, 20, 39, 41
Posicionamiento de productos 4 12, 18, 19, 32
Mayores ventas 2 13, 17
Personalización de la campaña 2 38, 42
En la tabla 4 se puede apreciar que la inteligencia artificial está teniendo un impacto significativo en la
efectividad de las campañas de marketing (38% del total de documentos), ayudando a las empresas a
optimizar sus estrategias. La identificación y retención de clientes son áreas clave donde la IA aporta
valor (20%), junto con la mejora en la toma de decisiones (18%). Por su parte, la competitividad en el
mercado y el posicionamiento de productos también impacta a las empresas con el uso de la IA (8%) y
las áreas de ventas y personalización, aunque con menor participación (4%).
Otra pregunta realizada está relacionada con las metodologías de investigación que se utilizaron en el
desarrollo de las investigaciones que dan fe de los resultados publicados en los documentos
seleccionados. La tabla 5 presenta los resultados.
Tabla 5. Metodologías de investigación
Metodología de
investigación
Número de
documentos Documento ID
Cuantitativa 18 4, 6, 9, 11, 13, 19, 21, 24, 27, 29, 39, 40, 42, 43, 44, 46, 48, 49
Cualitativa 16 1, 5, 7, 8, 14, 15, 16, 18, 22, 23, 25, 30, 37, 45, 47, 50
Mixta 16 2, 3, 10, 12, 17, 20, 26, 28, 31, 32, 33, 34, 35, 36, 38, 41
La metodología cuantitativa (18 documentos) y cualitativa (16 documentos) son utilizadas de manera
casi equitativa con relación a la investigación sobre la relación de la IA en las campañas de marketing
(36% y 32% respectivamente). Por otra parte, la metodología mixta también cuenta con 16 documentos
(32%) al igual que la metodología cualitativa, indicando que hay un interés significativo en integrar
ambos enfoques, lo que puede enriquecer los resultados y proporcionar una comprensión más completa
Tabla 4. Impacto del uso de la IA en las campañas de mercadeo
Impacto de la IA en las campañas de
mercadeo
Número de
documentos Documento ID
Mayor efectividad 19 2, 3, 4, 5, 9, 16, 21, 22, 24, 26, 27, 28,
31, 34, 35, 36, 37, 43, 45
Identificación y retención de clientes 10 6, 7, 10, 11, 14, 15, 23, 25, 29, 30
Toma de decisiones 9 1, 33, 40, 44, 46, 47, 48, 49, 50
Competitividad en mercados 4 8, 20, 39, 41
Posicionamiento de productos 4 12, 18, 19, 32
Mayores ventas 2 13, 17
Personalización de la campaña 2 38, 42
En la tabla 4 se puede apreciar que la inteligencia artificial está teniendo un impacto significativo en la
efectividad de las campañas de marketing (38% del total de documentos), ayudando a las empresas a
optimizar sus estrategias. La identificación y retención de clientes son áreas clave donde la IA aporta
valor (20%), junto con la mejora en la toma de decisiones (18%). Por su parte, la competitividad en el
mercado y el posicionamiento de productos también impacta a las empresas con el uso de la IA (8%) y
las áreas de ventas y personalización, aunque con menor participación (4%).
Otra pregunta realizada está relacionada con las metodologías de investigación que se utilizaron en el
desarrollo de las investigaciones que dan fe de los resultados publicados en los documentos
seleccionados. La tabla 5 presenta los resultados.
Tabla 5. Metodologías de investigación
Metodología de
investigación
Número de
documentos Documento ID
Cuantitativa 18 4, 6, 9, 11, 13, 19, 21, 24, 27, 29, 39, 40, 42, 43, 44, 46, 48, 49
Cualitativa 16 1, 5, 7, 8, 14, 15, 16, 18, 22, 23, 25, 30, 37, 45, 47, 50
Mixta 16 2, 3, 10, 12, 17, 20, 26, 28, 31, 32, 33, 34, 35, 36, 38, 41
La metodología cuantitativa (18 documentos) y cualitativa (16 documentos) son utilizadas de manera
casi equitativa con relación a la investigación sobre la relación de la IA en las campañas de marketing
(36% y 32% respectivamente). Por otra parte, la metodología mixta también cuenta con 16 documentos
(32%) al igual que la metodología cualitativa, indicando que hay un interés significativo en integrar
ambos enfoques, lo que puede enriquecer los resultados y proporcionar una comprensión más completa
pág. 5421
de los temas investigados. De manera particular no se evidencia que exista un predominio por algún tipo
de metodología.
En cuanto a los instrumentos que se utilizaron para el desarrollo de las investigaciones, de manera
particular se identificaron siete, los cuales se presentan en la tabla 6. Estos instrumentos van de la mano
de los métodos de investigación aplicados por los investigadores.
Tabla 6. Instrumentos de recolección de datos
Instrumento de
recolección de datos
Número de
documentos Documento ID
Estudio de caso 20 2, 4, 7, 8, 9, 10, 11, 13, 14, 15, 19, 21, 27, 33, 35, 36, 39, 43,
47, 50
Observación 10 3, 12, 20, 22, 30, 31, 32, 34, 38, 42
Encuestas 7 6, 17, 24, 29, 37, 44, 48
Grupo focal 5 16, 25, 26, 28, 40
Evaluación 4 23, 45, 46, 49
Análisis conceptual 3 1, 5, 16
Entrevistas 1 41
Se observa que predomina la utilización del estudio de caso en las investigaciones analizadas (40%), lo
cual evidencia que los investigadores están interesados en explorar en profundidad los contextos y las
dinámicas específicas de los fenómenos estudiados. Por su parte, la observación y el uso de encuestas
contaron con una participación significativa dentro de los instrumentos utilizados para la recolección de
datos (20% y 14% respectivamente).
DISCUSIÓN Y CONCLUSIONES
De acuerdo con los resultados de la búsqueda de la literatura se puede considerar que la inteligencia
artificial ha transformado la gestión de las estrategias de marketing en las empresas, haciéndolas más
competitivas y además ha acercado la relación con los clientes para su satisfacción. Además, en
búsqueda de la satisfacción de las necesitades de los clientes y reducción de costos se hace uso de la
Inteligencia Artificial (IA) para lograrlo y a su vez facilitar la toma de decisiones y mejora de la
eficiencia (Calderón y Castaño, 2005; Espitia y Moya, 2008).
Por otra parte, a pesar de las ventajas de la IA se pueden presentar desventajas, principalmente para las
empresas pequeñas, las cuales pueden carecer de recursos para la implementación de todo el proceso
que se requiere para integrar las herramientas de la IA con las estrategias de mercadeo. Como lo
de los temas investigados. De manera particular no se evidencia que exista un predominio por algún tipo
de metodología.
En cuanto a los instrumentos que se utilizaron para el desarrollo de las investigaciones, de manera
particular se identificaron siete, los cuales se presentan en la tabla 6. Estos instrumentos van de la mano
de los métodos de investigación aplicados por los investigadores.
Tabla 6. Instrumentos de recolección de datos
Instrumento de
recolección de datos
Número de
documentos Documento ID
Estudio de caso 20 2, 4, 7, 8, 9, 10, 11, 13, 14, 15, 19, 21, 27, 33, 35, 36, 39, 43,
47, 50
Observación 10 3, 12, 20, 22, 30, 31, 32, 34, 38, 42
Encuestas 7 6, 17, 24, 29, 37, 44, 48
Grupo focal 5 16, 25, 26, 28, 40
Evaluación 4 23, 45, 46, 49
Análisis conceptual 3 1, 5, 16
Entrevistas 1 41
Se observa que predomina la utilización del estudio de caso en las investigaciones analizadas (40%), lo
cual evidencia que los investigadores están interesados en explorar en profundidad los contextos y las
dinámicas específicas de los fenómenos estudiados. Por su parte, la observación y el uso de encuestas
contaron con una participación significativa dentro de los instrumentos utilizados para la recolección de
datos (20% y 14% respectivamente).
DISCUSIÓN Y CONCLUSIONES
De acuerdo con los resultados de la búsqueda de la literatura se puede considerar que la inteligencia
artificial ha transformado la gestión de las estrategias de marketing en las empresas, haciéndolas más
competitivas y además ha acercado la relación con los clientes para su satisfacción. Además, en
búsqueda de la satisfacción de las necesitades de los clientes y reducción de costos se hace uso de la
Inteligencia Artificial (IA) para lograrlo y a su vez facilitar la toma de decisiones y mejora de la
eficiencia (Calderón y Castaño, 2005; Espitia y Moya, 2008).
Por otra parte, a pesar de las ventajas de la IA se pueden presentar desventajas, principalmente para las
empresas pequeñas, las cuales pueden carecer de recursos para la implementación de todo el proceso
que se requiere para integrar las herramientas de la IA con las estrategias de mercadeo. Como lo
pág. 5422
menciona Kotler (2000) y otros autores, para que las campañas de mercado con apoyo de la IA sean
efectivas, deben realizarse por personal calificado y esto generalmente tiene un alto costo.
En otras palabras, el uso de la IA en las campañas de mercadeo puede impactar positivamente a las
empresas, mejorando la eficiencia, personalizando las campañas acordes a los gustos de los clientes, y,
además, puede utilizar una cantidad significativa de información obtenida para distintos procesos en las
empresas, siempre y cuando se haga un buen uso y tratamiento de los datos obtenidos.
En conclusión, la Inteligencia Artificial ha impactado significativamente la forma en que las empresas
implementan o realizan las campañas de mercadeo, impactado positivamente a las empresas en su
mayoría. Dicho impacto ha permitido la personalización de campañas acorde a cada segmento de
consumidores, lo que propicia una mayor eficiencia a la hora de tomar decisiones.
Las campañas de mercadeo se deben ir ajustando a los cambios que se vayan presentando en el mercado
y entorno, integrando efectivamente la tecnología, IA y las campañas de mercadeo para tener estrategias
más efectivas y continuar avanzando como empresa en el mercado.
Además, es importante tener presente que para hacer una buena campaña de mercadeo se deben tener
capacidades físicas, económicas e intelectuales, para ejecutarlas de la manera correcta, de lo contrario,
el uso de la IA no será suficientemente efectiva en los procesos de mercadeo.
Por último, el uso de la IA en las campañas de mercadeo es fundamental para la toma de decisiones
efectivas en un entorno tecnológico cambiante que hace uso de las redes sociales y el internet para tener
mayor y información y conocimiento de productos y servicios competitivos.
Se proponen como nuevas líneas de investigación ahondar en lo relacionado con la importancia del
mercadeo para la toma de decisiones de la alta gerencia; estrategias de mercadeo idóneas para las
pequeñas y medianas empresas, utilizando la IA a su medida; Impacto de la IA en las pequeñas y
medianas empresas; y modernidad tecnológica que impacta el mercadeo en las empresas.
REFERENCIAS BIBLIOGRÁFICAS
Al Adwan, A., Kokash, H., Al Adwan, R. y Khattak, A. (2023). Data analytics in digital marketing for
tracking the effectiveness of campaigns and inform strategy. Growing Science, 7(2), 563-574.
Doi: 10.5267/j.ijdns.2023.3.015.
menciona Kotler (2000) y otros autores, para que las campañas de mercado con apoyo de la IA sean
efectivas, deben realizarse por personal calificado y esto generalmente tiene un alto costo.
En otras palabras, el uso de la IA en las campañas de mercadeo puede impactar positivamente a las
empresas, mejorando la eficiencia, personalizando las campañas acordes a los gustos de los clientes, y,
además, puede utilizar una cantidad significativa de información obtenida para distintos procesos en las
empresas, siempre y cuando se haga un buen uso y tratamiento de los datos obtenidos.
En conclusión, la Inteligencia Artificial ha impactado significativamente la forma en que las empresas
implementan o realizan las campañas de mercadeo, impactado positivamente a las empresas en su
mayoría. Dicho impacto ha permitido la personalización de campañas acorde a cada segmento de
consumidores, lo que propicia una mayor eficiencia a la hora de tomar decisiones.
Las campañas de mercadeo se deben ir ajustando a los cambios que se vayan presentando en el mercado
y entorno, integrando efectivamente la tecnología, IA y las campañas de mercadeo para tener estrategias
más efectivas y continuar avanzando como empresa en el mercado.
Además, es importante tener presente que para hacer una buena campaña de mercadeo se deben tener
capacidades físicas, económicas e intelectuales, para ejecutarlas de la manera correcta, de lo contrario,
el uso de la IA no será suficientemente efectiva en los procesos de mercadeo.
Por último, el uso de la IA en las campañas de mercadeo es fundamental para la toma de decisiones
efectivas en un entorno tecnológico cambiante que hace uso de las redes sociales y el internet para tener
mayor y información y conocimiento de productos y servicios competitivos.
Se proponen como nuevas líneas de investigación ahondar en lo relacionado con la importancia del
mercadeo para la toma de decisiones de la alta gerencia; estrategias de mercadeo idóneas para las
pequeñas y medianas empresas, utilizando la IA a su medida; Impacto de la IA en las pequeñas y
medianas empresas; y modernidad tecnológica que impacta el mercadeo en las empresas.
REFERENCIAS BIBLIOGRÁFICAS
Al Adwan, A., Kokash, H., Al Adwan, R. y Khattak, A. (2023). Data analytics in digital marketing for
tracking the effectiveness of campaigns and inform strategy. Growing Science, 7(2), 563-574.
Doi: 10.5267/j.ijdns.2023.3.015.
pág. 5423
Algarni, M. y Ismail, M.M.B. (2023). Applications of Artificial Intelligence for Information Diffusion
Prediction: Regression-based Key Features Models. Science and Information Organization,
14(10), 1191-1201. Doi: 10.14569/IJACSA.2023.01410123.
Al Khaldy, M.A., Al-Obaydi, B.A.A. y al Shari, A.J. (2023). The Impact of Predictive Analytics and AI
on Digital Marketing Strategy and ROI. Springer Science and Business Media Deutschland
GmbH, 136, 367-379. Doi: 10.1007/978-3-031-42455-7_31.
Almasri, Y. (2023). Fashion Virtual Influencers: Antecedents Influencing Females' Behavioral Intentions
in Jordan. University of Jordan,Deanship of Scientific Research, 50(3), 390-402. Doi:
10.35516/hum.v50i3.5420.
Al-Rifaie, M. M. y Alhakbani, H.A. (2016). Handling class imbalance in direct marketing dataset using
a hybrid data and algorithmic level solutions. Institute of Electrical and Electronics Engineers
Inc., 446-451. Doi: 10.1109/SAI.2016.7556019.
Al-Shayea, Q.K. (2013). Evaluating marketing campaigns of banking using neural networks. 2, 759-
761.
Anjali Daisy, S. (2020). Stimulus of chatbot with customer relationship pipeline. Institute of Advanced
Scientific Research, Inc., 12(5), 885-889. Doi: 10.5373/JARDCS/V12SP5/20201831.
Armas. M. C. (2021). La Inteligencia Artificial en empresas peruanas e impactos laborales en los
trabajadores. Iberoamerican Business Journal, 5 (1), 83 – 105. DOI:
http://dx.doi.org/10.22451/5817.ibj2021.
Bello, M.J.G. (2019). Cloud-based conversational agents for user acquisition and engagement.
SciTePress, 528 - 534. Doi: 10.5220/0007766105280534.
Bonnin. G. y Alfonso. M.R. (2019). The narrative strategies of B2B technology brands. Emerald Group
Holdings Ltd., 34 (7), 1448 - 1458. Doi: 10.1108/JBIM-03-2019-0112.
Calderón. H. G. y Castaño. D. G. (2005). Investigación en Administración en América Latina: Evolución
y Resultados. UNAD, sede Manizales.
Cambria. E., Gastaldo. P., Bisio. F. y Zunino. R. (2015). An ELM-based model for affective analogical
reasoning. Elsevier B.V. 149, 443-455. Doi: 10.1016/j.neucom.2014.01.064
Algarni, M. y Ismail, M.M.B. (2023). Applications of Artificial Intelligence for Information Diffusion
Prediction: Regression-based Key Features Models. Science and Information Organization,
14(10), 1191-1201. Doi: 10.14569/IJACSA.2023.01410123.
Al Khaldy, M.A., Al-Obaydi, B.A.A. y al Shari, A.J. (2023). The Impact of Predictive Analytics and AI
on Digital Marketing Strategy and ROI. Springer Science and Business Media Deutschland
GmbH, 136, 367-379. Doi: 10.1007/978-3-031-42455-7_31.
Almasri, Y. (2023). Fashion Virtual Influencers: Antecedents Influencing Females' Behavioral Intentions
in Jordan. University of Jordan,Deanship of Scientific Research, 50(3), 390-402. Doi:
10.35516/hum.v50i3.5420.
Al-Rifaie, M. M. y Alhakbani, H.A. (2016). Handling class imbalance in direct marketing dataset using
a hybrid data and algorithmic level solutions. Institute of Electrical and Electronics Engineers
Inc., 446-451. Doi: 10.1109/SAI.2016.7556019.
Al-Shayea, Q.K. (2013). Evaluating marketing campaigns of banking using neural networks. 2, 759-
761.
Anjali Daisy, S. (2020). Stimulus of chatbot with customer relationship pipeline. Institute of Advanced
Scientific Research, Inc., 12(5), 885-889. Doi: 10.5373/JARDCS/V12SP5/20201831.
Armas. M. C. (2021). La Inteligencia Artificial en empresas peruanas e impactos laborales en los
trabajadores. Iberoamerican Business Journal, 5 (1), 83 – 105. DOI:
http://dx.doi.org/10.22451/5817.ibj2021.
Bello, M.J.G. (2019). Cloud-based conversational agents for user acquisition and engagement.
SciTePress, 528 - 534. Doi: 10.5220/0007766105280534.
Bonnin. G. y Alfonso. M.R. (2019). The narrative strategies of B2B technology brands. Emerald Group
Holdings Ltd., 34 (7), 1448 - 1458. Doi: 10.1108/JBIM-03-2019-0112.
Calderón. H. G. y Castaño. D. G. (2005). Investigación en Administración en América Latina: Evolución
y Resultados. UNAD, sede Manizales.
Cambria. E., Gastaldo. P., Bisio. F. y Zunino. R. (2015). An ELM-based model for affective analogical
reasoning. Elsevier B.V. 149, 443-455. Doi: 10.1016/j.neucom.2014.01.064
pág. 5424
Cambria, E. y Melfi G. (2015). Semantic outlier detection for affective common-sense reasoning and
concept-level sentiment análisis. AAAI Press. 276-281.
Casado Díaz, A. B. y Sellers Rubio, R (2013). Introducción al Marketing. Editorial Club Universitario
– ECU.
Ceballos-Parra, P.J.; W. A. Sarache y D.M. Gómez, Un Análisis Bibliométrico de las Tendencias en
Logística Humanitaria, doi: 10.4067/S0718-07642018000100091, Información Tecnológica,
29(1), 91-104 (2018).
Chan. C.C.H., Hwang. Y. R. y Wu H. C. (2016). Marketing segmentation using the particle swarm
optimization algorithm: a case study. Springer Verlag, 7(6), 855-863. 10.1007/s12652-016-
0389-9.
Chica, M., Cordón, Ó., Damas, S., Iglesias, V. y Mingot, J. (2016). Identimod: Modeling and managing
brand value using soft computing. Elsevier B.V., 89, 41-55. Doi: 10.1016/j.dss.2016.06.007.
Dekkers, O. M., Vandenbroucke, J. P., Cevallos, M., Renehan, A. G., Altman, D. G., & Egger, M. (2019).
COSMOS-E: guidance on conducting systematic reviews and meta-analyses of observational
studies of etiology. PLoS medicine, 16(2), e1002742.
Diapouli, M., Kapetanakis, S., Petridis, M. y Evans, R. (2017). Behavioural analytics using process
mining in on-line advertising. CEUR-WS, 2028, 147-156.
Ducange. P., Fazzolari. M., Petrocchi. M. y Vecchio M. (2019). An effective Decision Support System
for social media listening based on cross-source sentiment analysis models. Elsevier Ltd, 78,
71-85. Doi: 10.1016/j.engappai.2018.10.014.
Dutta, A., Deb, T. y Pathak S. (2021). Automated Data Harmonization (ADH) using Artificial
Intelligence (AI). Springer, 58(2), 257-275. Doi: 10.1007/s12597-020-00467-4.
Espitia. F. y Moya. E. (2008). Mercadeo y logística como estrategia de competitividad empresarial,
Revista Inventum, 4 (Facultad de Ingeniería UNIMINUTO), 9-11.
Gast, I.; K. Schildkamp y J.T. van der Veen, Team-Based Professional Development Interventions in
Higher Education: A Systematic Review, doi: /10.3102/0034654317704306, Review of
Educational Research, 87(4), 736–767 (2017).
Cambria, E. y Melfi G. (2015). Semantic outlier detection for affective common-sense reasoning and
concept-level sentiment análisis. AAAI Press. 276-281.
Casado Díaz, A. B. y Sellers Rubio, R (2013). Introducción al Marketing. Editorial Club Universitario
– ECU.
Ceballos-Parra, P.J.; W. A. Sarache y D.M. Gómez, Un Análisis Bibliométrico de las Tendencias en
Logística Humanitaria, doi: 10.4067/S0718-07642018000100091, Información Tecnológica,
29(1), 91-104 (2018).
Chan. C.C.H., Hwang. Y. R. y Wu H. C. (2016). Marketing segmentation using the particle swarm
optimization algorithm: a case study. Springer Verlag, 7(6), 855-863. 10.1007/s12652-016-
0389-9.
Chica, M., Cordón, Ó., Damas, S., Iglesias, V. y Mingot, J. (2016). Identimod: Modeling and managing
brand value using soft computing. Elsevier B.V., 89, 41-55. Doi: 10.1016/j.dss.2016.06.007.
Dekkers, O. M., Vandenbroucke, J. P., Cevallos, M., Renehan, A. G., Altman, D. G., & Egger, M. (2019).
COSMOS-E: guidance on conducting systematic reviews and meta-analyses of observational
studies of etiology. PLoS medicine, 16(2), e1002742.
Diapouli, M., Kapetanakis, S., Petridis, M. y Evans, R. (2017). Behavioural analytics using process
mining in on-line advertising. CEUR-WS, 2028, 147-156.
Ducange. P., Fazzolari. M., Petrocchi. M. y Vecchio M. (2019). An effective Decision Support System
for social media listening based on cross-source sentiment analysis models. Elsevier Ltd, 78,
71-85. Doi: 10.1016/j.engappai.2018.10.014.
Dutta, A., Deb, T. y Pathak S. (2021). Automated Data Harmonization (ADH) using Artificial
Intelligence (AI). Springer, 58(2), 257-275. Doi: 10.1007/s12597-020-00467-4.
Espitia. F. y Moya. E. (2008). Mercadeo y logística como estrategia de competitividad empresarial,
Revista Inventum, 4 (Facultad de Ingeniería UNIMINUTO), 9-11.
Gast, I.; K. Schildkamp y J.T. van der Veen, Team-Based Professional Development Interventions in
Higher Education: A Systematic Review, doi: /10.3102/0034654317704306, Review of
Educational Research, 87(4), 736–767 (2017).
pág. 5425
Geng, T., Lin, X. y Nair, H.S. (2020). Online evaluation of audiences for targeted advertising via bandit
experiments. AAAI press, 13273-13279.
Ghatasheh. N., Faris. H., AlTaharwa. I., Harb. Y. y Harb A. (2020). Business analytics in telemarketing:
Cost-sensitive analysis of bank campaigns using artificial neural networks. MDPI AG, 10 (7).
Doi: 10.3390/app10072581.
Gołąb-Andrzejak. E. (2023). The Impact of Generative AI and ChatGPT on Creating Digital Advertising
Campaigns. Taylor and Francis Ltd. 10.1080/01969722.2023.2296253.
Golab-Andrzejak, E. (2023). Measuring the effectiveness of digital communication - social media
performance: an example of the role played by AI-assisted tools at a university. Elsevier B.V.,
225, 3332-3341. Doi: 10.1016/j.procs.2023.10.327.
Hennessy, C. y Smeaton, A.F. (2016). Profiling, assessing and matching personalities active in social
media. CEUR-WS, 1751, 307-319.
Kar, A.K. y Singh, P. (2012). A model for bundling mobile value added services using neural networks.
Inderscience Publishers, 5(1), 47-63. Doi: 10.1504/IJADS.2012.044946.
Kermanidis, K., Maragoudakis, M., Vosinakis, S. y Exadaktylos, N. (2013). Designing a support tool
for creative advertising by mining collaboratively tagged ad video content: The architecture of
PromONTotion. Springer New York LLC, 412, 10-19. Doi: 10.1007/978-3-642-41142-7_2.
Kotler, P. & Keller, K. L. (2016). Marketing management 15th ed.(15th). Harlow: Pearson.
Kotler. P. (2000). Marketing Management, Millenium Edition. Pearson Custom Publishing.
Kotler, P., Kartajaya, H. y Setiawan, I. (2021). Marketing 5.0. Almuzara S.L.
Lasse Rouhiainen. (2018). Inteligencia artificial. Editorial Planeta, S.A.
Liu Y., Alzahrani I.R., Jaleel R.A. y Sulaie S.A. (2023). An efficient smart data mining framework based
cloud internet of things for developing artificial intelligence of marketing information análisis.
Elsevier Ltd, 60(1. Doi: 10.1016/j.ipm.2022.103121.
Li, S., Li, X.L., Tung, W.L. y Sim, K. (2016). Behaviors and profit based sales campaign design. IEEE
Computer Society, 2016(January), 353-360. Doi: 10.1109/ICTAI.2015.61.
Geng, T., Lin, X. y Nair, H.S. (2020). Online evaluation of audiences for targeted advertising via bandit
experiments. AAAI press, 13273-13279.
Ghatasheh. N., Faris. H., AlTaharwa. I., Harb. Y. y Harb A. (2020). Business analytics in telemarketing:
Cost-sensitive analysis of bank campaigns using artificial neural networks. MDPI AG, 10 (7).
Doi: 10.3390/app10072581.
Gołąb-Andrzejak. E. (2023). The Impact of Generative AI and ChatGPT on Creating Digital Advertising
Campaigns. Taylor and Francis Ltd. 10.1080/01969722.2023.2296253.
Golab-Andrzejak, E. (2023). Measuring the effectiveness of digital communication - social media
performance: an example of the role played by AI-assisted tools at a university. Elsevier B.V.,
225, 3332-3341. Doi: 10.1016/j.procs.2023.10.327.
Hennessy, C. y Smeaton, A.F. (2016). Profiling, assessing and matching personalities active in social
media. CEUR-WS, 1751, 307-319.
Kar, A.K. y Singh, P. (2012). A model for bundling mobile value added services using neural networks.
Inderscience Publishers, 5(1), 47-63. Doi: 10.1504/IJADS.2012.044946.
Kermanidis, K., Maragoudakis, M., Vosinakis, S. y Exadaktylos, N. (2013). Designing a support tool
for creative advertising by mining collaboratively tagged ad video content: The architecture of
PromONTotion. Springer New York LLC, 412, 10-19. Doi: 10.1007/978-3-642-41142-7_2.
Kotler, P. & Keller, K. L. (2016). Marketing management 15th ed.(15th). Harlow: Pearson.
Kotler. P. (2000). Marketing Management, Millenium Edition. Pearson Custom Publishing.
Kotler, P., Kartajaya, H. y Setiawan, I. (2021). Marketing 5.0. Almuzara S.L.
Lasse Rouhiainen. (2018). Inteligencia artificial. Editorial Planeta, S.A.
Liu Y., Alzahrani I.R., Jaleel R.A. y Sulaie S.A. (2023). An efficient smart data mining framework based
cloud internet of things for developing artificial intelligence of marketing information análisis.
Elsevier Ltd, 60(1. Doi: 10.1016/j.ipm.2022.103121.
Li, S., Li, X.L., Tung, W.L. y Sim, K. (2016). Behaviors and profit based sales campaign design. IEEE
Computer Society, 2016(January), 353-360. Doi: 10.1109/ICTAI.2015.61.
pág. 5426
Loukili, M., Messaoudi, F. y El Ghazi, M. (2023). Sentiment Analysis of Product Reviews for E-
Commerce Recommendation based on Machine Learning. Al-Zaytoonah University of Jordan,
15(1), 1-13. Doi: 10.15849/IJASCA.230320.01.
Martínez, R.G., Carrasco, R.A., García-Madariaga, J., Gallego, C.P. y Herrera-Viedma, E. (2019). A
comparison between Fuzzy Linguistic RFM Model and traditional RFM model applied to
Campaign Management. Case study of retail business. Elsevier B.V., 162, 281-289. Doi:
10.1016/j.procs.2019.11.286.
Marmol, M., Goyal, A., Copado-Mendez, P.J., Panadero, J. y Juan, A.A. (2021). Maximizing customers'
lifetime value using limited marketing resources. Emerald Group Holdings Ltd., 38(8), 1058-
1072. 10.1108/MIP-02-2021-0050.
Méndez S. A., Navarrete T. M. y García M. A. (2020). Transición de lo tradicional a lo digital: Apertura
al marketing 5.0. Vinculatégica Efan. 250 – 258.
Micu. A., Capatina. A., Cristea. D., Munteanu. D., Micu. A. y Sarpe. D. (2022). Assessing an on-site
customer profiling and hyper-personalization system prototype based on a deep learning
approach. 174 (121289). 10.1016/j.techfore.2021.121289.
Minton, E.A., Kaplan, B. y Cabano, F.G. (2022). The influence of religiosity on consumers' evaluations
of brands using artificial intelligence. John Wiley and Sons Inc, 39(11), 2055-2071. Doi:
10.1002/mar.21727.
Miralles-Pechuán. L., Ponce. H. y Martínez-Villaseñor. L. (2018). A novel methodology for optimizing
display advertising campaigns using genetic algorithms. Elsevier B.V., 27, 39-51. Doi:
10.1016/j.elerap.2017.11.004.
Morales, L. D. y Zaldumbide, P. D. (2023). Marketing 5.0 como eje de posicionamiento en las empresas
del Ecuador. 593 Digital Publisher CEIT, 8(3-1), 363-376.
https://doi.org/10.33386/593dp.2023.3-1.1868.
Moreno, R., Viajes, M., Fernandez, A., De Diego, I.M., Moguerza, J.M., Lancho, C. y Cuesta M. (2022).
Automatic detection of potential customers by opinion mining and intelligent agents. Institute
of Electrical and Electronics Engineers Inc., 93-101. Doi: 10.15439/2022F131.
Loukili, M., Messaoudi, F. y El Ghazi, M. (2023). Sentiment Analysis of Product Reviews for E-
Commerce Recommendation based on Machine Learning. Al-Zaytoonah University of Jordan,
15(1), 1-13. Doi: 10.15849/IJASCA.230320.01.
Martínez, R.G., Carrasco, R.A., García-Madariaga, J., Gallego, C.P. y Herrera-Viedma, E. (2019). A
comparison between Fuzzy Linguistic RFM Model and traditional RFM model applied to
Campaign Management. Case study of retail business. Elsevier B.V., 162, 281-289. Doi:
10.1016/j.procs.2019.11.286.
Marmol, M., Goyal, A., Copado-Mendez, P.J., Panadero, J. y Juan, A.A. (2021). Maximizing customers'
lifetime value using limited marketing resources. Emerald Group Holdings Ltd., 38(8), 1058-
1072. 10.1108/MIP-02-2021-0050.
Méndez S. A., Navarrete T. M. y García M. A. (2020). Transición de lo tradicional a lo digital: Apertura
al marketing 5.0. Vinculatégica Efan. 250 – 258.
Micu. A., Capatina. A., Cristea. D., Munteanu. D., Micu. A. y Sarpe. D. (2022). Assessing an on-site
customer profiling and hyper-personalization system prototype based on a deep learning
approach. 174 (121289). 10.1016/j.techfore.2021.121289.
Minton, E.A., Kaplan, B. y Cabano, F.G. (2022). The influence of religiosity on consumers' evaluations
of brands using artificial intelligence. John Wiley and Sons Inc, 39(11), 2055-2071. Doi:
10.1002/mar.21727.
Miralles-Pechuán. L., Ponce. H. y Martínez-Villaseñor. L. (2018). A novel methodology for optimizing
display advertising campaigns using genetic algorithms. Elsevier B.V., 27, 39-51. Doi:
10.1016/j.elerap.2017.11.004.
Morales, L. D. y Zaldumbide, P. D. (2023). Marketing 5.0 como eje de posicionamiento en las empresas
del Ecuador. 593 Digital Publisher CEIT, 8(3-1), 363-376.
https://doi.org/10.33386/593dp.2023.3-1.1868.
Moreno, R., Viajes, M., Fernandez, A., De Diego, I.M., Moguerza, J.M., Lancho, C. y Cuesta M. (2022).
Automatic detection of potential customers by opinion mining and intelligent agents. Institute
of Electrical and Electronics Engineers Inc., 93-101. Doi: 10.15439/2022F131.
pág. 5427
Murillo, A. A. y Vizuete, M. J. (2023). El impacto de la IA en el marketing de contenidos dentro del
contexto del marketing 5.0. SIGMA 11(01), 63-81. https://doi.org/10.24133/yz85g716.
Nesterenko V.; Miskiewicz R.; Abazov R (2023). Marketing Communications In The Era Of Digital
Transformation. Institute for International Cooperation Development, Vol (6), 57-70.
https://www.scopus.com/inward/record.uri?eid=2-s2.0-
85166318279&doi=10.34021%2fVE.2023.06.01%284%29&partnerID=40&md5=d58971141
01198da9e51464305990ec6. 10.34021/VE.2023.06.01(4)
Núñez. C. E. y Miranda. C. J. (2020). El marketing digital como un elemento de apoyo estratégico a las
organizaciones. Cuadernos Latinoamericanos de Administración, vol. 16, (30), 1-14.
Pérez, G. A, Villegas, E. C, Cabascango, J. J y Soria, F. E. (2023). Inteligencia artificial como estrategia
de innovación en empresas de servicios una revisión bibliográfica. Revista Publicando, 10(38),
74-82.
Prisma (2020). Prisma Translations policy. Disponible en:
http://www.prisma-statement.org/Translations/TranslationsPolicy.aspx. Consultado 7/12/2023
Radesky. J., Chassiakos. Y.R., Ameenuddin. N., Navsaria. D., Boyd. R., Selkie. E., Patrick. M. Jr.,
Friedman. J., Evans. Y., Tomopoulos. S, Bhargava. H., Hutchinson. J. y Bracho-Sanchez. E.
(2020). Digital advertising to children. American Academy of Pediatrics, 146(1). Doi:
10.1542/peds.2020-1681.
Rama Krishna. S., Rathor. K., Ranga. J., Soni. A., Srinivas. D. y Anil Kumar. N. (2023). Artificial
Intelligence Integrated with Big Data Analytics for Enhanced Marketing. Institute of Electrical
and Electronics Engineers Inc, 1073-1077. https://www.scopus.com/inward/record.uri?eid=2-
s2.0-
85163566214&doi=10.1109%2fICICT57646.2023.10134043&partnerID=40&md5=7affa677
d90b63c725c88177cb2be21a. 10.1109/ICICT57646.2023.10134043
Raghav Y.Y., Tipu R.K., Bhakhar R., Gupta T. y Sharma K. (2023). The future of digital marketing:
Leveraging artificial intelligence for competitive strategies and tactics. IGI Global, 249-274.
Doi: 10.4018/978-1-6684-9324-3.ch011.
Murillo, A. A. y Vizuete, M. J. (2023). El impacto de la IA en el marketing de contenidos dentro del
contexto del marketing 5.0. SIGMA 11(01), 63-81. https://doi.org/10.24133/yz85g716.
Nesterenko V.; Miskiewicz R.; Abazov R (2023). Marketing Communications In The Era Of Digital
Transformation. Institute for International Cooperation Development, Vol (6), 57-70.
https://www.scopus.com/inward/record.uri?eid=2-s2.0-
85166318279&doi=10.34021%2fVE.2023.06.01%284%29&partnerID=40&md5=d58971141
01198da9e51464305990ec6. 10.34021/VE.2023.06.01(4)
Núñez. C. E. y Miranda. C. J. (2020). El marketing digital como un elemento de apoyo estratégico a las
organizaciones. Cuadernos Latinoamericanos de Administración, vol. 16, (30), 1-14.
Pérez, G. A, Villegas, E. C, Cabascango, J. J y Soria, F. E. (2023). Inteligencia artificial como estrategia
de innovación en empresas de servicios una revisión bibliográfica. Revista Publicando, 10(38),
74-82.
Prisma (2020). Prisma Translations policy. Disponible en:
http://www.prisma-statement.org/Translations/TranslationsPolicy.aspx. Consultado 7/12/2023
Radesky. J., Chassiakos. Y.R., Ameenuddin. N., Navsaria. D., Boyd. R., Selkie. E., Patrick. M. Jr.,
Friedman. J., Evans. Y., Tomopoulos. S, Bhargava. H., Hutchinson. J. y Bracho-Sanchez. E.
(2020). Digital advertising to children. American Academy of Pediatrics, 146(1). Doi:
10.1542/peds.2020-1681.
Rama Krishna. S., Rathor. K., Ranga. J., Soni. A., Srinivas. D. y Anil Kumar. N. (2023). Artificial
Intelligence Integrated with Big Data Analytics for Enhanced Marketing. Institute of Electrical
and Electronics Engineers Inc, 1073-1077. https://www.scopus.com/inward/record.uri?eid=2-
s2.0-
85163566214&doi=10.1109%2fICICT57646.2023.10134043&partnerID=40&md5=7affa677
d90b63c725c88177cb2be21a. 10.1109/ICICT57646.2023.10134043
Raghav Y.Y., Tipu R.K., Bhakhar R., Gupta T. y Sharma K. (2023). The future of digital marketing:
Leveraging artificial intelligence for competitive strategies and tactics. IGI Global, 249-274.
Doi: 10.4018/978-1-6684-9324-3.ch011.
pág. 5428
Radosavljevik, D. y Van Der Putten, P. (2013). Preventing churn in telecommunications: The forgotten
network. 357-368. Doi: 10.1007/978-3-642-41398-8_31.
Ryan, D. (2016). Understanding digital marketing: marketing strategies for engaging the digital
generation. Kogan Page Publishers.
Rusyn, B., Pohreliuk, L., Kapshii, O., Varetskyy, J., Demchuk, A., Karpov, I., Gozhyj, A., Gozhyj, V. y
Kalinina I. (2020). An intelligent system for commercial of information products distribution
based SEO and sitecore CMS. CEUR-WS, 2604, 760-777.
Sardjono, W., Cholidin, A. y Johan (2023). Applying Digital Advertising in Food and Beverage Industry
for McDonald's with Marketing 5.0 Approach. EDP Sciences, 426. Doi:
10.1051/e3sconf/202342602009.
Singh P., Verma A., Vij S. y Thakur J. (2023). Implications & Impact of Artificial Intelligence in Digital
Media: With Special Focus on Social Media Marketing. EDP Sciences, 399 (7006).
10.1051/e3sconf/202339907006.
Solans, D., Fabbri, F., Calsamiglia, C., Castillo, C. y Bonchi, F. (2021). Comparing Equity and
Effectiveness of Different Algorithms in an Application for the Room Rental Market.
Association for Computing Machinery, Inc, 978-988. Doi: 10.1145/3461702.3462600.
Sowa, K. y Przegalinska, A. (2020). Digital coworker: Human-AI collaboration in work environment,
on the example of virtual assistants for management professions. Springer, 179-201. Doi:
10.1007/978-3-030-48993-9_13.
Suciu. G., Pasat. A. y Vasilescu. C. (2019). Novel artificial intelligence technologies for enhanced
recruitment campaigns using social media. National Defence University - Carol I Printing
House, 232-239. 10.12753/2066-026X-19-169.
Tzafilkou, K., Economides, A.A. y Panavou, F.R. (2023). You Look like You’ll Buy It! Purchase Intent
Prediction Based on Facially Detected Emotions in Social Media Campaigns for Food Products.
MDPI, 12(4). Doi: 10.3390/computers12040088.
Velev D. y Zlateva P. (2023). Issues of Artificial Intelligence Application in Digital Marketing. IOS
Press BV, 376, 52-59. Dio: 10.3233/FAIA230716.
Radosavljevik, D. y Van Der Putten, P. (2013). Preventing churn in telecommunications: The forgotten
network. 357-368. Doi: 10.1007/978-3-642-41398-8_31.
Ryan, D. (2016). Understanding digital marketing: marketing strategies for engaging the digital
generation. Kogan Page Publishers.
Rusyn, B., Pohreliuk, L., Kapshii, O., Varetskyy, J., Demchuk, A., Karpov, I., Gozhyj, A., Gozhyj, V. y
Kalinina I. (2020). An intelligent system for commercial of information products distribution
based SEO and sitecore CMS. CEUR-WS, 2604, 760-777.
Sardjono, W., Cholidin, A. y Johan (2023). Applying Digital Advertising in Food and Beverage Industry
for McDonald's with Marketing 5.0 Approach. EDP Sciences, 426. Doi:
10.1051/e3sconf/202342602009.
Singh P., Verma A., Vij S. y Thakur J. (2023). Implications & Impact of Artificial Intelligence in Digital
Media: With Special Focus on Social Media Marketing. EDP Sciences, 399 (7006).
10.1051/e3sconf/202339907006.
Solans, D., Fabbri, F., Calsamiglia, C., Castillo, C. y Bonchi, F. (2021). Comparing Equity and
Effectiveness of Different Algorithms in an Application for the Room Rental Market.
Association for Computing Machinery, Inc, 978-988. Doi: 10.1145/3461702.3462600.
Sowa, K. y Przegalinska, A. (2020). Digital coworker: Human-AI collaboration in work environment,
on the example of virtual assistants for management professions. Springer, 179-201. Doi:
10.1007/978-3-030-48993-9_13.
Suciu. G., Pasat. A. y Vasilescu. C. (2019). Novel artificial intelligence technologies for enhanced
recruitment campaigns using social media. National Defence University - Carol I Printing
House, 232-239. 10.12753/2066-026X-19-169.
Tzafilkou, K., Economides, A.A. y Panavou, F.R. (2023). You Look like You’ll Buy It! Purchase Intent
Prediction Based on Facially Detected Emotions in Social Media Campaigns for Food Products.
MDPI, 12(4). Doi: 10.3390/computers12040088.
Velev D. y Zlateva P. (2023). Issues of Artificial Intelligence Application in Digital Marketing. IOS
Press BV, 376, 52-59. Dio: 10.3233/FAIA230716.
pág. 5429
Wallace, R. (2020). Cognitive instabilities under contention, friction, and the fog-of-war challenge the
AI revolution. Taylor and Francis Ltd., 32(3), 264-279. Doi: 10.1080/09540091.2019.1684441.
Yepes-Nuñez, J. J., Urrutia, G., Romero-Garcia, M., & Alonso-Fernandez, S. (2021). The PRISMA 2020
statement: an updated guideline for reporting systematic reviews Declaración PRISMA 2020:
una guía actualizada para la publicación de revisiones sistemáticas. Revista espanola de
cardiologia, 74(9), 790-799.
Zabala, V. S., Jaimes, Q. M. y Jimenez. B. M. (2023). Big Data, Data Science, and Artificial Intelligence
for Project Management in the Architecture, Engineering, and Construction Industry: A
Systematic Review. Buildings Vol (13), 2944. https://doi.org/10.3390/buildings13122944.
Zatonatska, T., Dluhopolskyi, O., Artyukh, T. y Tymchenko, K. (2022). Forecasting the Behavior of
Target Segments to Activate Advertising Tools: Case of Mobile Operator Vodafone Ukraine.
Sciendo, 10(1). 87-104. Doi: 10.2478/eoik-2022-0005.
Zhang, Q., Wu, J., Zhang, P., Long, G. y Zhang C. (2017). Collective Hyping Detection System for
Identifying Online Spam Activities. Institute of Electrical and Electronics Engineers Inc., 32(5),
53-63. Doi: 10.1109/MIS.2017.3711639.
Zumstein, D., Brauer, C. y Zelic, A. (2022). Benefits, challenges and future developments in digital
analytics in German-speaking countries: An empirical análisis. Henry Stewart Publications,
7(3), 246.259.
Wallace, R. (2020). Cognitive instabilities under contention, friction, and the fog-of-war challenge the
AI revolution. Taylor and Francis Ltd., 32(3), 264-279. Doi: 10.1080/09540091.2019.1684441.
Yepes-Nuñez, J. J., Urrutia, G., Romero-Garcia, M., & Alonso-Fernandez, S. (2021). The PRISMA 2020
statement: an updated guideline for reporting systematic reviews Declaración PRISMA 2020:
una guía actualizada para la publicación de revisiones sistemáticas. Revista espanola de
cardiologia, 74(9), 790-799.
Zabala, V. S., Jaimes, Q. M. y Jimenez. B. M. (2023). Big Data, Data Science, and Artificial Intelligence
for Project Management in the Architecture, Engineering, and Construction Industry: A
Systematic Review. Buildings Vol (13), 2944. https://doi.org/10.3390/buildings13122944.
Zatonatska, T., Dluhopolskyi, O., Artyukh, T. y Tymchenko, K. (2022). Forecasting the Behavior of
Target Segments to Activate Advertising Tools: Case of Mobile Operator Vodafone Ukraine.
Sciendo, 10(1). 87-104. Doi: 10.2478/eoik-2022-0005.
Zhang, Q., Wu, J., Zhang, P., Long, G. y Zhang C. (2017). Collective Hyping Detection System for
Identifying Online Spam Activities. Institute of Electrical and Electronics Engineers Inc., 32(5),
53-63. Doi: 10.1109/MIS.2017.3711639.
Zumstein, D., Brauer, C. y Zelic, A. (2022). Benefits, challenges and future developments in digital
analytics in German-speaking countries: An empirical análisis. Henry Stewart Publications,
7(3), 246.259.