Modelos de contabilidad directiva para optimizar el unbundling apalancado por minería de datos

• Autores: Daniel Farré, Paula Lucía Farré
• Localización: Revista del Instituto Internacional de Costos, ISSN-e 2718-8507, Nº. 19, 2021
• Idioma: español
• Títulos paralelos:
  • Modeles de comptabilite directive afin d’optimiser le unbundling etabli par extraction de donnees
  • Modelos de contabilidade de gestão para otimizar o desempacotamento alavancado da mineração de dados
  • Management accounting models to optimize unbundling leveraged by data mining
• Enlaces
  • Texto completo (pdf)
  • Texto completo
• Resumen
  • español

    El artículo estudia la aplicación de enfoques y modelos de Gestión y Costos sobre la técnica de Desagregación (Unbundling) de Mercadotecnia, poten­ciado por el análisis de grupos con aprendizaje automatizado (clustering con machine learning) de la Minería de Datos.

    El avance exponencial de la Ciencia de Datos durante la última década im­pacta positivamente en distintas técnicas tradicionales de gestión. La com­binación de modelos de gestión sobre el unbundling tradicional en em­presas de mercados competitivos (de elasticidad conocida) que estuviesen operando en óptimos de mercado con desaprovechamiento de capacidad permite optimizar el nuevo precio para lograr objetivos múltiples: aumento de participación de mercado y rentabilidad y disminución de capacidad ociosa. Yendo más lejos aún, la incorporación de la técnica de clustering con apren­dizaje automatizado a dichos modelos permite un análisis de mayor granula­ridad del comportamiento del mercado ante el unbundling, aumentando los beneficios por la segmentación de ofertas.

  • English

    The article studies the application of Management Accounting approaches and models on the Marketing Unbundling technique, enhanced by Clustering with Machine Learning.

    The exponential progress of Data Science during the last decade has had a positive impact on different traditional management techniques. The combination of Management Accounting models over traditional unbundling in competitive markets (of known elasticity) that were operating in optimal market conditions with idle capacity, allows optimizing the new price to achieve multiple goals: increase in market share and profitability and decrease of idle capacity.

    Even more, the incorporation of clustering with machine learning to these models allows more granular analysis of the market’s behavior, increasing the benefits due to offer segmentation.

  • français

    L’article étudie l’application d’approches et de modèles de Gestion et Coûts sur la technique de Désagrégation (Unbundling) de Marketing renforcé par l’analyse de groupes avec un apprentissage automatisé (Clustering avec machine learning) de l’Extraction de Données.

    La progression exponentielle de la Sciences des Données pendant cette dernière décennie impacte positivement de différentes techniques traditionnelles de gestion. La combinaison de modèles de Gestion sur le unbundling traditionnel dans des entreprises aux marchés compétitifs (élasticité connue) qui opèreraient dans des marchés optimaux en ne profitant pas leur capacité permet d’optimiser le nouveau prix afin d’atteindre des objectifs multiples : augmentation de participation dans le marché et rentabilité ainsi que diminution de la capacité oisive.

    Allant encore plus loin, l’incorporation de la technique de clustering avec apprentissage automatisé pour ces modèles permet une analyse à plus forte granularité du comportement du marché face au unbundling, augmentant les gains par le biais de la segmentation des offres.

  • português

    O artigo estuda a aplicação de abordagens e modelos de Gestão e Custos na técnica de Marketing Unbundling, (desagregação) potencializada pela análise de grupos com aprendizagem automatizada (Clustering com machine learning) da mineração de dados (Data Mining).

    O avanço exponencial da ciência de dados durante a última década teve um impacto positivo em diferentes técnicas tradicionais de gestão. A combinação de modelos de Gestão sobre a desagregação tradicional em empresas em mercados competitivos (de elasticidade conhecida) que operavam em condições de mercado óptimas com capacidade desperdiçada permite otimizar o novo preço para atingir múltiplos objetivos: aumento da quota de mercado e rentabilidade e diminuição da capacidade ociosa.

    Indo mais longe, a incorporação da técnica de clustering com aprendizagem automatizada a estes modelos permite uma análise mais granular do comportamento do mercado face à desagregação, aumentando os benefícios da segmentação de ofertas.