Inteligencia de clientes en la tienda física: un modelo estratégico con visión por computadora para el sector minorista en Colombia

Abstract

El sector del comercio minorista en Colombia, en su esfuerzo por competir con la riqueza de datos del comercio electrónico, enfrenta el desafío de transformar sus tiendas físicas en centros de experiencias memorables. Sin embargo, la efectividad de las estrategias de marketing sensorial y experiencial se ve limitado por la atención de herramientas para medir su impacto real en el comportamiento del cliente. El presente artículo aborda esta brecha analítica mediante la validación de un sistema de visión por computadora que transforma grabaciones de video en inteligencia de negocio. Utilizando los algoritmos YOLOv8 para la detección y SORT para el seguimiento anónimo de personas, el sistema automatiza la generación de métricas clave como: mapas de calor, análisis de trayectorias y permanencia en la tienda, que permiten a la gerencia cuantificar la efectividad de sus decisiones sobre el diseño de la tienda. Más allá del desarrollo técnico, el estudio se fundamenta en un doble marco estratégico que trasciende lo técnico, aplicando el modelo de aceptación tecnológica (TAM) para evaluar la viabilidad de adopción del sistema. Se concluye que la alta utilidad y facilidad de uso percibidas son factores críticos para asegurar su implementación por parte de los gerentes y, consecuentemente, el retorno de la inversión (ROI). Finalmente, el trabajo incorpora un análisis de costos, proyecciones de escalabilidad y las consideraciones éticas y legales, en cumplimiento con la Ley 1581 de 2012 de protección de datos en Colombia. El resultado es un modelo interdisciplinario que integra la ciencia de datos, la estrategia de retail y la teoría de la gestión del cambio para ofrecer una solución robusta y aplicable al sector.

Colombia's retail sector faces a critical strategic-analytical gap: while striving to create memorable in-store experiences to compete with e-commerce, it lacks effective tools to measure the impact of these strategies on customer behavior. This paper addresses this challenge by designing and validating a computer vision system that converts raw video footage into actionable business intelligence. Leveraging the YOLOv8 algorithm for detection and the advanced BoT-SORT tracker for anonymous people tracking, the system automates the generation of key performance indicators, including customer traffic heatmaps, path analysis, and dwell times. These metrics enable management to empirically assess and optimize decisions related to store layout and merchandising. The study is distinguished by a dual strategic framework that extends beyond the technical implementation. First, it employs the technology acceptance model (TAM) to evaluate the system's adoption viability from the end-user perspective. We argue that by focusing on high perceived usefulness (addressing core business needs) and perceived ease of use (providing automated, intuitive visual reports), the system is primed for successful adoption by retail managers, ensuring a positive return on investment (ROI). The paper concludes with a comprehensive analysis of implementation costs, scalability, and ethical considerations, ensuring compliance with local data protection laws (Law 1581). We thus present an interdisciplinary model that integrates data science, retail strategy, and change management theory to deliver a robust and applicable solution for the retail industry.