Análisis De Datos Masivos De Usuarios En Redes Sociales Mediante Técnicas De Segmentación De Usuarios Y Predicción De Comportamientos

Abstract

El presente trabajo de investigación, titulado “Análisis de datos masivos de usuarios en redes sociales mediante técnicas de segmentación y predicción de comportamientos”, aborda la necesidad de comprender y anticipar patrones de interacción en plataformas digitales a partir del análisis de grandes volúmenes de datos. La investigación se centra en el desarrollo de un modelo basado en técnicas de segmentación y aprendizaje automático, con el fin de predecir el nivel de interacción de los usuarios en contenidos audiovisuales. Para alcanzar este objetivo, se empleó un conjunto de datos proveniente del repositorio Kaggle, específicamente el “YouTube Dislikes Dataset” del autor Dmitry Nikolaev. Este conjunto contiene métricas cuantitativas asociadas a videos publicados en YouTube, tales como el número de visualizaciones, me gusta, no me gusta, cantidad de comentarios y fecha de publicación. La metodología adoptada fue CRISP-DM (Cross Industry Standard Process for Data Mining), que estructuró el proceso en etapas como la comprensión de los datos, su preparación, la modelación utilizando algoritmos como Random Forest, y la evaluación de resultados. Adicionalmente, se aplicaron técnicas de ingeniería de características y balanceo de clases para optimizar el rendimiento del modelo predictivo. Los resultados obtenidos revelan que variables como el ratio de interacción y las vistas por día son determinantes en la clasificación de videos con alta participación. El modelo alcanzó una precisión superior al 96 %, lo que evidencia la eficacia del enfoque aplicado. En síntesis, este estudio demuestra que el uso de técnicas de aprendizaje automático sobre datos masivos extraídos de redes sociales permite no solo identificar patrones de comportamiento digital, sino también construir herramientas predictivas con aplicaciones prácticas en la toma de decisiones para plataformas de contenido y marketing digital.