Abstract
<jats:p>El presente libro examina de manera sistemática y comparativa los principales modelos de analítica de datos aplicados a la predicción de la intención de compra en entornos de comercio electrónico. A partir de una revisión critica de la literatura indexada en Scopus, Web of Science y SciELO correspondiente al periodo 2020-2026, el estudio identifica y clasifica ocho modelos predictivos representativos, organizados en tres categorías: modelos estadísticos clásicos (regresión logística, arboles de decisión, SVM), modelos de machine learning avanzado (Random Forest, XGBoost, LightGBM) y modelos de deep learning (ANN, LSTM). Se presenta un estudio comparativo sistemático sobre el benchmark UCI Online Shoppers Purchasing Intention Dataset, evaluando cinco métricas de desempeño. Los resultados confirman la superioridad del modelo LSTM (AUC-ROC=0.962) sobre los modelos clásicos, con XGBoost y LightGBM como alternativas de alto desempeño y menor coste computacional. El libro aporta además un diagnostico estadístico del mercado digital latinoamericano 2020-2026, un marco metodológico replicable para la evaluación comparativa de modelos predictivos, y orientaciones practicas para la integración ética y efectiva de sistemas predictivos en la gestión del comercio electrónico de la región.</jats:p>