Diseño de un sistema de reconocimiento de imágenes aplicado a establecimientos de retail para la clasificación de clientes (género, edad, zonas de calor) con el fin de apoyar a los directivos en la toma de decisiones de marketing
El presente estudio de investigación propone una solución tecnológica innovadora para analizar y clasificar a los clientes de establecimientos de retail. Mediante el uso de técnicas de reconocimiento de imágenes y algoritmos de aprendizaje automático, se capturan y analizan fotografías en tiempo rea...
- Autores:
-
Madrigal Osorio, David Josué
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2024
- Institución:
- Universidad Autónoma de Bucaramanga - UNAB
- Repositorio:
- Repositorio UNAB
- Idioma:
- spa
- OAI Identifier:
- oai:repository.unab.edu.co:20.500.12749/25252
- Acceso en línea:
- http://hdl.handle.net/20.500.12749/25252
- Palabra clave:
- Marketing
Decision making
Image recognition system
Retail establishments
Neural networks (Computers)
Algorithms
Machine learning
Artificial intelligence
Data warehousing
Mecatrónica
Redes neuronales (Computadores)
Algoritmos
Aprendizaje automático (Inteligencia artificial)
Inteligencia artificial
Almacenamiento de datos
Toma de decisiones
Sistema de reconocimiento de imágenes
Establecimientos minoristas
- Rights
- License
- http://creativecommons.org/licenses/by-nc-nd/2.5/co/
| id |
UNAB2_9a719258b0c9fbaa30765f86697bed89 |
|---|---|
| oai_identifier_str |
oai:repository.unab.edu.co:20.500.12749/25252 |
| network_acronym_str |
UNAB2 |
| network_name_str |
Repositorio UNAB |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Diseño de un sistema de reconocimiento de imágenes aplicado a establecimientos de retail para la clasificación de clientes (género, edad, zonas de calor) con el fin de apoyar a los directivos en la toma de decisiones de marketing |
| dc.title.translated.spa.fl_str_mv |
Design of an image recognition system applied to retail establishments for the classification of customers (gender, age, heat zones) in order to support managers in making marketing decisions |
| title |
Diseño de un sistema de reconocimiento de imágenes aplicado a establecimientos de retail para la clasificación de clientes (género, edad, zonas de calor) con el fin de apoyar a los directivos en la toma de decisiones de marketing |
| spellingShingle |
Diseño de un sistema de reconocimiento de imágenes aplicado a establecimientos de retail para la clasificación de clientes (género, edad, zonas de calor) con el fin de apoyar a los directivos en la toma de decisiones de marketing Marketing Decision making Image recognition system Retail establishments Neural networks (Computers) Algorithms Machine learning Artificial intelligence Data warehousing Mecatrónica Redes neuronales (Computadores) Algoritmos Aprendizaje automático (Inteligencia artificial) Inteligencia artificial Almacenamiento de datos Toma de decisiones Sistema de reconocimiento de imágenes Establecimientos minoristas |
| title_short |
Diseño de un sistema de reconocimiento de imágenes aplicado a establecimientos de retail para la clasificación de clientes (género, edad, zonas de calor) con el fin de apoyar a los directivos en la toma de decisiones de marketing |
| title_full |
Diseño de un sistema de reconocimiento de imágenes aplicado a establecimientos de retail para la clasificación de clientes (género, edad, zonas de calor) con el fin de apoyar a los directivos en la toma de decisiones de marketing |
| title_fullStr |
Diseño de un sistema de reconocimiento de imágenes aplicado a establecimientos de retail para la clasificación de clientes (género, edad, zonas de calor) con el fin de apoyar a los directivos en la toma de decisiones de marketing |
| title_full_unstemmed |
Diseño de un sistema de reconocimiento de imágenes aplicado a establecimientos de retail para la clasificación de clientes (género, edad, zonas de calor) con el fin de apoyar a los directivos en la toma de decisiones de marketing |
| title_sort |
Diseño de un sistema de reconocimiento de imágenes aplicado a establecimientos de retail para la clasificación de clientes (género, edad, zonas de calor) con el fin de apoyar a los directivos en la toma de decisiones de marketing |
| dc.creator.fl_str_mv |
Madrigal Osorio, David Josué |
| dc.contributor.advisor.none.fl_str_mv |
González Acevedo, Hernando |
| dc.contributor.author.none.fl_str_mv |
Madrigal Osorio, David Josué |
| dc.contributor.cvlac.spa.fl_str_mv |
González Acevedo, Hernando [0000544655] |
| dc.contributor.googlescholar.spa.fl_str_mv |
González Acevedo, Hernando [es&oi=ao] |
| dc.contributor.orcid.spa.fl_str_mv |
González Acevedo, Hernando [0000-0001-6242-3939] |
| dc.contributor.researchgroup.spa.fl_str_mv |
Grupo de Investigación Control y Mecatrónica - GICYM |
| dc.contributor.apolounab.spa.fl_str_mv |
González Acevedo, Hernando [hernando-gonzalez-acevedo] |
| dc.subject.keywords.spa.fl_str_mv |
Marketing Decision making Image recognition system Retail establishments Neural networks (Computers) Algorithms Machine learning Artificial intelligence Data warehousing |
| topic |
Marketing Decision making Image recognition system Retail establishments Neural networks (Computers) Algorithms Machine learning Artificial intelligence Data warehousing Mecatrónica Redes neuronales (Computadores) Algoritmos Aprendizaje automático (Inteligencia artificial) Inteligencia artificial Almacenamiento de datos Toma de decisiones Sistema de reconocimiento de imágenes Establecimientos minoristas |
| dc.subject.lemb.spa.fl_str_mv |
Mecatrónica Redes neuronales (Computadores) Algoritmos Aprendizaje automático (Inteligencia artificial) Inteligencia artificial Almacenamiento de datos |
| dc.subject.proposal.spa.fl_str_mv |
Toma de decisiones Sistema de reconocimiento de imágenes Establecimientos minoristas |
| description |
El presente estudio de investigación propone una solución tecnológica innovadora para analizar y clasificar a los clientes de establecimientos de retail. Mediante el uso de técnicas de reconocimiento de imágenes y algoritmos de aprendizaje automático, se capturan y analizan fotografías en tiempo real para identificar el género y la edad de los clientes. Además, se implementa un sistema de análisis de zonas calientes que utiliza cámaras estándar y software avanzado para determinar las áreas de mayor tráfico de clientes dentro de la tienda. La identificación de estas "hot zones" permite a los minoristas optimizar la disposición de productos y las estrategias de marketing basadas en el comportamiento real de los clientes. Este enfoque contribuye al campo del marketing en el sector retail, proporcionando a los directivos herramientas tecnológicas para tomar decisiones informadas y estratégicas. Es importante resaltar que se destaca la importancia de la privacidad y la protección de datos personales, garantizando el uso adecuado de la información obtenida y cumpliendo con todos los requisitos legales y éticos. Igualmente, el término "hot zone" es relevante para describir áreas de alta densidad de tráfico en tiendas minoristas, y su determinación a través del análisis de video permite a los minoristas adaptar sus estrategias de ventas para mejorar la experiencia del cliente y aumentar las ventas. |
| publishDate |
2024 |
| dc.date.accessioned.none.fl_str_mv |
2024-06-25T20:08:56Z |
| dc.date.available.none.fl_str_mv |
2024-06-25T20:08:56Z |
| dc.date.issued.none.fl_str_mv |
2024-07-25 |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.local.spa.fl_str_mv |
Trabajo de Grado |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.hasversion.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/20.500.12749/25252 |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad Autónoma de Bucaramanga - UNAB |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional UNAB |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repository.unab.edu.co |
| url |
http://hdl.handle.net/20.500.12749/25252 |
| identifier_str_mv |
instname:Universidad Autónoma de Bucaramanga - UNAB reponame:Repositorio Institucional UNAB repourl:https://repository.unab.edu.co |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
[1] G. Jiménez-Marín, E. Bellido-Pérez, y Á. López-Cortés, «Marketing Sensorial: El Concepto, Sus Técnicas Y Su Aplicación En El Punto De Venta», Vivat Acad., n.o 148, pp. 121-147, 2019, Accedido: 26 de mayo de 2024. [En línea]. Disponible en: https://www.redalyc.org/journal/5257/525762355007/html/ [2] M. A. C. Peralta, B. A. A. Salazar, M. G. E. Bravo, A. T. C. Reyes, y K. G. C. Villegas, Segmentación Efectiva de Clientes utilizando R: Técnicas para Administración y Marketing Avanzado: Effective Customer Segmentation using R: Techniques for Advanced Marketing and Management. Editorial Investigativa Latinoamericana (SciELa), 2024. [3] E. Lara-Lévano, «Sistema de reconocimiento de gestos faciales captados a través de cámaras para analizar el nivel de satisfacción de clientes en restaurantes», Interfases, n.o 012, Art. n.o 012, dic. 2019, doi: 10.26439/interfases2019.n012.4638. [4] J. M. C. Yáñez y J. Á. T. González, Sistemas de Información Medioambiental. Netbiblo, 2003. [5] M. Abadi et al., «TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems». arXiv, 16 de marzo de 2016. doi: 10.48550/arXiv.1603.04467. [6] D. Goleman y C. Cherniss, Inteligencia emocional en el trabajo: Cómo seleccionar y mejorar la inteligencia emocional en individuos, grupos y organizaciones. Editorial Kairós, 2013. [7] L. L. Arias y J. M. Velasco, Por qué unas tiendas venden y otras no en la era digital: Claves del éxito del New Retail. Libros de Cabecera, 2018. [8] V. Shankar, «How Artificial Intelligence (AI) is Reshaping Retailing», J. Retail., vol. 94, n.o no 4, pp. vi-xi, 2018, Accedido: 3 de junio de 2024. [En línea]. Disponible en: https://www.proquest.com/openview/692d3cabede99109e1aebcea4fa97ac5/1?pqorigsite=gscholar&cbl=41988 [9] L. Gartland, Ilhas de calor: como mitigar zonas de calor em áreas urbanas. Oficina de Textos, 2011 [10] M. V. FULGENCIO JOSE y R. R. FERNANDO, Comercio electrónico. Ediciones Paraninfo, S.A., 2016. [11] A. Dhomne, R. Kumar, y V. Bhan, «Gender Recognition Through Face Using Deep Learning», Procedia Comput. Sci., vol. 132, pp. 2-10, ene. 2018, doi: 10.1016/j.procs.2018.05.053. [12] E. C. Pere y J. V. Pasola, Tecnología e innovación en la empresa. Univ. Politèc. de Catalunya, 2009. [13] M. A. Resources Information, Machine Learning: Concepts, Methodologies, Tools and Applications: Concepts, Methodologies, Tools and Applications. IGI Global, 2011 [14] M. Mehul, H. Kant Kamal, M. Gaurav, y S. Paawan, Machine Learning and Deep Learning in Real-Time Applications. IGI Global, 2020. [15] F. Sabry, Detección de objetos: Avances, aplicaciones y algoritmos. One Billion Knowledgeable, 2024. [16] H. Wayne, H. Zhang, M. Fengchun, R. Huang, y UNESCO, Inteligencia artificial y educación: Guía para las personas a cargo de formular políticas. UNESCO Publishing, 2021. [17] K. J. Sousa y E. Oz, Administración de los sistemas de información. Cengage Learning, 2016. [18] P. JULIÁN, Circuitos Integrados Digitales CMOS - Análisis y Diseño. Alfaomega Grupo Editor, 2016 [19] V. Morabito, Big Data and Analytics: Strategic and Organizational Impacts. Springer, 2015. [20] People Counters, «People Counters | NVR | Software | OP Retail». Accedido: 22 de junio de 2024. [En línea]. Disponible en: https://www.opretail.com/product/peoplecounter [21] J. E. Hillman, The Digital Silk Road: China’s Quest to Wire the World and Win the Future. Profile Books, 2021. [22] K. E. Kendall y J. E. Kendall, Análisis y diseño de sistemas. Pearson Educación, 2005. [23] M. Q. Hernández, Tecnologías de la información geográfica (TIG): cartografía, fotointerpretación, teledetección y SIG. Universidad de Salamanca, 2011. [24] E. M. Martinoia, Trading algorítmico: La transformación digital de los mercados. Editorial Autores de Argentina, 2023. [25] M. B. Ahmed, A. A. Boudhir, R. E. Meouche, y İ. R. Karaș, Innovations in Smart Cities Applications Volume 7: The Proceedings of the 8th International Conference on Smart City Applications, Volume 1. Springer Nature, 2024. [26] P. F. DAVID y G. T. RAFAEL, Técnicas básicas de merchandising. Ediciones Paraninfo, S.A., 2017. [27] V. G Juan et al., Aplicaciones de investigación de operaciones en sistemas de salud en Colombia. Editorial Pontificia Universidad Javeriana, 2020. [28] H. Andrade, S. Sinche, y P. Hidalgo, «Modelo para detectar el uso correcto de mascarillas en tiempo real utilizando redes neuronales convolucionales», Rev. Investig. En Tecnol. Inf., vol. 9, pp. 111-120, ene. 2021, doi: 10.36825/RITI.09.17.011. [29] «Estudio de las aplicaciones de Machine Learning y Deep Learning en el ámbito de la logística y la fabricación». Accedido: 26 de mayo de 2024. [En línea]. Disponible en: https://uvadoc.uva.es/handle/10324/37823 [30] Á. Artola Moreno, «Clasificación de imágenes usando redes neuronales convolucionales en Python», 2019, Accedido: 26 de mayo de 2024. [En línea]. Disponible en: https://idus.us.es/handle/11441/89506 [31] Z. Hu, Y. Xing, C. Lv, P. Hang, y J. Liu, Deep Convolutional Neural Network-based Bernoulli Heatmap for Head Pose Estimation. 2020. [32] D. Delgado Aviles y M. Muñoz Suárez, «Impacto del merchandising visual en las decisiones de compra del consumidor en el punto de venta», 593 Digit. Publ. CEIT, vol. 6, n.o 6, pp. 535-548, 2021, Accedido: 26 de mayo de 2024. [En línea]. Disponible en: https://dialnet.unirioja.es/servlet/articulo?codigo=8149636 [33] A. G. Howard et al., «MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications», arXiv.org. Accedido: 26 de mayo de 2024. [En línea]. Disponible en: https://arxiv.org/abs/1704.04861v1 [34] «Machine Learning y Deep Learning. Usando python, scikit y keras - Ediciones de la U - Librería - Compra ahora», Ediciones de la U. Accedido: 26 de mayo de 2024. [En línea]. Disponible en: https://edicionesdelau.com/producto/machine-learning-ydeep-learning-usando-python-scikit-y-keras/ [35] F. Gong, Y. Ma, P. Zheng, y T. Song, «A deep model method for recognizing activities of workers on offshore drilling platform by multistage convolutional pose machine», J. Loss Prev. Process Ind., vol. 64, p. 104043, mar. 2020, doi: 10.1016/j.jlp.2020.104043. |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ |
| dc.rights.local.spa.fl_str_mv |
Abierto (Texto Completo) |
| dc.rights.creativecommons.*.fl_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) Atribución-NoComercial-SinDerivadas 2.5 Colombia http://purl.org/coar/access_right/c_abf2 |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.spatial.spa.fl_str_mv |
Colombia |
| dc.coverage.campus.spa.fl_str_mv |
UNAB Campus Bucaramanga |
| dc.publisher.grantor.spa.fl_str_mv |
Universidad Autónoma de Bucaramanga UNAB |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad Ingeniería |
| dc.publisher.program.spa.fl_str_mv |
Pregrado Ingeniería Mecatrónica |
| institution |
Universidad Autónoma de Bucaramanga - UNAB |
| bitstream.url.fl_str_mv |
https://repository.unab.edu.co/bitstream/20.500.12749/25252/1/Tesis.pdf https://repository.unab.edu.co/bitstream/20.500.12749/25252/5/Licencia.pdf https://repository.unab.edu.co/bitstream/20.500.12749/25252/4/license.txt https://repository.unab.edu.co/bitstream/20.500.12749/25252/6/Tesis.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/25252/7/Licencia.pdf.jpg |
| bitstream.checksum.fl_str_mv |
e12d29eecb567491c49d8fb05b6c1897 bfd6d1b1e134269890dafe3112e5ad7d 3755c0cfdb77e29f2b9125d7a45dd316 51dfaf77ca31a4ca5b49305a29365932 e7c576a152162b2e72f4b0b6035e8720 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional | Universidad Autónoma de Bucaramanga - UNAB |
| repository.mail.fl_str_mv |
repositorio@unab.edu.co |
| _version_ |
1808410596204347392 |
| spelling |
González Acevedo, Hernando8ab7545f-7922-452f-ad0f-bf79d275a5f6Madrigal Osorio, David Josué8b213a59-0320-4bbd-ab68-0759256d63ffGonzález Acevedo, Hernando [0000544655]González Acevedo, Hernando [es&oi=ao]González Acevedo, Hernando [0000-0001-6242-3939]Grupo de Investigación Control y Mecatrónica - GICYMGonzález Acevedo, Hernando [hernando-gonzalez-acevedo]ColombiaUNAB Campus Bucaramanga2024-06-25T20:08:56Z2024-06-25T20:08:56Z2024-07-25http://hdl.handle.net/20.500.12749/25252instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coEl presente estudio de investigación propone una solución tecnológica innovadora para analizar y clasificar a los clientes de establecimientos de retail. Mediante el uso de técnicas de reconocimiento de imágenes y algoritmos de aprendizaje automático, se capturan y analizan fotografías en tiempo real para identificar el género y la edad de los clientes. Además, se implementa un sistema de análisis de zonas calientes que utiliza cámaras estándar y software avanzado para determinar las áreas de mayor tráfico de clientes dentro de la tienda. La identificación de estas "hot zones" permite a los minoristas optimizar la disposición de productos y las estrategias de marketing basadas en el comportamiento real de los clientes. Este enfoque contribuye al campo del marketing en el sector retail, proporcionando a los directivos herramientas tecnológicas para tomar decisiones informadas y estratégicas. Es importante resaltar que se destaca la importancia de la privacidad y la protección de datos personales, garantizando el uso adecuado de la información obtenida y cumpliendo con todos los requisitos legales y éticos. Igualmente, el término "hot zone" es relevante para describir áreas de alta densidad de tráfico en tiendas minoristas, y su determinación a través del análisis de video permite a los minoristas adaptar sus estrategias de ventas para mejorar la experiencia del cliente y aumentar las ventas.INTRODUCCIÓN.................................................................................................... 15 1.3. Objetivos...................................................................................................... 18 1.3.1. Objetivo general..................................................................................... 18 1.3.2. Objetivos específicos ............................................................................. 18 1. MARCO REFERENCIAL ................................................................................. 19 2.1 Estado del Arte.............................................................................................. 19 1.1.1. El retail y las nuevas tecnologías ......................................................... 19 1.1.2. Sistemas de reconocimiento de objetos................................................ 20 1.1.3. Reconocimiento de género y edad ....................................................... 20 1.1.4. Sistema de reconocimiento de mapas de calor ..................................... 21 2.2. Marco Teórico............................................................................................... 21 2.2.1. Sistemas de visión artificial .................................................................. 21 2.2.2. Reconocimiento de imágenes .............................................................. 22 2.2.3. Deep learning y machine learning ........................................................ 23 2.2.4. Redes Neuronales convolucionales...................................................... 24 2.2.5. Modelos pre entrenados...................................................................... 24 2.2.6. Hardware ........................................................................................... 25 2.2.7. Tecnologías actuales .......................................................................... 25 3. Sistema de reconocimiento de Imágenes en Establecimientos de Retail............. 27 3.1 Diseño y Optimización del Algoritmo y Detección de ZONAS de Calor .............. 27 3.1.1 Diseño ................................................................................................... 27 3.1.2 Metodología ........................................................................................... 28 3.1.3 Implementación Práctica ......................................................................... 28 3.1.4 Almacenamiento de Datos....................................................................... 28 3.1.5 Captura de Video.................................................................................... 28 3.1.6 Análisis de Zonas ................................................................................... 29 7 3.1.7 Validación y Evaluación........................................................................... 29 3.2 Implementación de Algoritmos al Sistema Embebido ....................................... 29 3.2.1 Selección y Preparación del Hardware ..................................................... 29 3.2.2 Configuración del Entorno de Desarrollo .................................................. 30 3.2.3 Implementación del Sistema.................................................................... 30 3.2.4 Análisis de Zonas y Evaluación................................................................ 31 3.2.5 Evaluación en Terreno ............................................................................ 31 3.3 Diseño y Optimización del Algoritmo de Reconocimiento de Género ................. 32 3.3.1 Planteamiento del Problema y Objetivos .................................................. 32 3.3.2 Revisión del Estado del Arte.................................................................... 32 3.3.3 Selección de Estrategias Preentrenadas .................................................. 32 3.3.4 Facilidad del Hardware............................................................................ 33 3.3.5 Documentación de la Técnica.................................................................. 33 3.3.6 Uso Eficiente de Recursos ...................................................................... 33 3.3.7. Implementación del Algoritmo................................................................. 33 3.3.8 Optimización del Algoritmo ...................................................................... 34 3.6. Diseño y Optimización del Algoritmo de Reconocimiento de Edad ................... 34 3.6.1 Tendencia de la técnica........................................................................... 34 3.6.2 Facilidad del Hardware............................................................................ 35 3.6.3 Documentación de la técnica................................................................... 35 3.6.4 Uso eficiente de recursos ........................................................................ 35 3.7 Recopilación de Base de Datos...................................................................... 35 3.8 Validación del Funcionamiento del Sistema..................................................... 35 3.9 Resultados en Campo de Operación .............................................................. 35 3.10 Redacción del Libro y Artículo ...................................................................... 36 3.11 Aplicación del sistema de reconocimiento de imágenes en establecimientos de retail................................................................................................................... 36 3.11.1 Ejecución del Proyecto.......................................................................... 39 4.RESULTADOS ..................................................................................................... 65 CONCLUSIONES Y RECOMENDACIONES............................................................. 77 REFERENCIAS BIBLIOGRÁFICAS.......................................................................... 79 ANEXO .................................................................................................................. 82PregradoThis research study proposes an innovative technological solution to analyze and classify customers in retail establishments. Using image recognition techniques and machine learning algorithms, photographs are captured and analyzed in real time to identify the gender and age of customers. In addition, a hot zone analysis system is implemented that uses standard cameras and advanced software to determine the areas of highest customer traffic within the store. Identifying these “hot zones” allows retailers to optimize product layout and marketing strategies based on actual customer behavior. This approach contributes to the field of retail marketing, providing managers with technological tools to make informed and strategic decisions. It is important to highlight the importance of privacy and personal data protection, ensuring the proper use of the information obtained and complying with all legal and ethical requirements. Likewise, the term “hot zone” is relevant to describe areas of high traffic density in retail stores, and its determination through video analysis allows retailers to adapt their sales strategies to improve customer experience and increase sales.Modalidad Presencialapplication/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)Atribución-NoComercial-SinDerivadas 2.5 Colombiahttp://purl.org/coar/access_right/c_abf2Diseño de un sistema de reconocimiento de imágenes aplicado a establecimientos de retail para la clasificación de clientes (género, edad, zonas de calor) con el fin de apoyar a los directivos en la toma de decisiones de marketingDesign of an image recognition system applied to retail establishments for the classification of customers (gender, age, heat zones) in order to support managers in making marketing decisionsIngeniero MecatrónicoUniversidad Autónoma de Bucaramanga UNABFacultad IngenieríaPregrado Ingeniería Mecatrónicainfo:eu-repo/semantics/bachelorThesisTrabajo de Gradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/acceptedVersionhttp://purl.org/redcol/resource_type/TPMarketingDecision makingImage recognition systemRetail establishmentsNeural networks (Computers)AlgorithmsMachine learningArtificial intelligenceData warehousingMecatrónicaRedes neuronales (Computadores)AlgoritmosAprendizaje automático (Inteligencia artificial)Inteligencia artificialAlmacenamiento de datosToma de decisionesSistema de reconocimiento de imágenesEstablecimientos minoristas[1] G. Jiménez-Marín, E. Bellido-Pérez, y Á. López-Cortés, «Marketing Sensorial: El Concepto, Sus Técnicas Y Su Aplicación En El Punto De Venta», Vivat Acad., n.o 148, pp. 121-147, 2019, Accedido: 26 de mayo de 2024. [En línea]. Disponible en: https://www.redalyc.org/journal/5257/525762355007/html/[2] M. A. C. Peralta, B. A. A. Salazar, M. G. E. Bravo, A. T. C. Reyes, y K. G. C. Villegas, Segmentación Efectiva de Clientes utilizando R: Técnicas para Administración y Marketing Avanzado: Effective Customer Segmentation using R: Techniques for Advanced Marketing and Management. Editorial Investigativa Latinoamericana (SciELa), 2024.[3] E. Lara-Lévano, «Sistema de reconocimiento de gestos faciales captados a través de cámaras para analizar el nivel de satisfacción de clientes en restaurantes», Interfases, n.o 012, Art. n.o 012, dic. 2019, doi: 10.26439/interfases2019.n012.4638.[4] J. M. C. Yáñez y J. Á. T. González, Sistemas de Información Medioambiental. Netbiblo, 2003.[5] M. Abadi et al., «TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems». arXiv, 16 de marzo de 2016. doi: 10.48550/arXiv.1603.04467.[6] D. Goleman y C. Cherniss, Inteligencia emocional en el trabajo: Cómo seleccionar y mejorar la inteligencia emocional en individuos, grupos y organizaciones. Editorial Kairós, 2013.[7] L. L. Arias y J. M. Velasco, Por qué unas tiendas venden y otras no en la era digital: Claves del éxito del New Retail. Libros de Cabecera, 2018.[8] V. Shankar, «How Artificial Intelligence (AI) is Reshaping Retailing», J. Retail., vol. 94, n.o no 4, pp. vi-xi, 2018, Accedido: 3 de junio de 2024. [En línea]. Disponible en: https://www.proquest.com/openview/692d3cabede99109e1aebcea4fa97ac5/1?pqorigsite=gscholar&cbl=41988[9] L. Gartland, Ilhas de calor: como mitigar zonas de calor em áreas urbanas. Oficina de Textos, 2011[10] M. V. FULGENCIO JOSE y R. R. FERNANDO, Comercio electrónico. Ediciones Paraninfo, S.A., 2016.[11] A. Dhomne, R. Kumar, y V. Bhan, «Gender Recognition Through Face Using Deep Learning», Procedia Comput. Sci., vol. 132, pp. 2-10, ene. 2018, doi: 10.1016/j.procs.2018.05.053.[12] E. C. Pere y J. V. Pasola, Tecnología e innovación en la empresa. Univ. Politèc. de Catalunya, 2009.[13] M. A. Resources Information, Machine Learning: Concepts, Methodologies, Tools and Applications: Concepts, Methodologies, Tools and Applications. IGI Global, 2011[14] M. Mehul, H. Kant Kamal, M. Gaurav, y S. Paawan, Machine Learning and Deep Learning in Real-Time Applications. IGI Global, 2020.[15] F. Sabry, Detección de objetos: Avances, aplicaciones y algoritmos. One Billion Knowledgeable, 2024.[16] H. Wayne, H. Zhang, M. Fengchun, R. Huang, y UNESCO, Inteligencia artificial y educación: Guía para las personas a cargo de formular políticas. UNESCO Publishing, 2021.[17] K. J. Sousa y E. Oz, Administración de los sistemas de información. Cengage Learning, 2016.[18] P. JULIÁN, Circuitos Integrados Digitales CMOS - Análisis y Diseño. Alfaomega Grupo Editor, 2016[19] V. Morabito, Big Data and Analytics: Strategic and Organizational Impacts. Springer, 2015.[20] People Counters, «People Counters | NVR | Software | OP Retail». Accedido: 22 de junio de 2024. [En línea]. Disponible en: https://www.opretail.com/product/peoplecounter[21] J. E. Hillman, The Digital Silk Road: China’s Quest to Wire the World and Win the Future. Profile Books, 2021.[22] K. E. Kendall y J. E. Kendall, Análisis y diseño de sistemas. Pearson Educación, 2005.[23] M. Q. Hernández, Tecnologías de la información geográfica (TIG): cartografía, fotointerpretación, teledetección y SIG. Universidad de Salamanca, 2011.[24] E. M. Martinoia, Trading algorítmico: La transformación digital de los mercados. Editorial Autores de Argentina, 2023.[25] M. B. Ahmed, A. A. Boudhir, R. E. Meouche, y İ. R. Karaș, Innovations in Smart Cities Applications Volume 7: The Proceedings of the 8th International Conference on Smart City Applications, Volume 1. Springer Nature, 2024.[26] P. F. DAVID y G. T. RAFAEL, Técnicas básicas de merchandising. Ediciones Paraninfo, S.A., 2017.[27] V. G Juan et al., Aplicaciones de investigación de operaciones en sistemas de salud en Colombia. Editorial Pontificia Universidad Javeriana, 2020.[28] H. Andrade, S. Sinche, y P. Hidalgo, «Modelo para detectar el uso correcto de mascarillas en tiempo real utilizando redes neuronales convolucionales», Rev. Investig. En Tecnol. Inf., vol. 9, pp. 111-120, ene. 2021, doi: 10.36825/RITI.09.17.011.[29] «Estudio de las aplicaciones de Machine Learning y Deep Learning en el ámbito de la logística y la fabricación». Accedido: 26 de mayo de 2024. [En línea]. Disponible en: https://uvadoc.uva.es/handle/10324/37823[30] Á. Artola Moreno, «Clasificación de imágenes usando redes neuronales convolucionales en Python», 2019, Accedido: 26 de mayo de 2024. [En línea]. Disponible en: https://idus.us.es/handle/11441/89506[31] Z. Hu, Y. Xing, C. Lv, P. Hang, y J. Liu, Deep Convolutional Neural Network-based Bernoulli Heatmap for Head Pose Estimation. 2020.[32] D. Delgado Aviles y M. Muñoz Suárez, «Impacto del merchandising visual en las decisiones de compra del consumidor en el punto de venta», 593 Digit. Publ. CEIT, vol. 6, n.o 6, pp. 535-548, 2021, Accedido: 26 de mayo de 2024. [En línea]. Disponible en: https://dialnet.unirioja.es/servlet/articulo?codigo=8149636[33] A. G. Howard et al., «MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications», arXiv.org. Accedido: 26 de mayo de 2024. [En línea]. Disponible en: https://arxiv.org/abs/1704.04861v1[34] «Machine Learning y Deep Learning. Usando python, scikit y keras - Ediciones de la U - Librería - Compra ahora», Ediciones de la U. Accedido: 26 de mayo de 2024. [En línea]. Disponible en: https://edicionesdelau.com/producto/machine-learning-ydeep-learning-usando-python-scikit-y-keras/[35] F. Gong, Y. Ma, P. Zheng, y T. Song, «A deep model method for recognizing activities of workers on offshore drilling platform by multistage convolutional pose machine», J. Loss Prev. Process Ind., vol. 64, p. 104043, mar. 2020, doi: 10.1016/j.jlp.2020.104043.ORIGINALTesis.pdfTesis.pdfTesisapplication/pdf2898408https://repository.unab.edu.co/bitstream/20.500.12749/25252/1/Tesis.pdfe12d29eecb567491c49d8fb05b6c1897MD51open accessLicencia.pdfLicencia.pdfLicenciaapplication/pdf315664https://repository.unab.edu.co/bitstream/20.500.12749/25252/5/Licencia.pdfbfd6d1b1e134269890dafe3112e5ad7dMD55metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8829https://repository.unab.edu.co/bitstream/20.500.12749/25252/4/license.txt3755c0cfdb77e29f2b9125d7a45dd316MD54open accessTHUMBNAILTesis.pdf.jpgTesis.pdf.jpgIM Thumbnailimage/jpeg6899https://repository.unab.edu.co/bitstream/20.500.12749/25252/6/Tesis.pdf.jpg51dfaf77ca31a4ca5b49305a29365932MD56open accessLicencia.pdf.jpgLicencia.pdf.jpgIM Thumbnailimage/jpeg10413https://repository.unab.edu.co/bitstream/20.500.12749/25252/7/Licencia.pdf.jpge7c576a152162b2e72f4b0b6035e8720MD57metadata only access20.500.12749/25252oai:repository.unab.edu.co:20.500.12749/252522024-06-25 22:01:02.26open accessRepositorio Institucional | Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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 |