https://doi.org/10.34070/rei  
Automatización y análisis de datos para la optimización dinámica de  
buyer personas en entornos digitales emergentes  
Data automation and analysis for dynamic buyer persona optimization in  
emerging digital environments  
Fernando Isaac Suéscum Guevara  
Instituto Superior Tecnológico de Formación  
Profesional, Administrativa y Comercial, Ecuador.  
https://orcid.org/0000-0002-3616-132X  
fernando.suescum@formacion.edu.ec  
William Antonio Villacres Mera  
Instituto Superior Tecnológico  
Guayaquil, Ecuador  
Fabiana Tais Mina Valencia  
Instituto Superior Tecnológico  
Guayaquil, Ecuador  
https://orcid.org/0009-0001-4319-9422  
wiavillacres@est.istg.edu.ec  
https://orcid.org/0009-0007-6702-6765  
ftmina@est.istg.edu.ec  
Palabras clave: Automatización; Buyer Personas; Inteligencia Artificial; Inbound  
Marketing; Segmentación Dinámica; Big Data.  
Recibido: 27 de febrero de 2026  
Keywords: Automation; Buyer Personas; Artificial Intelligence; Inbound  
Marketing; Dynamic Segmentation; Big Data.  
Aceptado: 11 de junio de 2026  
RESUMEN  
La presente investigación aborda la transformación crítica en la creación y optimización de los Buyer  
Personas (perfiles de cliente ideal) mediante la automatización y el análisis de datos masivos (Big Data),  
superando las limitaciones de los métodos tradicionales estáticos y basados en la intuición. El objetivo  
principal es analizar cómo la integración de herramientas como CRM (Customer Relationship  
Management), analítica web e Inteligencia Artificial (IA) facilita una segmentación dinámica que mejora  
significativamente el retorno de inversión (ROI) y la fidelización en estrategias de Inbound Marketing. Se  
plantea la hipótesis de que la integración de herramientas de automatización se asocia positivamente con  
la precisión del perfil del consumidor y la mejora del ROI en PYMES de Guayaquil. La metodología  
empleada combina una revisión sistemática de literatura (2019-2024) con un estudio empírico cuantitativo  
de diseño transversal aplicado a una muestra de 99 propietarios de negocios y emprendedores (N=99) en  
sectores clave (alimentación, moda, servicios) de Guayaquil, Ecuador. El instrumento fue validado  
mediante juicio de expertos y análisis de consistencia interna.  
Los resultados evidencian un cambio de paradigma en el comportamiento del consumidor: el 72% prioriza  
la calidad sobre el precio, desafiando las estrategias de bajo costo, y un 61% manifiesta un comportamiento  
de compra recurrente, lo que subraya la necesidad de estrategias de retención automatizadas. Asimismo,  
se identificó una «paradoja omnicanal» donde el descubrimiento de marca es eminentemente digital (66%  
vía redes sociales), pero la preferencia transaccional sigue siendo física (50%) o híbrida. Se concluye que,  
en un entorno digital saturado, la adopción de tecnologías de Machine Learning para la personalización es  
un imperativo estratégico para construir perfiles de consumidor éticamente responsables, precisos y libres  
de estereotipos.  
ABSTRACT  
This research addresses the critical transformation in the creation and optimization of Buyer Personas  
through automation and Big Data analysis, overcoming the limitations of traditional static and intuition-  
based methods. The main objective is to analyze how the integration of tools such as CRM, web analytics,  
and Artificial Intelligence facilitates dynamic segmentation that significantly improves Return on Investment  
(ROI) and loyalty in Inbound Marketing strategies. The hypothesis posited is that automation tool integration  
is positively associated with consumer profile accuracy and improved ROI in Guayaquil SMEs. The  
methodology combines a systematic literature review (2019-2024) with a quantitative cross-sectional  
empirical study applied to a sample of 99 business owners and entrepreneurs (N=99) in key sectors in  
Guayaquil, Ecuador. The instrument was validated through expert judgment and internal consistency  
analysis.  
61  
Vol. 8 No.1, Revista de Investigación Formativa: Innovación y Aplicaciones Técnico  
Tecnológicas, junio, 2026  
Fernando Isaac Suéscum Guevara, Esp. en Com. Digit. - William Antonio Villacres Mera, Est. - Fabiana Tais Mina  
Valencia, Tnlga.  
The results evidence a paradigm shift in consumer behavior: 72% prioritize quality over price, and 61%  
demonstrate recurring purchasing behavior. An "omnichannel paradox" was identified where brand  
discovery is eminently digital (66% via social networks), yet transactional preference remains physical  
(50%) or hybrid. It is concluded that the adoption of Machine Learning technologies for personalization is a  
strategic imperative to build ethically responsible and stereotype-free consumer profiles.  
INTRODUCCIÓN  
En el vertiginoso ecosistema digital contemporáneo, la comprensión profunda y granular del cliente ha  
evolucionado de ser una ventaja competitiva deseable a una necesidad operativa crítica para la  
supervivencia empresarial. Las Buyer Personas, conceptualizadas como representaciones semi-ficticias  
del cliente ideal construidas a partir de datos reales y especulaciones fundamentadas sobre demografía,  
comportamientos, motivaciones y objetivos, han constituido tradicionalmente la piedra angular de las  
estrategias de marketing exitosas (Kotler & Keller, 2016). Sin embargo, la velocidad del mercado actual,  
impulsada por la hiperconectividad y la globalización, ha dejado obsoletos los métodos manuales y  
estáticos de construcción de estos perfiles.  
Históricamente, la segmentación de mercado se limitaba a variables sociodemográficas básicas como  
edad, género y ubicación geográfica. Si bien estos datos proporcionan una estructura inicial, carecen de  
la profundidad necesaria para explicar el «por qué» detrás de las decisiones de compra. La fragmentación  
de los canales de comunicación y la diversificación de los hábitos de consumo exigen una reingeniería en  
la forma en que las organizaciones segmentan sus mercados. Ante este escenario desafiante, la  
automatización y el análisis de datos masivos (Big Data) emergen como soluciones tecnológicas  
ineludibles. Herramientas digitales avanzadas —desde sistemas de Gestión de Relaciones con Clientes  
(CRM) hasta plataformas de analítica web y algoritmos predictivos— permiten recopilar, procesar y  
actualizar información en tiempo real.  
Estudios recientes de alto impacto (Chaffey & Ellis-Chadwick, 2022; Romero Montero et al., 2024)  
sostienen que el uso estratégico del aprendizaje automático (Machine Learning) y la Inteligencia Artificial  
(IA) en la construcción de perfiles incrementa sustancialmente la efectividad de las campañas publicitarias  
y el compromiso del usuario. Según Zeng y Ghorbani (2020), la analítica de datos aplicada a la  
segmentación no solo optimiza la adquisición de clientes reduciendo el costo por cliente potencial (CPL),  
sino que resulta vital para las estrategias de retención en mercados saturados. Davenport et al. (2020)  
señalan además que la IA transformará el futuro del marketing al permitir una personalización a escala sin  
precedentes. Esta tendencia no es aislada; investigaciones recientes sobre el avance de la IA en campos  
científicos sugieren que la capacidad de agentes autónomos para descubrir conocimientos complejos está  
transformando todas las disciplinas (Lu et al., 2024). Si la IA es capaz de automatizar descubrimientos  
científicos abiertos, su aplicación en la identificación de patrones de consumo resulta una consecuencia  
natural y necesaria.  
Asimismo, la dimensión ética y social ha cobrado relevancia. García Antonio et al. (2021) han propuesto  
herramientas innovadoras —como lienzos (canvas) para emprendimientos sostenibles— que permiten  
perfilar consumidores con valores éticos específicos. Esto sugiere que la automatización no debe  
deshumanizar al cliente, sino permitir una comprensión más empática y alineada con sus valores  
personales.  
Pregunta e Hipótesis de Investigación  
La investigación se orienta por la siguiente pregunta central: ¿En qué medida la automatización de datos  
mediante herramientas de CRM, Big Data e Inteligencia Artificial mejora la precisión del perfil del Buyer  
Persona y el ROI de estrategias de Inbound Marketing en PYMES de Guayaquil, en comparación con los  
métodos estáticos tradicionales?  
A partir de esta pregunta se formulan las siguientes hipótesis de trabajo:  
•
H1: La integración de herramientas de automatización (CRM, IA, Big Data) en la construcción de  
Buyer Personas se asocia positivamente con la mejora del ROI y la fidelización de clientes en  
estrategias de Inbound Marketing en PYMES de Guayaquil.  
62  
Vol.8 No.1, ISSN 2600-5832, junio, 2026  
Automatización y análisis de datos para la optimización dinámica de buyer personas en entornos digitales  
emergentes  
•
H2: Existe una paradoja omnicanal estadísticamente verificable entre los canales de  
descubrimiento de marca y los canales de transacción en consumidores del ecosistema  
emprendedor de Guayaquil.  
Evolución del Buyer Persona: De la Intuición al Dato  
El concepto de Buyer Persona ha trascendido la segmentación demográfica clásica para incorporar  
dimensiones psicográficas complejas, como motivaciones intrínsecas, retos o puntos de dolor (pain points)  
y objetivos aspiracionales. Beltrán Mora et al. (2019) destacan que el Buyer Persona actúa como una  
brújula estratégica en la gestión empresarial moderna, guiando no solo el marketing sino también el diseño  
de productos y la experiencia del cliente (CX). En la era pre-digital, estos perfiles se construían mediante  
grupos focales costosos y esporádicos, lo que resultaba en una «foto fija» del consumidor que perdía  
vigencia rápidamente.  
La dependencia excesiva de la intuición o de datos históricos desactualizados conlleva riesgos  
significativos. Mantilla Manjarrés y Larrea Solórzano (2024) advierten sobre el peligro de los estereotipos  
en la definición de estos perfiles. Un Buyer Persona basado en prejuicios puede conducir a estrategias de  
comunicación alienantes y pérdida de cuota de mercado. Aquí es donde la automatización juega un rol  
correctivo y validador: los datos conductuales reales permiten «desmentir» al estereotipo y revelar la  
verdadera naturaleza del consumidor.  
Tecnologías de Automatización y Enfoques Híbridos  
La literatura académica actual sugiere que la máxima precisión en el perfilado se logra a través de marcos  
híbridos que integran tecnología y análisis humano. Ahmed (2022) argumenta que la combinación de  
técnicas cuantitativas robustas (análisis de Big Data y minería de datos) con técnicas cualitativas profundas  
(etnografía digital y netnografía) es esencial para evitar generalizaciones superficiales. Mientras el Big Data  
responde al «qué» y al «cuándo», la etnografía digital ayuda a responder al «por qué» —las motivaciones  
emocionales detrás de la compra—.  
Wedel y Kannan (2016) subrayan que los entornos ricos en datos exigen marcos analíticos de marketing  
que integren tanto el análisis descriptivo como el predictivo. Un ejemplo claro es el uso del Procesamiento  
de Lenguaje Natural (PLN) para analizar sentimientos en reseñas de plataformas como Google Maps o  
TripAdvisor, permitiendo a las empresas ajustar sus servicios basándose en las preferencias reales  
expresadas por los usuarios. Reinartz et al. (2004) demostraron, además, que el proceso de CRM tiene  
un impacto directo y medible en el desempeño empresarial, lo que refuerza la pertinencia de los sistemas  
automatizados de gestión de relaciones como eje de cualquier estrategia de perfilado dinámico.  
MATERIALES Y MÉTODOS  
La presente investigación se enmarca en un enfoque metodológico mixto (cualitativo-cuantitativo),  
combinando una revisión bibliográfica sistemática de fuentes de alto impacto con un estudio de campo  
cuantitativo de alcance descriptivo y corte transversal. Este diseño permite no solo cuantificar las variables  
del comportamiento del consumidor, sino también interpretarlas a la luz de las teorías contemporáneas de  
marketing digital.  
Diseño de Investigación y Procedimiento  
Se aplicó un diseño no experimental transversal, dado que las variables no fueron manipuladas  
deliberadamente, sino observadas en su contexto natural en un momento único del tiempo. La fase  
empírica se centró en la recolección de datos primarios mediante la técnica de la encuesta, considerada  
la herramienta más idónea para obtener una visión panorámica de las percepciones de los propietarios de  
negocios sobre sus clientes.  
Población y Muestra  
La población objeto de estudio comprendió empresas activas y emprendimientos en diversos sectores  
comerciales de la ciudad de Guayaquil, Ecuador. El tamaño muestral fue calculado mediante la fórmula de  
Cochran (1977) para poblaciones infinitas, con un nivel de confianza del 95% (Z = 1.96), margen de error  
del 10% (e = 0.10) y proporción esperada p = 0.50, obteniéndose n ≈ 96, ajustado a N = 99 por  
63  
Vol.8 No.1, ISSN 2600-5832, junio, 2026  
Fernando Isaac Suéscum Guevara, Esp. en Com. Digit. - William Antonio Villacres Mera, Est. - Fabiana Tais Mina  
Valencia, Tnlga.  
disponibilidad de participantes. Se seleccionó una muestra no probabilística por conveniencia. Los criterios  
de inclusión fueron:  
•
•
•
Ser propietario o gestor de un negocio activo (con al menos 6 meses de operación).  
Tener presencia en canales digitales (redes sociales) o físicos en la ciudad.  
Tener interacción directa con el cliente final para poder responder sobre sus hábitos.  
Si bien el tamaño de la muestra limita la generalización a escala nacional, resulta estadísticamente  
apropiado para un estudio exploratorio-descriptivo que busca identificar tendencias y patrones de  
comportamiento en el ecosistema emprendedor local (Hernández-Sampieri et al., 2014).  
Instrumento de Recolección de Datos y Validación  
El instrumento utilizado fue un cuestionario estructurado digital, administrado a través de Google Forms y  
distribuido mediante canales directos (WhatsApp y correo electrónico) durante el periodo de estudio. El  
cuestionario constó de 15 ítems cerrados y de opción múltiple, diseñados para cubrir las dimensiones  
críticas del Buyer Persona.  
La validez de contenido fue verificada mediante juicio de cinco expertos en marketing digital y metodología  
de investigación, obteniéndose un índice de Aiken V = 0.85 (p < 0.05), lo que indica alta validez de  
contenido. La confiabilidad del instrumento fue estimada mediante el coeficiente Alfa de Cronbach (α =  
0.78) sobre las escalas de respuesta múltiple, indicando una consistencia interna buena y superior al  
umbral aceptable de 0.70 propuesto por Nunnally (1978). Previo a la aplicación final, se realizó una prueba  
piloto con 12 participantes para detectar y corregir ambigüedades en la redacción de los ítems.  
La estructura del instrumento se detalla a continuación:  
•
•
•
•
Caracterización del Negocio (Ítem 1): Clasificación sectorial para análisis comparativos entre  
industrias.  
Perfil Demográfico del Cliente (Ítems 2, 3): Datos sobre edad (rangos generacionales), género y  
clase social percibida.  
Comportamiento de Compra y Fidelización (Ítems 4, 12): Frecuencia de compra (recurrente vs.  
única) y motivos de retorno para medir el Valor de Vida del Cliente (Lifetime Value, LTV).  
Psicografía y Factores de Decisión (Ítems 5, 8, 10, 14, 15): Indagación sobre qué impulsa la  
compra (precio, calidad, servicio), cuáles son los principales retos (puntos de dolor) y qué  
contenidos consumen antes de decidir.  
•
•
Canales y Digitalización (Ítems 6, 7, 9, 11): Mapeo del recorrido del cliente (Customer Journey),  
desde el descubrimiento —dónde ven la marca— hasta la transacción —dónde compran— y el  
soporte —dónde consultan—.  
Arquetipo Ideal (Ítem 13): Pregunta abierta para contrastar la percepción ideal del dueño con los  
datos reales recolectados.  
Análisis de Datos  
Los datos cuantitativos fueron procesados mediante estadística descriptiva para obtener frecuencias  
absolutas y relativas (porcentajes). Se utilizaron tablas de contingencia cruzadas para identificar relaciones  
entre variables clave (ej. sector vs. canal de preferencia; clase social vs. factor de decisión), acompañadas  
de la prueba de chi-cuadrado (χ²) y el coeficiente V de Cramer para estimar la magnitud del efecto. Se  
tomó como umbral de significancia estadística p < 0.05. Paralelamente, se realizó un análisis documental  
de casos de estudio y literatura científica (2019-2024) para contrastar los hallazgos empíricos con las  
tendencias globales de automatización y segmentación, permitiendo triangular la información para una  
discusión robusta.  
64  
Vol.8 No.1, ISSN 2600-5832, junio, 2026  
Automatización y análisis de datos para la optimización dinámica de buyer personas en entornos digitales  
emergentes  
RESULTADOS  
El análisis de los datos recolectados de las 99 encuestas válidas ofrece una radiografía detallada del perfil  
del consumidor actual en Guayaquil y sus interacciones con los negocios locales. Los hallazgos se  
presentan organizados por dimensiones temáticas y se resumen visualmente en la Figura 1.  
Perfil Sectorial y Demográfico  
La muestra refleja un mercado heterogéneo y vibrante. Los negocios encuestados se distribuyen  
principalmente en el sector de alimentación (21%), seguido por moda y vestimenta (18%), servicios  
personales (17%) y productos electrónicos/tecnológicos (12%). Esta distribución indica una economía  
emprendedora centrada en necesidades básicas y bienestar personal, sectores que tradicionalmente  
requieren alta rotación de clientes y estrategias de fidelización agresivas.  
En cuanto al perfil del consumidor final atendido por estos negocios:  
•
Edad: El grupo etario predominante se sitúa entre los 31 y 45 años (22%), correspondiente a la  
generación Millennial adulta con poder adquisitivo activo. Le sigue el segmento de jóvenes adultos  
de 18 a 30 años (17%) (Generación Z), lo que sugiere que casi el 40% del mercado objetivo es  
nativo digital o altamente adaptado a la tecnología.  
•
•
Clase social: El 50% de los encuestados identifica a su clientela como perteneciente a la clase  
media, lo que indica un mercado que busca equilibrio entre costo y beneficio, con un poder  
adquisitivo estable pero no ilimitado.  
Género: El 43% de los clientes son identificados como mujeres y el 26% como hombres. Un  
hallazgo relevante es la existencia de un segmento significativo que no se identifica con las  
categorías binarias tradicionales, lo que invita a replantear las estrategias de mercadeo por género  
(gender marketing).  
Factores de Decisión y Psicografía del Consumidor  
Uno de los hallazgos más contundentes, que desafía la percepción común de los mercados en vías de  
desarrollo, es la jerarquía de valores en la decisión de compra:  
•
•
•
Calidad sobre precio: El 72% de los consumidores prioriza la calidad del producto o servicio como  
el factor determinante.  
Precio y servicio: El precio (45%) y la calidad del servicio al cliente (43%) ocupan un segundo nivel  
de importancia.  
Conveniencia: Sorprendentemente, la conveniencia (rapidez/facilidad) es prioritaria solo para el  
12%.  
Este hallazgo resulta teóricamente relevante: refuta la hipótesis de que el consumidor de clase media en  
mercados emergentes actúa primordialmente como un comprador sensible al precio (Kotler & Keller, 2016).  
Existe una demanda latente por valor real y durabilidad. Además, la confiabilidad del negocio es un factor  
clave previo a la compra para el 27% de los encuestados, lo que sugiere que la reputación de marca y la  
prueba social son activos intangibles de alto valor.  
En términos de fidelización, el comportamiento es positivo: la frecuencia de compra es mayoritariamente  
recurrente (61%), frente a un 18% de compras únicas. Esto valida la importancia de implementar sistemas  
CRM para gestionar esa recurrencia y evitar la fuga de clientes.  
65  
Vol.8 No.1, ISSN 2600-5832, junio, 2026  
Fernando Isaac Suéscum Guevara, Esp. en Com. Digit. - William Antonio Villacres Mera, Est. - Fabiana Tais Mina  
Valencia, Tnlga.  
Figura 1. Síntesis del Comportamiento del Consumidor y Factores de Decisión. Elaboración propia con  
base en los datos del estudio de campo (2025)  
Nota. Elaboración propia.  
La Paradoja Omnicanal: Descubrimiento vs. Transacción  
Se observa una dicotomía relevante en el recorrido del cliente (Customer Journey), que valida la necesidad  
de estrategias híbridas:  
•
Fase de descubrimiento (digital): El 66% de los clientes descubre nuevos negocios a través de  
redes sociales, superando ligeramente al tradicional «boca a boca» (63%). Los motores de  
búsqueda como Google (10%) y los anuncios pagados (15%) muestran un impacto  
significativamente menor, lo que resalta el valor del contenido orgánico y la recomendación social.  
•
•
Fase de transacción (física/híbrida): A pesar de descubrir la marca en línea, el 50% prefiere  
concretar la compra en persona, mientras que el 32% opta por la modalidad exclusivamente en  
línea y el resto utiliza modelos mixtos.  
Canal de comunicación (instantaneidad): WhatsApp se consolida como el canal hegemónico de  
comunicación, preferido por el 61% de los clientes y utilizado por el 41% de las empresas para  
gestión. El correo electrónico ha quedado relegado a un rol marginal (5%), lo que cuestiona la  
eficacia del mercadeo por correo electrónico tradicional frente al mercadeo conversacional en este  
contexto.  
Propuestas de Aplicación Basadas en Evidencia  
A partir de los hallazgos, y en sintonía con las propuestas de Ahmed (2022) y García Antonio et al. (2021),  
se proponen dos aplicaciones prácticas de automatización (Figura 2):  
66  
Vol.8 No.1, ISSN 2600-5832, junio, 2026  
Automatización y análisis de datos para la optimización dinámica de buyer personas en entornos digitales  
emergentes  
•
•
Caso A – Moda ética y el factor confianza: Una marca de moda puede implementar el «Lienzo  
para emprendimiento sostenible». Si los datos muestran que su Buyer Persona valora la  
transparencia, la empresa podría automatizar el envío de códigos QR post-compra que muestren  
la trazabilidad de la prenda, satisfaciendo la necesidad de información y fidelizando al cliente  
consciente.  
Caso B – Servicios y adaptabilidad (gimnasio): Los negocios de servicios pueden utilizar  
herramientas de escucha social (Social Listening) y Procesamiento de Lenguaje Natural (PLN)  
para analizar reseñas en Google Maps. Si el algoritmo detecta palabras clave recurrentes como  
«horario», «lleno» o «parqueo», la empresa puede ajustar su oferta operativa en tiempo real,  
respondiendo a una demanda explícita del Buyer Persona que quizás no fue captada en una  
encuesta tradicional.  
Figura 2. Modelo de Optimización Dinámica del Buyer Persona. Flujo de trabajo propuesto para la  
integración de datos en la gestión de clientes. Elaboración propia (2025)  
Nota. Elaboración propia  
DISCUSIÓN  
Los resultados obtenidos ratifican la obsolescencia de los modelos estáticos de perfilado de clientes y  
validan la necesidad de transitar hacia modelos de gestión de Buyer Personas dinámicos, automatizados  
y omnicanales. El análisis de los datos empíricos a la luz de la literatura reciente revela varias implicaciones  
teóricas y prácticas fundamentales.  
Contraste Teórico: Calidad y Valor Redefiniendo al Buyer Persona  
La preferencia del 72% de los consumidores por la calidad sobre el precio constituye un hallazgo que  
desafía los paradigmas tradicionales del marketing en economías emergentes, donde a menudo se asume  
una alta sensibilidad al precio. Este resultado se alinea con la teoría de Romero Montero et al. (2024),  
quienes argumentan que el Inbound Marketing moderno debe centrarse en aportar valor real y generar  
67  
Vol.8 No.1, ISSN 2600-5832, junio, 2026  
Fernando Isaac Suéscum Guevara, Esp. en Com. Digit. - William Antonio Villacres Mera, Est. - Fabiana Tais Mina  
Valencia, Tnlga.  
confianza, superando la visión puramente transaccional. Asimismo, corrobora la advertencia de Mantilla  
Manjarrés y Larrea Solórzano (2024) sobre los sesgos y estereotipos: perfilar al consumidor local como  
«cazador de ofertas» resultaría en estrategias erróneas. Estos hallazgos validan parcialmente la H1  
planteada: la orientación hacia la calidad sugiere que los sistemas automatizados de contenidos deben  
programarse para enfatizar la durabilidad, la transparencia y los beneficios a largo plazo.  
Gestión de la paradoja omnicanal y el big data  
La discrepancia observada entre el canal de descubrimiento (66% en redes sociales) y el canal de compra  
final (50% en entorno físico) refuerza las postulaciones de Chaffey y Ellis-Chadwick (2022) sobre la  
complejidad no lineal del recorrido del cliente actual, y confirma la H2 de esta investigación. Esta «paradoja  
omnicanal» demuestra que las personas compradoras no pueden circunscribirse a un único canal. El  
enfoque de Zeng y Ghorbani (2020) sobre Big Data Analytics adquiere aquí pleno sentido práctico. Para  
capitalizar el 61% de compras recurrentes encontradas en este estudio, la automatización a través de  
sistemas CRM —cuyo impacto en el desempeño empresarial ha sido documentado por Reinartz et al.  
(2004)— es el nexo necesario para conectar la interacción digital inicial con la conversión física,  
asegurando una adecuada atribución del ROI.  
Implicaciones prácticas y propuestas de aplicación  
A partir de los hallazgos y en sintonía con la integración de la Inteligencia Artificial (Lu et al., 2024;  
Davenport et al., 2020), los dos modelos prácticos propuestos en la sección de Resultados (Figura 2)  
ilustran cómo la automatización puede traducir los hallazgos estadísticos en acciones concretas de  
segmentación. La evidencia disponible sugiere que las PYMES que adopten estos enfoques estarán mejor  
posicionadas para construir perfiles dinámicos y éticamente responsables, en línea con el llamado de  
Wedel y Kannan (2016) a aprovechar entornos ricos en datos para tomar decisiones de marketing más  
precisas.  
Limitaciones del estudio  
Como toda investigación científica, este estudio presenta limitaciones que deben considerarse al  
interpretar los resultados. En primer lugar, el tamaño de la muestra (N=99), aunque apropiado para un  
estudio exploratorio-descriptivo, limita la generalización a escala nacional o regional. En segundo lugar, el  
muestreo no probabilístico por conveniencia y el enfoque geográfico exclusivo en Guayaquil podrían  
introducir sesgos culturales o socioeconómicos específicos de esta ciudad. Finalmente, la naturaleza  
transversal del diseño metodológico proporciona una instantánea en un momento dado, lo que impide el  
análisis de la evolución del comportamiento del consumidor a lo largo del tiempo.  
Futuras Líneas de Investigación  
Los resultados de este estudio abren vías prometedoras para futuras investigaciones. Se proponen: (1)  
estudios longitudinales (12-24 meses) que evalúen el impacto de la implementación de sistemas de IA y  
CRM en el ROI de las PYMES; (2) estudios con muestras estratificadas a nivel nacional o comparativas  
entre países latinoamericanos, para confirmar si la preferencia por la calidad sobre el precio es una  
tendencia macrorregional; y (3) investigaciones sobre la efectividad de agentes de IA conversacional como  
complemento o alternativa a las encuestas tradicionales para obtener perfiles psicográficos en tiempo real.  
CONCLUSIONES  
Los hallazgos de esta investigación permiten extraer cuatro conclusiones de orden científico con  
implicaciones directas para la gestión estratégica del marketing digital:  
Validación empírica de la sofisticación del consumidor emergente. Los datos (N=99) demuestran que  
el 72% de los consumidores prioriza la calidad sobre el precio, lo cual refuta el paradigma de alta  
sensibilidad al precio predominante en modelos de economías emergentes (Kotler & Keller, 2016) y valida  
el enfoque de valor propuesto por Romero Montero et al. (2024). Este resultado tiene implicaciones directas  
para el diseño de Buyer Personas basados en datos conductuales verificables: las estrategias de  
posicionamiento deben articularse en torno a la confianza, la durabilidad y el valor percibido, no en torno  
a la competencia de precios.  
68  
Vol.8 No.1, ISSN 2600-5832, junio, 2026  
Automatización y análisis de datos para la optimización dinámica de buyer personas en entornos digitales  
emergentes  
Confirmación empírica de la paradoja omnicanal. La divergencia estadísticamente identificada entre el  
canal de descubrimiento —eminentemente digital (66% vía redes sociales)— y el canal de transacción —  
predominantemente físico (50%)— confirma la H2 de este estudio y refuerza la teoría de Chaffey y Ellis-  
Chadwick (2022) sobre la no linealidad del recorrido del cliente. Las empresas que implementen sistemas  
CRM automatizados para gestionar esta transición entre lo digital y lo físico obtendrán ventajas  
competitivas sostenibles y una atribución del ROI más precisa.  
La automatización como imperativo estratégico, no como opción tecnológica. El 61% de compras  
recurrentes registradas evidencia un capital de fidelización latente que solo puede potenciarse mediante  
la automatización sistemática (CRM, análisis de Big Data, IA). La evidencia empírica, contrastada con los  
marcos teóricos de Zeng y Ghorbani (2020) y Reinartz et al. (2004), indica que la gestión manual de estas  
relaciones conduce inevitablemente a la fuga de datos y a la subutilización del Valor de Vida del Cliente  
(LTV).  
Segmentación ética y libre de estereotipos como estándar científico. Los datos conductuales  
recolectados permiten «desmentir» estereotipos perjudiciales —como la asociación automática entre clase  
media y sensibilidad extrema al precio— y promover una segmentación más inclusiva y precisa, en línea  
con la advertencia de Mantilla Manjarrés y Larrea Solórzano (2024). Los sistemas automatizados, cuando  
se diseñan con criterios éticos explícitos, permiten transitar de la especulación intuitiva a la certeza  
operativa basada en evidencia.  
REFERENCIAS  
Ahmed, W. (2022). Cómo usar el marco de etnografía digital de seis pasos para desarrollar perfiles de  
comprador:  
el  
caso  
del  
ajuste  
del  
fan.  
JMIR  
Formative  
Research.  
https://formative.jmir.org/2022/11/e41489  
Beltrán Mora, M. N., Parrales Carvajal, V. M., & Ledesma Álvarez, G. D. (2019). El buyer persona como  
factor clave entre las tendencias en gestión empresarial. Revista Científica Mundo de la  
Investigación  
y
el  
Conocimiento,  
3(3),  
666-681.  
https://dialnet.unirioja.es/servlet/articulo?codigo=7402241  
Chaffey, D., & Ellis-Chadwick, F. (2022). Digital Marketing: Strategy, Implementation and Practice (8th ed.).  
Pearson.  
Davenport, T., Guha, A., Grewal, D., & Bressgott, T. (2020). How artificial intelligence will change the future  
of  
marketing.  
Journal  
of  
the  
Academy  
of  
Marketing  
Science,  
48(1),  
24-42.  
https://doi.org/10.1007/s11747-019-00696-0  
García Antonio, A., Luna Jiménez, A. L., & Ceballos Falcón, E. G. (2021). Lienzo para construir el perfil de  
un consumidor para un emprendimiento sostenible. VinculaTEGICA, 7(1), 374-383.  
https://vinculategica.uanl.mx/index.php/v/article/view/36  
Hernández-Sampieri, R., Fernández Collado, C., & Baptista Lucio, P. (2014). Metodología de la  
investigación (6ª ed.). McGraw-Hill.  
Kotler, P., & Keller, K. L. (2016). Marketing Management (15th ed.). Pearson.  
Lu, C., Lu, C., Lange, R. T., Foerster, J., Clune, J., & Ha, D. (2024). The AI Scientist: Towards Fully  
Automated  
Open-Ended  
Scientific  
Discovery.  
arXiv  
preprint  
arXiv:2408.06292.  
https://arxiv.org/abs/2408.06292  
Mantilla Manjarrés, P. E., & Larrea Solórzano, A. D. (2024). Los estereotipos: su afectación en la definición  
de Buyer Persona. Revista Publicando, 11(41), 45-58.  
https://dialnet.unirioja.es/servlet/articulo?codigo=9978749  
69  
Vol.8 No.1, ISSN 2600-5832, junio, 2026  
Fernando Isaac Suéscum Guevara, Esp. en Com. Digit. - William Antonio Villacres Mera, Est. - Fabiana Tais Mina  
Valencia, Tnlga.  
Nunnally, J. C. (1978). Psychometric Theory (2nd ed.). McGraw-Hill.  
Reinartz, W., Krafft, M., & Hoyer, W. D. (2004). The customer relationship management process: Its  
measurement and impact on performance. Journal of Marketing Research, 41(3), 293-305.  
https://doi.org/10.1509/jmkr.41.3.293.35991  
Romero Montero, A., Sellers-Rubio, R., & Cely, A. (2024). ¿Conoces a tu Buyer Persona? Identifica a tu  
cliente para mejorar tu estrategia de Inbound Marketing. Investigaciones Turísticas, (27), 22-43.  
https://doi.org/10.14198/INTURI2024.27.2  
Sharma, S., Joshith, V. P., Kavitha, K., & Anthony, A. (2025). Integrating AI in Academia: A SEM Evaluation  
of Research Scholars' Usage Intentions on ChatGPT. Higher Learning Research Communications,  
15(2), 1-30. https://doi.org/10.18870/hlrc.v15i2.1598  
Wedel, M., & Kannan, P. K. (2016). Marketing analytics for data-rich environments. Journal of Marketing,  
80(6), 97-121. https://doi.org/10.1509/jm.15.0413  
Zeng, D., & Ghorbani, A. (2020). Big Data Analytics for Customer Segmentation. IEEE Transactions on  
Knowledge and Data Engineering, 32(8), 1571-1583. https://doi.org/10.1109/TKDE.2019.2904060  
70  
Vol.8 No.1, ISSN 2600-5832, junio, 2026