Aplicación De Mapas De Kohonen Para La Priorización De Zonas De Mercado: Una Aproximación Práctica

Abstract

<jats:p>Este artículo presenta una metodología basada en redes neuronales para realizar priorización de zonas de mercado visto desde un enfoque empresarial. En esta investigación se intenta dar solución a la incertidumbre que existe en la mayoría de las organizaciones en torno a la prioridad que tiene una zona de mercado; para ello se hace una búsqueda de los criterios más relevantes que las empresas tienen en cuenta para asignar prioridades a ciertos clientes. La problemática se sustenta por la ausencia de herramientas que permitan determinar la prioridad de una zona de mercado y la falta de una interrelación efectiva entre los departamentos de logística y mercadeo. Para ello se ocupan los mapas de Kohonen que son un tipo de red neuronal que facilitan el agrupamiento de clientes y permiten determinar cuáles de ellos son los que impactan con mayor frecuencia los criterios de priorización previamente establecidos. Finalmente, se presentan tres escenarios con fin de validar la propuesta formulada y ver que comportamiento tienen las redes neuronales en temas de priorización de zonas de mercado.</jats:p>

Artificial neural networks optimize the establishment of a Brazilian germplasm core collection of winter squash (Cucurbita moschata D.)

“…This demonstrates that the adopted network architecture, consisting of seven columns and seven rows, efficiently organized the variability of the genotypes. Similar to the present study, a series of studies with Kohonen SOM also defined their topology randomly or by trial and error 22 , 49 , 50 . With this, it is assumed that the method to find the best architecture should be established judiciously.…”

Computational intelligence for studies on genetic diversity between genotypes of biomass sorghum

“…For self-organizing maps, it was found that the network architecture using five columns and five rows for the four experiments was efficient (Figure 2). Several studies using the SOM network have also defined their topology either tentatively or randomly (Barbosa et al, 2011;Chaudhary et al, 2014;Gámez Albán et al, 2016;Santos et al, 2019). Therefore, the method for finding the best network architecture is very important because each time SOM networks are used, different results can be obtained, since the networks have random synaptic weights at the beginning of the training (Santos et al, 2019).…”