42  
REVISTA INCAING  
ISSN24489131  
Implementación de un Programa de Lealtad Digital  
Dinámico y Personalizado para el Sector  
Gastronómico en Ocotlán, Jalisco, Basado en  
Insights del Internet del Comportamiento  
1
Mtro. Osvaldo René Rojo Roa1, Mtra. Gisela Ramírez Pimentel2 y Mtro. Vidal Paz Robles3  
1,2, Docentes del Tecnológico Nacional de México, Instituto Tecnológico José Mario  
Molina Pasquel y Henríquez, Unidad Académica Zapotlanejo  
3 Docente del Tecnológico Nacional de México, Instituto Tecnológico José Mario Molina  
Pasquel y Henríquez, Unidad Académica El Grullo  
osvaldo.rojo@zapotlanejo.tecmm.edu.mx, gisela.ramirez@zapotlanejo.tecmm.edu.mx,  
vidal.paz@elgrullo.tecmn.edu.mx  
objetivo de entender sus hábitos y personalizar las respuestas  
del sistema [1]. En sectores como comercio electrónico, salud y  
educación ya se usa con resultados documentados; en el  
gastronómico, su aplicación aún es limitada, especialmente en  
pequeños negocios.  
Resumen – Este articulo presenta el diseño de un programa de  
lealtad digital para restaurantes del sector gastronómico de  
Ocótlan, Jalisco, construido a partir de análisis de datos  
conductuales obtenidos mediante el Internet del Comportamiento  
(IoB). El problema que motiva la propuesta es concreto: la  
mayoría de los restaurantes de la zona no cuenta con herramientas  
para analizar el comportamiento de sus clientes ni para ofrecer  
recompensas que vayan más allá de los descuentos genéricos. La  
solución integra tres componentes: una aplicación móvil, un  
backend con motor de reglas y un panel de control para el  
restaurante. El desarrollo sigue la metodología SCRUM, lo que  
permite ajustar el sistema en ciclos cortos con base en lo que se  
observa en un establecimiento real. Se espera que el resultado sea  
una plataforma escalable que mejore la retención de clientes y  
apoye la toma de decisiones en PyMES gastronómicas mediante  
evidencia conductual.  
En este contexto, las reseñas digitales representan una fuente de  
información que la mayoría de los restaurantes no aprovechan  
de forma sistemática. Analizar esos comentarios con técnicas  
de minería de texto y procesamiento de lenguaje natural permite  
identificar qué valoran los clientes, qué los aleja y qué  
oportunidades existen para mejorar su experiencia [2].  
Combinando con el análisis conductual del IoB, ese tipo de  
información puede transformar la forma en que un restaurante  
diseña sus estrategias de fidelización [3].  
Índice de Términos – Internet del Comportamiento, lealtad digital,  
sector gastronómico, análisis de comportamiento, retención de  
clientes, SCRUM, recompensas personalizadas.  
Con base en lo anterior, este trabajo propone el diseño e  
implementación de un programa de lealtad digital para  
restaurantes PyMES de Ocótlan, Jalisco. La plataforma integra  
una aplicación móvil, un backend con motor de reglas y un  
panel de control, con el propósito de automatizar recompensas  
personalizadas y fortalecer la retención de clientes a partir de  
datos reales de comportamiento.  
INTRODUCCIÓN  
I.  
La industria restaurantera en México opera en un entorno  
cada vez más competitivo, donde la transformación digital ya  
no es opcional sino una condición para mantenerse vigente. En  
municipios como Ocótlan, Jalisco, muchos establecimientos  
gastronómicos trabajan sin herramientas para analizar el  
comportamiento de sus clientes o tomar decisiones basadas en  
datos, lo que limita su capacidad de retener comensales y  
construir relaciones duraderas con ellos. El Internet del  
Comportamiento (IoB) aborda precisamente ese vacío. A  
diferencia del IoT, que se centra en la conectividad de  
dispositivos, el IoB se enfoca en interpretar los datos que  
generan las personas cuando interactúan digitalmente, con el  
STADO DEL ARTE  
II.  
E
.
Internet del comportamiento aplicado al sector  
gastronómico.  
•
El Internet del Comportamiento(IoB) representa una evolución  
del Internet de las Cosas (IoT), enfocada en el análisis de datos  
relacionados con las conductas humanas y las interacciones  
digitales de los usuarios. Su objetivo principal consiste en  
transformar datos dispersos en información contextualizada que  
permita comprender hábitos, preferencias y patrones de  
REVISTA INCAING ISSN 24489131 (julio-agosto 2026) pp 42-47  
43  
comportamiento [4]. Actualmente, el IoB se utiliza en sectores  
como comercio electrónico, salud, educación y servicios,  
debido a sus capacidad para apoyar procesos de personalización  
y toma de decisiones.  
y mantener una comunicación constante con el cliente.  
Los programas de lealtad inteligentes incorporan mecanismos  
automatizados, segmentación de usuarios y recomendaciones  
personalizadas con el propósito de incrementar la participación  
y la retención de clientes [10]. Sin embargo, aún existe una  
brecha importante en la adopción de este tipo de tecnologías  
dentro de las PyMES gastronómicas, principalmente debido a  
limitaciones económicas y técnicas.  
En el ámbito gastronómico, el IoB permite recopilar  
información sobre frecuencia de visitas, preferencias de  
consumo, historial de pedidos, interacción con promociones y  
participación en plataformas digitales. Esto facilita el desarrollo  
de estrategias de fidelización más precisas y adaptadas a las  
necesidades de cada cliente [5]. Investigaciones recientes  
relacionadas con plataformas de IoB aplicadas al sector  
gastronómico demuestran que el análisis conductual puede  
mejorar significativamente la interacción entre restaurantes y  
consumidores, especialmente en PyMES con procesos  
limitados de digitalización.  
Además, el uso de las tecnologías digitales, para capturar y  
procesar patrones de comportamiento, ayudan a la toma de  
decisiones, todo esto basado en datos de interacción [11].  
En este sentido, la integración del IoB, análisis de reseñas y  
sistemas de recompensas personalizadas representan una  
oportunidad para el desarrollar soluciones tecnológicas  
escalables orientadas a mejorar la experiencia del cliente y  
fortalecer la competitividad de los restaurantes.  
Análisis de reseñas y sentimiento.  
•
Las reseñas digitales se han convertido en una fuente estratégica  
de información para comprender la experiencia del consumidor  
dentro del sector restaurantero. Actualmente, múltiples  
investigadores utilizan técnicas de minería de texto, análisis de  
sentimientos y procesamiento de lenguaje natural para  
identificar patrones de satisfacción e insatisfacción en  
comentarios publicados por los usuarios [6].  
ABLA COMPARATIVA PARA EL ESTADO DEL ARTE  
III.  
Autor  
T
Año  
.
IoB  
NLP/  
Analisis de  
Sentimientos Lealtad  
Programa  
Aplicación  
de  
Paz.  
Vidal  
2024  
Si  
No  
No  
Sector  
gastronómico  
Rojo.  
Osvaldo  
2024  
2025  
Si  
No  
Si  
No  
No  
Restaurantes  
en Ocotlán  
Diversos estudios indican que factores como la calidad del  
servicio, el sabor de los alimentos, la atención del personal y el  
ambiente del establecimiento influyen directamente en la  
percepción del cliente y en su intención de regresar al  
restaurante [7]. Además, el análisis automatizado de opiniones  
permite transformar información no estructurada en indicadores  
útiles para apoyar la toma de decisiones y mejorar la  
experiencia gastronómica.  
Dye  
Tyler  
No  
Análisis de  
reseñas  
digitales  
Programa de  
lealtad  
comerciales  
Atención al  
cliente  
mediante  
chatbots  
Deloitte  
2025  
2025  
No  
No  
Parcial  
Si  
Si  
Galves  
Carrillo  
No  
En años recientes, también se han desarrollado modelos  
basados en aprendizaje automático y redes neuronales  
profundas para clasificar sentimientos en reseñas de  
restaurantes, obteniendo resultados favorables en la  
identificación de opiniones positivas, negativas y neutrales [8].  
Alvarez  
Guerra  
2025  
No  
Si  
Si  
Si  
No  
Si  
Servicios  
digitales y  
chatbots  
Propuesta 2026  
Actual  
Restaurantes  
PYMES  
Estas  
tecnologías  
permiten  
generar  
estrategias  
de  
personalización más efectivas y fortalecer los sistemas digitales  
de recomendación y fidelización.  
ESCRIPCIÓN DEL PROBLEMA  
D
IV.  
Los programas de lealtad utilizados por muchos restaurantes  
suelen ser rígidos, homogéneos y poco adaptables al  
comportamiento individual del cliente [12]. En la práctica, esto  
provoca que las recompensas no siempre sean percibidas como  
relevantes y, por tanto, su impacto en la retención sea limitado.  
Además, la mayoría de los pequeños y medianos negocios  
carecen de plataformas capaces de analizar datos de consumo y  
convertirlos en acciones automáticas de fidelización.  
En algunos casos, se utiliza la IA, para personalizar respuestas  
según el comportamiento del cliente, esto ayuda a analizar las  
recompensas que se pueden integrar de manera personalizada y  
estudiar la conducta de las personas [1].  
Lealtad digital y personalización  
•
La lealtad digital se define como la relación recurrente entre un  
consumidor y una marca mediante plataformas tecnológicas,  
aplicaciones móviles, redes sociales y sistemas de interacción  
digital [9]. En el sector gastronómico, la fidelización ya no  
depende únicamente de recompensas genéricas, sino de la  
capacidad del negocio para ofrecer experiencias personalizadas  
En Ocotlán, Jalisco, esta problemática se agrava por la falta de  
soluciones  
accesibles  
que  
integren  
seguimiento  
del  
comportamiento, análisis de reseñas y administración de  
recompensas en una sola herramienta. El resultado es una baja  
capacidad para reconocer clientes frecuentes, premiar patrones  
REVISTA INCAING ISSN 24489131 (julio-agosto 2026) pp 42-47  
44  
de compra valiosos y responder oportunamente a señales de  
descontento. Por ello, se requiere un modelo tecnológico que  
permite construir relaciones más cercanas, personalizadas y  
medibles entre restaurantes y comensales.  
usuarios que responden bien a promociones. Con esos perfiles  
definidos, la tercera fase construye el motor de reglas que  
activan recompensas personalizadas. La cuarta fase integra el  
módulo “Mis Recompensas” en la aplicación móvil, la quinta  
agrega notificaciones automáticas, y la sexta cierra con  
validaciones, ajustes y documentación.  
Objetivo general.  
Diseñar, desarrollar e implementar un módulo o sistema  
integrado de lealtad digital que, utilizando los datos y patrones  
de comportamiento identificados por la plataforma IoB,  
automatice la creación y entrega de recompensas para influir  
positivamente en la fidelización del cliente.  
d)  
Técnicas de análisis.  
Para detectar oportunidades de fidelización se usarán tres  
técnicas: análisis de comportamiento, segmentación de usuarios  
y minería de texto sobre reseñas. Con los datos resultantes se  
construyen perfiles de consumo, y a cada perfil se le asignan  
reglas de recompensas. Un cliente que visita el restaurante con  
frecuencia puede recibir beneficios por recurrencia; uno que  
muestra preferencia clara por ciertos platillos puede recibir  
promociones que lo inviten a probar opciones similares dentro  
del menú.  
Objetivos específicos.  
Validar el sistema web y la aplicación móvil en un  
establecimiento real de comida en Ocotlán, Jalisco, para  
realizar las adecuaciones necesarias y obtener los datos  
pertinentes para la aplicación de insights.  
•
Analizar los datos obtenidos para identificar patrones de  
•
•
consumo, preferencias, frecuencias de visitas  
sensibilidad a promociones.  
y
PROPUESTA DE DESARROLLO  
VI.  
Diseñar un módulo de lealtad digital con recompensas  
dinámicas basadas en el comportamiento individual del  
cliente.  
A.  
Arquitectura General de la plataforma.  
Desarrollar un módulo de lealtad integrado a la aplicación  
móvil y al Backend del sistema web.  
Implementar un sistema de notificaciones para informar a  
usuarios y restauranteros sobre recompensas, insights y  
avances del programa.  
•
•
METODOLOGÍA  
V.  
a)  
Enfoque de desarrollo.  
El proyecto se clasifica como desarrollo tecnológico, debido a  
que busca diseñar e implementar una solución tecnológica  
funcional para satisfacer un problema concreto del sector  
gastronómico en el municipio de Ocotlán, Jalisco. El desarrollo  
sigue la metodología SCRUM con sprints de seis semanas. De  
esta manera se pueden entregar avances parciales y probarlos  
con el restaurante piloto antes de continuar, lo que en la práctica  
facilita corregir el rumbo según lo que los usuarios realmente  
hacen con el sistema.  
Ilustración 1. Arquitectura general de la plataforma.  
b)  
Arquitectura de la solución.  
El sistema tiene tres componentes: una aplicación móvil para  
los clientes, un backend que procesa datos y aplica las reglas de  
negocio, y un panel de control para el restaurante [12]. A través  
de la app, los clientes consultarán sus recompensas, recibirán  
notificaciones y participanrán en el programa de fidelización.  
El backend segmenta a los usuarios y les asigna beneficios  
automáticamente. El panel de control muestra los indicadores  
que el administrador necesita para tomar decisiones operativas.  
La ilustración 1 presenta la arquitectura general de la  
plataforma propuesta. El sistema está compuesto por tres  
componentes principales: una aplicación móvil utilizada por los  
clientes, un backend encargado del procesamiento de datos y la  
lógica de negocio, y un panel de control orientado a los  
restaurantes.  
La aplicación móvil permite registrar interacciones, consultar  
recompensas y recibir notificaciones. El backend procesa la  
información generada por los usuarios, ejecuta el motor de  
c)  
Fases del trabajo.  
reglas  
y
genera insights basados en comportamiento.  
El desarrollo se organiza en seis fases. En la primera se adapta  
el sistema a un restaurante real, ajustando la captura de datos y  
la experiencia de usuario según el contexto específico del  
negocio. La segunda fase analiza los datos recolectados para  
definir perfiles de comportamiento: clientes frecuentes,  
consumidores con preferencias marcadas por tipo de platillo y  
Finalmente, el panel de control proporciona indicadores y  
herramientas de análisis que apoyan la toma de decisiones  
dentro del establecimiento.  
REVISTA INCAING ISSN 24489131 (julio-agosto 2026) pp 42-47  
45  
B.  
Flujo de procesamiento de datos basado en IoB.  
C.  
Modelo conceptual del flujo IoB + Insights +  
Recompensas.  
La ilustración 2 muestra el flujo de procesamiento de datos  
fundamentales en el enfoque de Internet del Comportamiento.  
El proceso inicia con la captura de datos provenientes de  
compras, visitas, interacciones digitales y reseñas de los  
clientes. Posteriormente, la información es almacenada y  
procesada mediante técnicas de análisis conductuales y minería  
de texto.  
Los resultados obtenidos permiten identificar patrones de  
comportamiento, preferencias de consumo y niveles de  
participación, los cuales son utilizados por el sistema para  
generar acciones de fidelización personalizadas.  
Ilustración 3. Modelo conceptual del flujo IoB  
La ilustración 3 representa el modelo conceptual que integra el  
Internet de Comportamiento con la generación de insights y la  
asignación de recompensas personalizadas. A partir de los datos  
recopilados se realiza un análisis conductual que permite  
identificar patrones relevantes de consumo. Estos patrones se  
transforman en insights que describen características  
específicas de cada usuario, como frecuencia de visitas,  
preferencias de productos o sensibilidad a promociones.  
Finalmente, el motor de reglas utiliza dichos insights para  
activar recompensas personalizadas que buscan fortalecer la  
lealtad y mejorar la experiencia del cliente.  
Ilustración 2 Flujo de procesamiento de datos basado en IoB  
D.  
Motor de reglas.  
El motor de reglas es el componente central del sistema. Su  
función es determinar qué recompensa le corresponde a cada  
cliente según su historial de consumo. Para eso considera  
variables como número de compras, frecuencia en un periodo  
dado, categorías más consumidas y respuesta previa a  
promociones. Con esta lógica, el sistema puede ir más allá de  
los típicos programas de puntos y ofrecer beneficios  
respaldados por el comportamiento real del cliente.  
B.  
Módulo de recompensas.  
Desde la aplicación móvil, el cliente puede ver su historial de  
participación, los beneficios que tiene disponibles y qué  
necesita para acceder  
a
nuevas promociones. Para el  
restaurante, este módulo facilita administrar campañas y  
observar cómo responde el cliente. El sistema también puede  
sugerir recompensas según lo que cada usuario consume  
REVISTA INCAING ISSN 24489131 (julio-agosto 2026) pp 42-47  
46  
habitualmente, lo que hace que las promociones se sientan más  
relevantes.  
genere evidencia técnica útil para futuras investigaciones o  
desarrollos sobre el IoB aplicado al sector de servicios.  
DISCUSIÓN  
IX.  
C.  
Notificaciones personalizadas.  
Las notificaciones tienen un rol importante dentro de la  
estrategia de fidelización. A través de mensajes dirigidos, el  
sistema avisa sobre recompensas disponibles, promociones  
activas o recordatorios de visitas. El punto clave es que sean  
oportunas: una notificación bien dirigida refuerza el vínculo  
con el restaurante, pero si se abusa de ellas el efecto se invierte.  
Lo que distingue esta propuesta de otros programas de lealtad  
es que combina análisis de comportamiento, minería de reseñas  
y recompensas personalizadas en una sola plataforma. Los  
sistemas tradicionales suelen limitarse a transacciones o  
acumulación de puntos sin tomar en cuenta las preferencias  
reales del cliente, en este proyecto el enfoque es distinto. El IoB  
permite diseñar estrategias de fidelización más ajustadas al  
contexto del sistema dependen de la calidad de los datos que se  
recopilen, de qué tan activos sean los usuarios y de que el  
restaurante mantenga la plataforma en operación continua. Un  
aspecto que no puede ignorarse en la privacidad. Como el  
sistema analiza patrones de comportamiento e interacciones  
digitales, es necesario implementar mecanismos claros de  
consentimiento, protección de datos y transparencia de su uso.  
La principal limitación identificada tiene que ver con el nivel  
de digitalización de las PyMES gastronómicas. Algunos  
D.  
Panel de control.  
El restaurante accede a un panel donde puede revisar la  
participación de sus clientes, la frecuencia de uso de la app, las  
recompensas entregadas y señales tempranas de cambios en los  
hábitos de consumo. También puede incorporar información de  
reseñas y patrones de compra para tomar decisiones sobre sus  
estrategias comerciales.  
ESCENARIOS DE APLICACIÓN Y REGLAS DE NEGOCIO:  
VII.  
Cliente Frecuente.  
•
establecimientos pueden tener resistencia al cambio  
o
Un cliente que completa 4 o más compras durante 30 días entra  
automáticamente en esta categoría. El sistema le genera un  
descuento del 15% aplicable en su siguiente compra o visita,  
sin que el restaurante tenga que hacer nada manualmente.  
infraestructura insuficiente. Aun así, la propuesta ofrece una  
base concreta para explorar soluciones de fidelización  
inteligente en diferentes contextos del sector.  
CONCLUSIÓN  
X.  
Cliente Inactivo.  
•
Este trabajo propone un programa de lealtad digital que  
Si un usuario no registra actividad en más de 30 días, el sistema  
le envía una promoción para traerlo de vuelta: puede ser un  
descuento por tiempo limitado o un producto sin costo, según  
lo que el restaurante haya configurado.  
combina análisis conductual, minería de reseñas  
y
automatización de recompensas para mejorar la retención de  
clientes en restaurantes de Ocotlán, Jalisco. La integración de  
estas tres capacidades dentro de una sola plataforma representa  
una alternativa viable  
gastronómicas que buscan fortalecer sus relaciones con los  
clientes a partir de datos reales.  
y
escalable para las PyMES  
Cliente con preferencias especiales.  
•
Cuando el sistema detecta que alguien consume con frecuencia  
una categoría específica, le sugiere productos relacionados o  
complementarios. La idea es que la promoción tenga sentido  
para ese cliente en particular, no que parezca aleatorio.  
La validación del sistema en un entorno real le da pertinencia  
práctica al proyecto y lo posiciona como un punto de partida  
para futuras investigaciones sobre el IoB, comportamiento del  
consumidor y transformación digital en el sector servicios.  
Cliente Promotor.  
•
Los usuarios que publican reseñas positivas o que interactúan  
seguido con la plataforma reciben beneficios diferenciados.  
Reconocer ese comportamiento es parte de la estrategia: quien  
recomienda el restaurante también merece que el restaurante lo  
reconozca.  
REFERENCIAS  
[1]  
Vidal Paz Robles, Gisela Ramíres Pimentel, and Osvaldo René Rojo  
Roa, "Implementación de una plataforma digital del Internet del  
comportamiento (IoB) en el sector gastronómico. Etapa 1 - Estudio de campo  
El Grullo," Scientia Tecnológica, vol.  
https://revista.tecmm.mx/index.php/scientiatecnologica/article/view/19,  
24-26, Nov. 2024.  
1
Numero 2, no.  
ESULTADOS ESPERADOS  
VIII.  
R
.
pp.  
En esta etapa del proyecto se espera identificar los perfiles de  
comportamiento más comunes a partir de análisis de frecuencia  
de visitas, preferencias de consumo y respuesta a promociones.  
Los perfiles que se anticipan son clientes frecuentes, usuarios  
receptivos a descuentos y consumidores con preferencias  
marcadas por tipo de producto. Una vez activo, el motor de  
reglas automatiza la asignación de recompensas según los  
patrones detectados para cada perfil. También se prevé una  
mejora en la comunicación entre el restaurante y sus clientes,  
gracias a las notificaciones y a los mecanismos de participación  
dentro de la app. En términos de impacto tecnológico, el  
proyecto busca construir una plataforma que las PyMES  
gastronómicas puedan adoptar y escalar, y que al mismo tiempo  
[2]  
https://accedacris.ulpgc.es/handle/10553/109764  
[3] Osvaldo René Rojo Roa, Gissela Ramírez Pimentel, and Vidal Paz  
Robles, "Implementación de una Plataforma Digital del Internet  
delComportamiento (IoB) en el Sector Gastronómico Etapa 1 – Estudio de  
Ana Carla Morales Padrón. (2021) ULPGC accedaCRIS. [Online].  
Campo Ocotlán," Sciential Tecnólogica, vol.  
1
Numero 1, no.  
https://revista.tecmm.mx/index.php/scientiatecnologica/article/view/6, pp. 23-  
26, June 2024.  
[4]  
Dailyn García. (2024, July) Universidad de las Ciencias  
Informáticas.  
[Online].  
https://publicaciones.uci.cu/index.php/serie/article/view/1615/1327  
[5]  
Vasseur Cédric. (2021, June) orsys le mag'. [Online].  
https://www.orsys.fr/orsys-lemag/es/despues-de-liot-liob-te-contamos-todo-  
sobre-el-internet-del-comportamiento  
REVISTA INCAING ISSN 24489131 (julio-agosto 2026) pp 42-47  
47  
[6]  
PowerData.  
(2022,  
Oct.)  
PowerData.  
[Online].  
https://blog.powerdata.es/el-valor-de-la-gestion-de-datos/que-es-internet-of-  
behavior-iob-y-por-que-es-clave-para-el-negocio  
[7]  
Deloitte.  
(2025)  
Deloitte.  
[Online].  
https://www.deloitte.com/us/en/industries/consumer/articles/restaurant-  
loyalty-program.html  
[8]  
https://getthematic.com/insights/review-analysis  
[9] A., & Frow, P. Payne, "A Strategic Framework for Customer  
Relationship Management," Journal of Marketing, vol. 69, pp. 167–176, 2005.  
[10] G., & Tuzhilin, A. Adomavicius, "Toward the Next Generation of  
Dye  
Tyler.  
(2025,  
Jan.)  
thematic.  
[Online].  
Recommender Systems," IEEE Transactions on Knowledge and Data  
Engineering, vol. 17, pp. 734–749, 2005.  
[11]  
Arnold Alvarez Guerra, Elmo Francisco Tirado Ruiz, and Alberto  
Carlos Mendoza de los Santos, "Chatbots con Inteligencia Artificial en la  
gestión de servicios TI: Revisi´ón de casos y retos en su implementación,"  
Investigación y Ciencia Aplicada a la Ingeniería INCAING, vol. 8, no. ISSN  
2448-9131, pp. 1-5, julio 2025.  
[12]  
Martin Jones. (2025, Feb.) ENERLPINEAS REVISTA  
CIENTIFICA INDEXADA DE LA UNIVERSIDAD AUROAMERICANA.  
[Online]. https://entrelineasuea.com/ois/index.php/revista/article/view/47/47  
[13]  
Ana Morales. (2021, July) Universidad de las palmas gran canaria.  
[Online].  
https://accedacris.ulpgc.es/bitstream/10553/109764/1/TFG%20Ana%20C%20  
Morales%20Padron.pdf  
[14]  
MULTIDISCIPLINARY  
https://revinde.org/index.php/innovarium/article/view/30/31  
[15] SOAINT. (2021, Sep.) SOAINT.  
https://soaint.com/blog/iob-o-internet-of-behaviours  
[16] Kevin Eduardo Galvez Carrillo, Luis Fernando Avila Reyes, and  
Jorge Narváez. (2025, Feb.) INNOVARIUM INTERNACIONAL  
JOURNAL.  
[Online].  
[Online].  
Alberto Carlos Mendoza De Los Santos, "Impacto de la implementacion de  
chatbots en el soporte técnico TI," Investigación y Ciencia Aplicada a la  
Ingeniería INCAING, vol. 8, no. ISSN 2448-9131, pp. 11-16, julio 2025.  
[17]  
Dailyn García Dominguez, "Medición de la fidelización de clientes  
en la era digital," Serie Científica Universidad de las Ciencias Informáticas, vol.  
17, no. https://publicaciones.uci.cu/index.php/serie/article/view/1615, July  
2024.  
REVISTA INCAING ISSN 24489131 (julio-agosto 2026) pp 42-47