ISBN
Formato digital
978-607-640-067-8
Fecha de publicación
19-01-2026
Licencia
D. R. © copyright 2025. Adelaida Figueroa Villanueva Sósima Carrillo, Guadalupe Abigail Arreguín Silva, Zulema Cordova Ruiz, Berenice Martínez Pérez y Ana Jazmín Sandoval Sánchez.
Todos los contenidos de esta obra se comparten bajo la licencia Creative Commons Atri-bución/Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0). Esto implica que no está autorizado el uso comercial de la obra original ni de las eventuales obras derivadas, las cuales deberán distribuirse bajo la misma licencia que rige la obra original. No obstante, se permite a terceros compartir el contenido siempre y cuando se reconozca debidamente la autoría y la publicación original en esta editorial.
Guadalupe Abigail Arreguin Silva
Universidad Autónoma de Baja California
0009-0003-9999-7890
Adelaida Figueroa Villanueva
Universidad Autónoma de Baja California
0000-0003-2743-9948
Esteban Pérez Flores
Universidad Autónoma de Baja California
0000-0001-8170-6395
Ricardo Ching Wesman
Universidad Autónoma de Baja California
0000-0003-1915-0941
Acerca de
El presente capítulo realiza un análisis entre el Business Intelligence o Inteligencia de Negocios (BI) predictivo y la fidelización digital en usuarios de la generación Z, grupo de personas caracterizado por su alta interacción con plataformas tecnológicas y su demanda de experiencias personalizadas. Se desarrolló un estudio cuantitativo, correlacional y transversal, con el propósito de determinar el efecto de las dimensiones del BI predictivo —personalización, precisión, utilidad y transparencia— sobre los factores de confianza, satisfacción e intención de uso continuo.
Se aplicó un instrumento a 100 estudiantes universitarios de la Facultad de Ciencias Administrativas. el cual fue validado mediante análisis de validez de contenido, constructo y fiabilidad interna (α global = 0.89), y los datos se procesaron mediante un modelo de ecuaciones estructurales (SEM). Los resultados evidencian un efecto directo y significativo del BI predictivo sobre la fidelización (β = 0.82, p < 0.001), explicando un 63% de la varianza total. Asimismo, se identificó que la personalización y la satisfacción son las dimensiones más influyentes en la consolidación de la lealtad digital.
Referencias
Ahmad, M., Mustafa, M., Hamid, A., Khawaja, A., Zada, M., Jamil, A., Qaisar, S., Vega-Muñoz, A., Contreras-Barraza, N., & Anwer, A. (2022). Online customer experience leads to loyalty via customer engagement: Moderating role of value co-creation. Frontiers in Psychology, 13, 897851. https://doi.org/10.3389/fpsyg.2022.897851
Cabrera, P., & González, A. (2022). Fidelización del cliente en el entorno digital: una revisión bibliográfica. Revista de Ciencias Sociales (Ve), 28(2), 390–404.
Chen, H., Li, J., & Wang, Y. (2022). Predictive analytics for business intelligence: A systematic review. Information Systems Frontiers.
Choi, S., & Kim, J. (2024). Validity and reliability of the Korean version of the digital burnout scale. Frontiers in Public Health, 12. https://doi.org/10.3389/fpubh.2024.1386394
George, D., & Mallery, P. (2019). IBM SPSS Statistics 26 step by step: A simple guide and reference. Routledge. https://doi.org/10.4324/9780429056765
Guerra-Tamez, C. R., Kraul, H., Serna-Mendiburu, G. M., Chavelas, D., & Ibarra, J. (2024). Decoding Gen Z: AI’s influence on brand trust and purchasing. Frontiers in Artificial Intelligence. https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2024.1323512/full
GhorbanTanhaei, H., et al. (2024). Predictive analytics in customer behavior: Anticipating customer decisions using machine learning. Journal of Data-Driven Marketing. https://www.sciencedirect.com/science/article/pii/S2666720724000924
Hair, J., Black, W., Babin, B., & Anderson, R. (2021). Multivariate data analysis (8th ed.). Cengage.
Kotler, P., & Keller, K. L. (2022). Marketing management (16th ed.). Pearson.
Ko-Jen, H., Yesu, F., & Sudarshan, L. (2025). Foundation model for personalized recommendation. Netflix Tech Blog. https://netflixtechblog.com/foundation-model-for-personalized-recommendation-1a0bd8e02d39
Lafuente, E., Ács, Z. J., & Szerb, L. (2022). Analysis of the digital platform economy around the world: A network DEA model for identifying policy priorities. Journal of Small Business Management, 62(2), 847–891. https://doi.org/10.1080/00472778.2022.2100895
Lin, J. (2025). Application of machine learning in predicting consumer behavior and precision marketing. PLOS ONE, 20(5). https://doi.org/10.1371/journal.pone.0321854
Mansoor, W., et al. (2024). Ethical challenges of predictive analytics in business intelligence. Journal of Business Ethics.
Mauro, N., Hu, Z., & Ardissono, L. (2022). Justification of recommender systems results: A service-based approach. arXiv. https://arxiv.org/abs/2211.03452
Martínez, P., & Lozano, D. (2022). Privacidad, confianza y ética en el uso de datos personales en plataformas digitales. Revista Digital de Derecho Informático, 7(15), 23–41.
Mukhtar, S., Mohan, A. C., & Chandra, D. (2023). Exploring the influence of digital marketing on consumer behavior and loyalty. International Journal of Multidisciplinary: Applied Business and Education Research, 4(9), 3327–3339. https://doi.org/10.11594/ijmaber.04.09.10
Pereira, M. d. S., de Castro, B. S., Cordeiro, B. A., de Castro, B. S., Peixoto, M. G. M., da Silva, E. C. M., & Gonçalves, M. C. (2025). Factors of customer loyalty and retention in the digital environment. Journal of Theoretical and Applied Electronic Commerce Research, 20(2), 71. https://doi.org/10.3390/jtaer20020071
Rana, A., Sanner, S., Bouadjenek, M. R., Carlantonio, R. D., & Farmaner, G. (2024). User experience and the role of personalization in critiquing-based conversational recommender systems. ACM Transactions on the Web. https://rbouadjenek.github.io/papers/TWEB-22-0072.pdf
Roy, D., & Dutta, M. (2022). A systematic review and research perspective on recommender systems. Big Data Analytics. https://doi.org/10.1186/s40537-022-00592-5
Oliver, R. L. (1999). Whence consumer loyalty? Journal of Marketing, 63(Special Issue), 33–44.
Rane, N. L., Achari, A., & Choudhary, S. P. (2023). Enhancing customer loyalty through quality of service: Effective strategies to improve customer satisfaction, experience, relationship, and engagement. International Research Journal of Modernization in Engineering Technology and Science, 5(5). https://doi.org/10.56726/IRJMETS38104
Sarker, I. H., et al. (2021). Machine learning for intelligent business analytics. Information Systems Frontiers, 23(3), 689–707.
Sindhgatta, R., Ouyang, C., & Moreira, A. (2019). Explaining process predictions using explainable AI techniques. Proceedings of the International Conference on Business Process Management.
Sánchez, J., & Rodríguez, D. (2021). Modelos de business intelligence para la fidelización del cliente en plataformas digitales. Revista Iberoamericana de Innovación y Desarrollo Tecnológico, 6(12), 55–73.
Tristán-López, A. (2008). Modificación al modelo de Lawshe para el dictamen cuantitativo de la validez de contenido de un instrumento objetivo. Avances en Medición, 6(1), 37–48.
The Rise of the Gen Z Consumer. (2023). ICSC Report. https://www.icsc.com/uploads/about/2023ICSC_Gen_Z_Report.pdf
Theocharis, D., & Tsekouropoulos, G. (2025). Sustainable consumption and branding for Gen Z: How brand dimensions influence consumer behavior and adoption of newly launched technological products. Sustainability, 17(9), 4124. https://doi.org/10.3390/su17094124
UNCTAD. (2023). Informe sobre la economía digital 2023: Creación y captura de valor en América Latina. Naciones Unidas.
Van Dijk, P. (2024). AI-driven business intelligence for strategic decision-making. International Journal of Information Management.
Wang, T., et al. (2025). Machine learning–based random forest prediction of online purchasing behavior. ACM Transactions on Digital Commerce. https://dl.acm.org/doi/10.1145/3745133.3745186
Wu, M., Liu, W., Wang, Y., Ding, W., & Yao, M. (2025). Rethinking user empowerment in AI recommender systems: Designing through transparency and control. arXiv. https://arxiv.org/abs/2509.11098