Ingeniería de Telecomunicaciones · 2026
Consolidación de ofertas y reporte basado en aprendizaje automático orientado hacia la toma de decisiones asertivas para el área de preventa. Semestre de industria
En el competitivo entorno de las telecomunicaciones, la agilidad y precisión en la estimación de costos son factores determinantes para el cierre de negocios. Sin embargo, la falta de una visión unificada de los datos históricos genera ineficiencias operativas y sobrecostos, impidiendo capitalizar el conocimiento acumulado para optimizar las estrategias de negociación. Bajo este contexto, la gestión de compras en entornos B2B (business to business – negocios o servicios de empresa ofrecidos a empresas) afronta desafíos críticos debido a la dispersión de datos y la heterogeneidad de formatos, lo que dificulta la comparación eficiente de proveedores, tener la información consolidada y lograr tener una visual o recomendación que ayude a realizar compras más sensatas van a ser el factor diferencial para no solo destacar en el entorno competitivo y también tomar mejores decisiones operativas. Este proyecto tiene como objetivo diseñar e implementar un sistema recomendador de compras basado en inteligencia artificial generativa y arquitectura RAG (Retrieval - Augmented Generation) para apoyar la toma de decisiones efectivas en el área de preventa de Tigo. La metodología, de enfoque cuantitativo y tecnológico, se desarrolló en tres fases: estructuración y anonimización de datos, creación de un modelo base estadístico (baseline) y desarrollo de un sistema semántico avanzado. Los resultados evidenciaron que, si bien el modelo estadístico es rápido para referencias exactas, carece de precisión en búsquedas complejas. En contraste, la solución de inteligencia artificial con capacidad semántica demostró superioridad al interpretar contextos técnicos y restricciones logísticas, filtrando el ruido y mejorando la pertinencia de los hallazgos. Se concluye que la integración de modelos generativos transforma datos dispersos en conocimiento estratégico, ofreciendo una herramienta transparente que justifica técnicamente la selección de proveedores y supera las limitaciones de los métodos determinísticos tradicionales.
Texto completo 51 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- RESUMENp. 8
- ABSTRACTp. 9
- INTRODUCCIÓNp. 10
- II. OBJETIVOSp. 11
- Objetivo generalp. 11
- Objetivos específicosp. 11
- III. MARCO TEÓRICOp. 12
- IV. METODOLOGÍAp. 20
- V. ANÁLISIS DE RESULTADOSp. 26
- VI. CONCLUSIONES Y RECOMENDACIONESp. 46
- REFERENCIASp. 49
- ANEXOSp. 50
- TABLA Ip. 29
- TABLA IIp. 46
- Fig 1 Esquema de la arquitectura LLM + RAGp. 19
- Fig 2. Metodología del recomedadorp. 20
- Fig. 3 clustering clientesp. 27
- Fig. 4 clustering proveedoresp. 29
- Fig. 5 interfaz del recomendador baselinep. 30
- Fig. 6 recomendador baseline (búsqueda por SKU)p. 33
- Fig. 7 recomendador baseline (búsqueda por similitud de palabras)p. 36
- Fig 8 Interfaz del recomendador con interpretación semántica (LLM + RAG)p. 38
- Fig 9 recomendador con interpretación semántica (LLM + RAG)p. 40
- tiempop. 43