Segmentação de Usuários Usando K-means e Usabilidade de Aplicativos de Vendas

Ana Carolina Sabbadin; Juliano Schimiguel

DOI: 10.22167/2675-6528-202602650

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

Se analizaron los patrones de uso de una aplicación de apoyo a la rutina de ventas en un contexto corporativo, considerando la creciente relevancia de las herramientas móviles para los equipos comerciales y el impacto de la usabilidad en la productividad y la adopción tecnológica. Se tuvo como objetivo segmentar a los usuarios basándose en métricas de compromiso y usabilidad extraídas de los registros de uso del sistema, utilizando el algoritmo de clusterización K-means. La metodología empleó un estudio de caso cuantitativo y aplicado, con datos anonimizados de 21.878 vendedores de cuatro países (Brasil, México, Colombia y Argentina), en el período de enero a diciembre de 2025. Se incluyeron etapas de preparación, normalización MinMax, aplicación del K-means y validación por Elbow y Silhouette. Los resultados revelaron tres perfiles distintos – ocasional, regular y avanzado – diferenciados principalmente por la intensidad, profundidad y diversidad de las interacciones, y no por la regularidad de acceso, lo que reforzó la distinción entre frecuencia y calidad de uso. Las contribuciones proporcionaron subsidios para la personalización de estrategias de compromiso, la optimización de diseño y la gestión orientada por datos en entornos comerciales a gran escala.

Palabras clave: Aprendizaje no supervisado; Clusterización; Compromiso del usuario; Sistemas de apoyo a la fuerza de ventas; Usabilidad.

1. Introducción

La creciente ubicuidad de las aplicaciones móviles ha transformado la forma en que los individuos y las organizaciones realizan tareas, ofreciendo una conveniencia y accesibilidad sin precedentes. Los usuarios a menudo prefieren las aplicaciones móviles en lugar de las interfaces web tradicionales, debido a la mayor agilidad y facilidad en la ejecución de actividades (Olanrewaju et al., 2020). Esta tendencia es corroborada por Gartner (2021), quien destaca el auge de las aplicaciones móviles como herramientas esenciales tanto para consumidores como para colaboradores, permitiendo el acceso a servicios e información en cualquier momento y lugar.

En este escenario, las grandes empresas han invertido significativamente en el desarrollo de aplicaciones, no solo para sus clientes, sino también para sus equipos internos, como la fuerza de ventas. Las organizaciones dependen cada vez más de las aplicaciones móviles para apoyar las operaciones internas y atraer a los clientes, especialmente en los departamentos de ventas y servicios (Ghezzi et al., 2018). Dichas plataformas móviles para colaboradores promueven una mayor coordinación y eficiencia en los procesos (Bharadwaj et al., 2013), facilitando la ejecución de tareas y proporcionando orientación en tiempo real, lo que resulta en un aumento de la productividad y una mejor toma de decisiones (Venkatesh et al., 2012; Chen et al., 2020).

La usabilidad de estas aplicaciones es un factor crítico que impacta directamente la productividad y la adopción de la herramienta. Una experiencia ineficiente, poco clara o no intuitiva lleva a una disminución de la productividad y al abandono del sistema por parte de los usuarios (Nielsen, 2012). La facilidad de uso percibida, a su vez, influye directamente en la aceptación y el uso efectivo de la tecnología (Davis, 1989; Venkatesh et al., 2003). La usabilidad se define según la ISO 9241-11 (2018) y Nielsen (1993) como el grado en que un producto puede ser utilizado por usuarios específicos para alcanzar objetivos con eficacia, eficiencia y satisfacción. La experiencia del usuario (UX), según Hassenzahl y Tractinsky (2006), es determinante para la adopción y permanencia en el uso de tecnologías digitales, con perspectivas recientes sobre aplicaciones corporativas (Kim; Kim; Lee, 2022; Ali; Khalid; Sheraz, 2023).

A pesar de la creciente inversión y uso de aplicaciones corporativas para vendedores, existe una brecha en la comprensión de los patrones de comportamiento de estos usuarios. Gran parte de los estudios sobre usabilidad todavía se concentra en el consumidor final, y no en el usuario corporativo interno, como los equipos de ventas (Ghezzi et al., 2018; Venkatesh et al., 2003). Esta carencia teórica impide una comprensión profunda sobre cómo los vendedores utilizan estas plataformas en sus contextos de trabajo reales, dificultando decisiones estratégicas relacionadas con mejoras de interfaz, capacitación y personalización de funcionalidades.

Para llenar este vacío, es fundamental comprender el comportamiento real del usuario, lo cual es indispensable para el desarrollo de experiencias efectivas (Nielsen; Loranger, 2006). La medición de la usabilidad permite identificar barreras y orientar correcciones de diseño (Sauro; Lewis, 2016). Un enfoque eficaz para esto es la segmentación de usuarios basada en patrones objetivos de interacción registrados en registros de uso de la aplicación. Estos registros almacenan eventos como accesos a pantallas, clics y ejecución de funcionalidades, permitiendo la extracción de métricas de compromiso y usabilidad para caracterizar perfiles de comportamiento a escala (Nielsen; Loranger, 2006; Sauro; Lewis, 2016).

Entre las técnicas de segmentación, los algoritmos de clusterización, como el K-means, se destacan por su capacidad de agrupar observaciones con base en la similaridad entre variables (Tan; Steinbach; Kumar, 2019). El K-means es ampliamente utilizado debido a su eficiencia computacional e interpretabilidad (Jain, 2010; MacQueen, 1967), particionando datos en grupos por minimización de distancia al centroide (Han; Kamber; Pei, 2012). Así, el análisis de usabilidad combinado a la aplicación de algoritmos de clusterización, como el K-means, se convierte en un recurso esencial para dirigir mejoras continuas en la aplicación y maximizar el impacto del uso de la tecnología en el desempeño comercial.

La comprensión de cómo los vendedores utilizan la aplicación, segmentándolos en función de patrones de comportamiento reales, contribuye a generar perspectivas objetivas sobre la experiencia de uso, priorizar las necesidades de evolución de la plataforma y apoyar las decisiones estratégicas basadas en datos. Ante lo expuesto, este trabajo tiene como objetivo segmentar a los usuarios de una aplicación de ventas en función de la utilización de pantallas y funcionalidades clave, utilizando el algoritmo K-means.

2. Material y Métodos

Este estudio se caracterizó como una investigación de enfoque cuantitativo y aplicado, configurándose como un estudio de caso. El objetivo central fue segmentar usuarios de una aplicación de ventas basándose en la utilización de pantallas y funcionalidades clave, empleando la metodología de clusterización K-means. La investigación buscó comprender diferentes perfiles de uso para fundamentar decisiones estratégicas relacionadas con mejoras en el producto, utilizando datos objetivos de comportamiento.

Los datos utilizados se obtuvieron de registros de uso de la aplicación, correspondientes a interacciones realizadas por vendedores de una multinacional. La muestra analizada comprendió 21.878 vendedores, seleccionados de una base mayor de usuarios, ubicados en cuatro países: Brasil, México, Colombia y Argentina. La recolección de datos abarcó el período de enero a diciembre de 2025, centrándose en los mercados más relevantes para la aplicación.

La recolección de datos tuvo carácter secundario, basada exclusivamente en logs de uso del sistema, y no involucró instrumentos directos como entrevistas o cuestionarios. Todos los datos fueron rigurosamente anonimizados, garantizando el sigilo y la conformidad ética, sin cualquier identificación de usuarios o empresas. La información extraída de los logs incluyó frecuencia de acceso a la aplicación, volumen de interacciones por sesión, utilización de funcionalidades clave, número de eventos ejecutados, y recurrencia y consistencia de uso.

Para la segmentación, se seleccionaron variables que reflejan la usabilidad y el compromiso de los usuarios, fundamentadas en conceptos clásicos de la literatura sobre experiencia del usuario (UX) y usabilidad de aplicaciones (Nielsen, 1993; ISO 9241-11, 2018). Las métricas se categorizaron en Eficiencia, Eficacia y Satisfacción y Compromiso. La Eficiencia midió la rapidez y los recursos utilizados, incluyendo número medio de clics por tarea, tiempo medio para concluir un pedido, pantallas accedidas por interacción y eventos por sesión.

La Eficacia evaluó la precisión y la completitud con que los usuarios alcanzaron sus objetivos, considerando la tasa de éxito de pedidos, frecuencia de errores, interacciones necesarias para concluir operaciones de venta y uso medio de las funcionalidades clave. La Satisfacción y Compromiso midió el confort, aceptación e involucramiento del usuario, por medio de métricas como recurrencia y consistencia de uso, frecuencia de sesiones e interacción con funcionalidades recomendadas. En total, se utilizaron 25 eventos distintos, clasificados en tres categorías: acción directa, acción indirecta y visualización de información.

La etapa de preparación y limpieza de datos fue crucial para garantizar que estuvieran consistentes y comparables. Se realizó la agregación de los datos por usuario, creando métricas que representan el comportamiento individual, como el número total de eventos y clics, la media de clics por evento, la cantidad de eventos distintos realizados, la cantidad de tipos de funcionalidades utilizadas y la proporción de meses activos en el período analizado. Los valores ausentes fueron inexistentes y todas las variables fueron convertidas al tipo numérico.

A continuación, se aplicó la normalización MinMax para transformar cada métrica al intervalo de 0 a 1. Esta transformación fue esencial para que todas las variables tuvieran un peso equivalente en la identificación de grupos de usuarios, evitando que las diferencias de escala entre las métricas distorsionaran la formación de los clusters, ya que el algoritmo K-means es sensible a la magnitud de los datos.

El análisis de los datos se realizó utilizando el algoritmo de clusterización K-means, una técnica de aprendizaje no supervisado. El K-means particiona los datos en k clusters, agrupando observaciones basándose en la similitud entre variables (MacQueen, 1967; Jain, 2010). El funcionamiento del algoritmo se basó en la minimización de la varianza intracluster, medida por la suma de las distancias cuadráticas entre cada observación y el centroide de su respectivo cluster.

Inicialmente, el algoritmo definió k centroides, y cada usuario fue asignado al clúster cuyo centroide presentaba la menor distancia euclidiana. A continuación, los centroides se recalcularon como la media de las observaciones asignadas a cada clúster. Este proceso iterativo se repitió hasta que el algoritmo alcanzó la convergencia, es decir, cuando no hubo cambios relevantes en la composición de los clústeres. Los análisis se realizaron utilizando el lenguaje Python, con bibliotecas especializadas en ciencia de datos y aprendizaje automático.

Para determinar el número más apropiado de clústeres (k), se emplearon el método del Codo y el análisis del coeficiente de Silueta (Thorndike, 1953; Rousseeuw, 1987). El método del Codo analizó la suma de las distancias cuadráticas dentro de los clústeres (inercia), buscando un punto de inflexión en la curva que indicara un equilibrio entre la complejidad del modelo y la representación de los datos. Complementariamente, el coeficiente de Silueta evaluó la cohesión interna y la separación entre los clústeres, con valores más elevados indicando agrupaciones bien definidas. El número de clústeres se definió basándose en el análisis conjunto de estos métodos.

3. Resultados y Discusión

La presente sección detalla los resultados obtenidos a partir de la aplicación de la metodología de clusterización K-means para segmentar usuarios de una aplicación de ventas, conforme al objetivo central de este estudio. Los hallazgos revelan patrones de uso distintos, caracterizados por métricas de engagement y usabilidad, que proporcionan insights sobre la interacción de los vendedores con la plataforma. El análisis de los clusters permitió la identificación de perfiles de usuarios, diferenciados por la intensidad, profundidad y diversidad de las interacciones, y no solo por la frecuencia de acceso, lo cual es crucial para la comprensión de la usabilidad en contextos corporativos. Los resultados se presentan en etapas, desde la caracterización de los datos hasta la interpretación de los perfiles.

Inicialmente, la base de datos utilizada para la investigación comprendió registros anonimizados de uso de una aplicación de ventas, recopilados de 21.878 vendedores en cuatro países: Brasil, México, Colombia y Argentina. El período de análisis abarcó de enero a diciembre de 2025, centrándose en los mercados más relevantes para la aplicación. Las interacciones registradas incluyeron eventos, clics y utilización de funcionalidades, categorizados en tres tipos principales: acción indirecta, acción directa y visualización de información. La acción indirecta se refería a la visualización de tareas designadas y productos recomendados, mientras que la acción directa implicaba operaciones concretas de venta, como el registro de pedidos. La visualización de información abarcaba el acceso a datos del cliente, historial de pedidos e indicadores de desempeño, todos esenciales para el soporte al vendedor durante la negociación.

Para la segmentación, se seleccionaron variables que reflejan la usabilidad y el compromiso de los usuarios, alineadas con los principios de Nielsen (1993) y la norma ISO 9241-11 (2018). Las métricas se agruparon en tres categorías: eficiencia, que evalúa la rapidez y los recursos utilizados; eficacia, que mide la precisión y completitud en la consecución de objetivos; y satisfacción y compromiso, que miden el confort y la implicación del usuario. Estas métricas incluyeron el número total de eventos, el volumen de clics, la media de clics por evento, la cantidad de eventos distintos, la diversidad de tipos de funcionalidades utilizadas y la regularidad de uso, proporcionando una visión integral del comportamiento individual.

El análisis descriptivo de las variables de uso reveló que el número total de eventos presentó una media de 18,89, con una mediana de 21,0 y una desviación estándar de 6,59. El total de clics registró una media de 3.089,19, una mediana de 1.603,0 y una desviación estándar de 4.180,85, lo que indica una alta dispersión. La media de clics en eventos fue de 135,69, con una mediana de 79,14 y una desviación estándar de 171,91. Los eventos distintos tuvieron una media de 18,18, una mediana de 20,0 y una desviación estándar de 6,23. Los tipos distintos de funcionalidades accedidas presentaron una media de 2,43, una mediana de 3,0 y una desviación estándar de 0,76. La regularidad de uso, a su vez, tuvo una media de 1,52, una mediana de 1,67 y una desviación estándar de 0,52. Las métricas relacionadas con el número de clics exhibieron la mayor dispersión, lo que resaltó la necesidad de normalizar los datos para la aplicación del K-means.

La preparación y normalización de los datos fueron etapas cruciales para garantizar la consistencia y comparabilidad de las variables, evitando distorsiones en la formación de los clústeres. Los registros originales, que correspondían a interacciones individuales, fueron agregados por usuario para crear métricas que representaran el comportamiento individual. Las métricas de total de eventos, total de clics, promedio de clics por evento, eventos distintos, tipos distintos y regularidad de uso fueron calculadas a partir de los registros efectivos. No se identificaron valores ausentes, y todas las variables fueron convertidas al tipo numérico. La normalización MinMax fue aplicada, transformando cada métrica al intervalo de cero a uno, asegurando que todas las variables tuvieran peso equivalente en la identificación de los grupos de usuarios, conforme recomendado por Nielsen (1993) y la ISO (2018) para análisis de comportamiento.

La aplicación del algoritmo K-means exigió la definición del número ideal de clústeres (k). Para ello, se emplearon el método del Elbow y el análisis del coeficiente de Silhouette, técnicas ampliamente utilizadas en la literatura para la evaluación de la calidad de agrupaciones en modelos de clusterización no supervisada (Jain, 2010). El método del Elbow, que analiza la suma de las distancias cuadráticas dentro de los clústeres (inercia), indicó un punto de inflexión en k = 3, sugiriendo este valor como una elección apropiada, ya que la reducción de la inercia se vuelve menos significativa a partir de este punto (Thorndike, 1953). Este punto representa un equilibrio entre la complejidad del modelo y la capacidad de representación de los datos.

Complementariamente, el análisis del coeficiente medio de Silhouette, que evalúa la cohesión interna y la separación entre los clusters (Rousseeuw, 1987), mostró que, aunque valores menores de k presentaban coeficientes ligeramente superiores, la adopción de tres clusters proporcionaba una mayor capacidad de diferenciación e interpretación de los perfiles analizados, sin comprometer significativamente la calidad de los agrupamientos. El análisis conjunto de ambos métodos confirmó que el valor k = 3 ofrece un equilibrio adecuado entre la complejidad del modelo y la calidad de la segmentación. De esta forma, el valor k = 3 fue adoptado como el número final de clusters para este estudio, permitiendo identificar niveles distintos de compromiso y usabilidad (bajo, medio y alto).

La agrupación resultó en la identificación de tres perfiles de usuario distintos, denominados Usuarios Ocasionales (Cluster 0), Usuarios Regulares (Cluster 1) y Usuarios Avanzados (Cluster 2). Las diferencias entre estos grupos fueron expresivas, principalmente en las métricas relacionadas con el número total de clics, la media de clics por evento y la diversidad de eventos y tipos de funcionalidades accedidas. La variable regularidad de uso, aunque incluida en el modelo, presentó baja variabilidad entre los clusters, indicando que no fue un factor discriminante para la segmentación de los perfiles, que se definieron principalmente por las otras cinco variables.

El Clúster 0, denominado Usuarios Ocasionales, presentó el menor nivel de participación, con un promedio de 8,6 eventos, 251 clics en total y 21,7 clics por evento. Este grupo realizó alrededor de 8 eventos distintos y accedió, en promedio, a 2,4 tipos de funcionalidades, lo que sugiere un uso puntual y limitado de la aplicación. Aunque la regularidad de acceso fue similar a la de otros clústeres, la baja intensidad de interacción y la exploración restringida de funcionalidades caracterizan este perfil como usuarios que realizan tareas simples y objetivas, sin profundizar en los recursos de la plataforma.

El Clúster 1, identificado como Usuarios Regulares, demostró un nivel intermedio de compromiso. Este grupo registró un promedio de 21 eventos, 2.252 clics totales y 101 clics por evento. Además, accedió a unos 20 eventos distintos y 3,73 tipos de funcionalidades. Estos usuarios interactúan con el sistema de forma más profunda, explorando diversas funcionalidades y realizando tareas más complejas, pero aún en un nivel moderado en comparación con el grupo de mayor compromiso. La regularidad de uso también se mostró similar a los demás clústeres, reforzando la idea de que la diferencia radica en la calidad y profundidad de la interacción.

Finalmente, el Clúster 2, denominado Usuarios Avanzados, representó el grupo más activo y comprometido. Con un promedio de 24 eventos, 10.225 clics totales y 425 clics por evento, este perfil se destacó por el alto volumen e intensidad de interacciones. Los Usuarios Avanzados registraron 23 eventos distintos y 3,68 tipos de funcionalidades accedidas, lo que indica que exploran la mayoría de los recursos de la aplicación y realizan tareas complejas de forma consistente. Este comportamiento sugiere usuarios experimentados o dependientes del sistema, que utilizan intensamente sus funcionalidades e interactúan de forma profunda, incluso con una regularidad de uso similar a los otros grupos.

Los hallazgos refuerzan la idea de que la frecuencia de acceso, o regularidad de uso, no es suficiente para explicar la madurez de uso de una aplicación, como señalaron Sauro y Lewis (2016). Las diferencias sustanciales entre los clusters en las métricas de eficiencia y eficacia, como el número total de eventos, volumen de clics, clics promedio por evento y diversidad de funcionalidades accedidas, indican que los usuarios se distinguen fundamentalmente por la forma en que utilizan el sistema, y no solo por “cuánto” lo utilizan. Esta diferenciación es crucial para comprender la usabilidad percibida y la madurez en el uso del sistema como factores centrales en la segmentación.

La aplicación del algoritmo K-means demostró ser viable y eficaz para identificar patrones de comportamiento consistentes en un entorno de aplicación de ventas (Jain, 2010; Tan; Steinbach; Kumar, 2019). Los perfiles identificados proporcionan una base sólida para la toma de decisiones estratégicas y la mejora del sistema, permitiendo priorizar funcionalidades, optimizar flujos de uso y dirigir acciones específicas para aumentar el compromiso y la satisfacción de cada tipo de usuario, alineándose con los principios de usabilidad de Nielsen (1993) e ISO 9241-11 (2018). Este enfoque contribuye a la personalización de estrategias de compromiso, la optimización del diseño y la gestión basada en datos.

La principal diferencia de este estudio radica en la integración de métricas de usabilidad, compromiso y comportamiento real de uso, extraídas directamente de los registros del sistema, en un contexto empresarial de gran escala y alta complejidad operativa. A diferencia de muchos estudios que se basan en métricas autoinformadas, esta investigación demuestra cómo los principios clásicos de usabilidad pueden operacionalizarse a través de datos observacionales objetivos. La evidencia de que usuarios con una frecuencia de uso similar pueden presentar perfiles de interacción radicalmente distintos refuerza la necesidad de enfoques más granulares y conductuales para la segmentación en sistemas corporativos, yendo más allá de variables sociodemográficas o métricas agregadas de acceso.

Desde el punto de vista práctico, los resultados ofrecen contribuciones relevantes para empresas que utilizan aplicaciones digitales en el soporte a las operaciones comerciales. La identificación de perfiles distintos permite el desarrollo de acciones específicas para cada grupo, como entrenamientos dirigidos a usuarios ocasionales o funcionalidades avanzadas para usuarios experimentados. La comprensión de las funcionalidades exploradas por usuarios avanzados puede orientar mejoras de usabilidad y simplificación de flujos para usuarios menos comprometidos. Además, la segmentación comportamental proporciona subsidios objetivos para la toma de decisiones, permitiendo monitorear la evolución de los usuarios entre clusters a lo largo del tiempo y personalizar mejoras de producto para optimizar el rendimiento de cada grupo. Esto maximiza el retorno de la inversión en tecnología, enfocándose en la calidad del uso y incentivando comportamientos que contribuyen al rendimiento comercial y la satisfacción del usuario.

En síntesis, este estudio demostró que el análisis conjunto de métricas de engagement y usabilidad, aliado a técnicas de clusterización, constituye un enfoque robusto para comprender el comportamiento de usuarios en sistemas corporativos. Al evidenciar que la regularidad de uso no es suficiente para explicar diferencias de comportamiento, la investigación refuerza la importancia de investigar la profundidad, diversidad y calidad de las interacciones, ofreciendo contribuciones teóricas y prácticas relevantes para el área de sistemas de información, usabilidad y gestión comercial orientada por datos, respondiendo al objetivo de segmentar usuarios con base en la utilización de pantallas y funcionalidades clave de la aplicación.

4. Conclusión

El estudio tuvo como objetivo segmentar usuarios de una aplicación de ventas basándose en la utilización de pantallas y funcionalidades clave, empleando el algoritmo K-means. Se verificó la existencia de tres perfiles distintos de usuarios – ocasional, regular y avanzado – identificados a partir de métricas de compromiso y usabilidad extraídas de registros de uso del sistema. Los hallazgos revelaron que la diferenciación entre estos grupos ocurrió principalmente por la intensidad, profundidad y diversidad de las interacciones con la plataforma, y no por la regularidad de acceso. Se observó que la frecuencia de uso, aunque presente, no fue el factor discriminante para la segmentación, indicando que usuarios con patrones de acceso similares pueden presentar comportamientos de interacción radicalmente distintos en términos de exploración de funcionalidades y volumen de acciones. Esta distinción refuerza la comprensión de que la calidad y la profundidad del uso son más relevantes que la mera frecuencia para caracterizar la madurez de interacción con sistemas corporativos.

La principal contribución de este trabajo reside en la operacionalización de principios clásicos de usabilidad a través de datos observacionales objetivos, proporcionando subsidios para la personalización de estrategias de engagement, optimización del diseño y gestión orientada por datos en entornos comerciales a gran escala. La identificación de estos perfiles permite a las empresas desarrollar acciones específicas, como capacitaciones dirigidas a usuarios ocasionales o mejora de funcionalidades para los avanzados, maximizando el retorno sobre la inversión en tecnología. Sin embargo, el estudio, de naturaleza cuantitativa y de caso, no exploró las diferencias de uso por país, profundizó en las razones del alto volumen de clics de los usuarios avanzados, ni analizó la evolución temporal de los usuarios entre los clusters o la correlación directa de los perfiles con el desempeño comercial. Se sugiere, por lo tanto, que estudios futuros investiguen estas lagunas, incluyendo análisis comparativos por país, investigaciones cualitativas sobre el comportamiento de clics y estudios longitudinales para mapear la migración entre perfiles y la relación con resultados de ventas.

Referencias Bibliográficas

ALI, M.; KHALID, S.; SHERAZ, M. Usability evaluation of mobile business applications. Journal of Systems and Information Technology, v. 25, n. 2, 2023.

BHARADWAJ, A.; EL SAWY, O. A.; PAVLOU, P. A.; VENKATRAMAN, N. Digital Business Strategy: Toward a Next Generation of Insights. MIS Quarterly, 2013.

CHEN, J. et al. Impact of Mobile Sales Applications on Employee Performance. Journal of Business Research, 2020.

DAVIS, F. D. Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, v. 13, n. 3, p. 319–340, 1989.

GARTNER. Forecast: Mobile Applications Worldwide, 2021–2025. Gartner Research, 2021.

GHEZZI, A. et al. Digital transformation and business model innovation: Role of mobile applications. Technological Forecasting & Social Change, 2018.

HAN, J.; KAMBER, M.; PEI, J. Data Mining: Concepts and Techniques. 3. ed. Morgan Kaufmann, 2012.

HASSENZAHL, M.; TRACTINSKY, N. User experience – A research agenda. Behaviour & Information Technology, v. 25, n. 2, p. 91–97, 2006.

INTERNATIONAL ORGANIZATION FOR STANDARDIZATION. Ergonomics of human-system interaction – Part 11: Usability: Definitions and concepts. ISO 9241-11:2018. Geneva: ISO, 2018.

JAIN, A. K. Data clustering: 50 years beyond K-Means. Pattern Recognition Letters, v. 31, n. 8, p. 651-666, 2010.

KIM, J.; KIM, J.; LEE, Y. Understanding user experience in mobile enterprise applications. International Journal of Human-Computer Studies, v. 158, 2022.

MACQUEEN, J. Some methods for classification and analysis of multivariate observations. In: BERKELEY SYMPOSIUM ON MATHEMATICAL STATISTICS AND PROBABILITY, 5., 1967, Berkeley. Proceedings… Berkeley: University of California Press, 1967. p. 281-297.

NIELSEN, J. Usability 101: Introduction to Usability. Nielsen Norman Group, 2012.

NIELSEN, J.; LORANGER, H. Prioritizing Web Usability. Berkeley: New Riders, 2006.

NIELSEN, Jakob. Usability Engineering. San Francisco: Morgan Kaufmann, 1993.

OLANREWAJU, R. et al. Mobile Application Usage Patterns: Implications for Service Design. International Journal of Mobile Human Computer Interaction, 2020.

ROUSSEEUW, P. J. Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, v. 20, p. 53–65, 1987.

SAURO, J.; LEWIS, J. R. Quantifying the User Experience: Practical Statistics for User Research. 2. ed. Amsterdam: Morgan Kaufmann, 2016.

TAN, P.-N.; STEINBACH, M.; KUMAR, V. Introduction to Data Mining. 2. ed. Pearson, 2019.

THORNDIKE, R. L. Who belongs in the family? Psychometrika, v. 18, n. 4, p. 267–276, 1953.

VENKATESH, V.; MORRIS, M. G.; DAVIS, G. B.; DAVIS, F. D. User Acceptance of Information Technology: Toward a Unified View. MIS Quarterly, v. 27, n. 3, p. 425–478, 2003.

VENKATESH, V.; THONG, J. Y. L.; XU, X. Consumer Acceptance and Use of Information Technology: Extending the Unified Theory of Acceptance and Use of Technology. MIS Quarterly, 2012.

Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy