Publicación: Propuesta de oferta de reventa de Sneakers deportivas a partir de un modelo de inteligencia artificial
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Director
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
RESUMEN: El mercado secundario de sneakers deportivas, o sneakers, ha venido en un vertiginoso ascenso en la última media década, pasando de ser artículos en su mayoría de culto o de mero uso funcional, a ser íconos de un movimiento y constante participación de nuestro diario vivir. La búsqueda de lo exclusivo con el objetivo de resaltar no es ajena a este mercado. Modelos exclusivos de temática sobre una ciudad o país, colaboraciones con el artista/deportista del momento, o simplemente una cantidad limitada de modelos generan una demanda de inéditas proporciones, la cual ha hecho que la accesibilidad al público en general sea prácticamente nula, y que solo quienes están en informados y en el lugar correcto puedan comprarlos. Dicha demanda ha sido explotada por una serie de jugadores a lo largo de la cadena de consumo de las sneakers , desde los fabricantes, retailers y como no, revendedores, personas que “monopolizan” el acceso al lanzamiento del momento. Con el fin de aprovechar el gran caudal de datos proveniente del mercado en crecimiento de reventa de sneakers , entre muchas otras tecnologías de inteligencia artificial, el machine learnig (ML) ha mostrado ser un arma poderosa para hacerle cara a este volumen de datos. Con este objetivo, dentro del machine learnig se han desarrollado algoritmos de aprendizaje tales como: redes neuronales artificiales, árboles de decisión, regresiones lineales, entre otros, los cuales permiten a un sistema aprender a desarrollar una labor dada una entrada de datos y la “experiencia” que extrae de estos. Entonces entra el cuestionamiento de cómo aplicar dicho conocimiento de carácter exponencial con este mercado tan prometedor, para así tomar una rebanada de este pastel donde aún se están definiendo los grandes jugadores y sus estrategias de juego. Para esto primero se debe decidir qué información es la de valor para enseñarle a estos modelos, probarlos y determinar cuál se ajusta más a los datos disponibles, pues contrario a lo que se podría pensar en este tipo de problemas son los modelos los que deben adaptarse a los datos, no al contrario.
Resumen en español
ABSTRACT: The secondary market for sneakers has been on a vertiginous rise in the last half decade, going from being mostly cult items or of mere functional objects, to being icons of a movement and constant participant of our daily life. The search for highlighting and exclusivity is not alien to this market, exclusive models of a city or country, collaborations with the artist / athlete of the moment or simply a limited quantity, have made the accessibility to the general public is virtually nil and only those who are informed and in the right place can buy them generating a demand of proportions never seen before. This demand has been exploited by a number of players along the sneaker consumption chain, from manufacturers, retailers and, of course, resellers, people who "monopolize" access to the release of the moment. In order to take advantage of the large amount of data coming from this growing market, among many other artificial intelligence technologies, machine learning (ML) has shown to be a powerful weapon to face this colossus of data. Artificial neural networks, decision trees, linear regressions, among other learning algorithms which allow a system to learn and develop a task given an-input of data and the "experience" it extracts from these. Then comes the question of how to apply this exponential knowledge to this promising market and thus take a slice of this cake where the big players and their game strategies are still being defined. In order to do this, it must first be decided which information is of value to teach these models, test them and determine which one best fits the available data, because contrary to what one might think in this type of problem, it is the models that must adapt to the data, not the other way around.