Emociones y machine learning en la innovación del mercado sostenible de vehículos seminuevos en México
DOI:
https://doi.org/10.55965/setp.6.11.a2Palabras clave:
comportamiento del consumidor, machine learning, vehículos seminuevos, random forest, innovación de proceso, economía circularResumen
Contexto. El mercado de vehículos seminuevos en México es clave para la movilidad y la economía circular. Sin embargo, los estudios tradicionales priorizan variables racionales, relegando los factores emocionales.
Problema. Los modelos lineales no capturan la interdependencia de las respuestas emocionales. Por ello, surge la pregunta de investigación: ¿En qué medida las emociones predicen la fidelización en el mercado de vehículos seminuevos en México?
Objetivo. Evaluar el impacto de las emociones en la lealtad del consumidor mediante técnicas de machine learning para optimizar la toma de decisiones en este sector.
Metodología. Estudio cuantitativo con 1,000 compradores en Aguascalientes. Se utilizó el instrumento PANAS y se comparó un modelo de regresión logística frente a uno de Random Forest. La superioridad del modelo no lineal se validó mediante la prueba de DeLong (Z = 3.84; p < 0.001).
Hallazgos. El algoritmo Random Forest alcanzó una precisión del 87%. La satisfacción y seguridad son los principales predictores de lealtad, mientras que el miedo y la confusión actúan como barreras críticas de compra.
Originalidad. El estudio aporta un avance teórico al integrar la neuroeconomía con la ciencia de datos (Scientia). Asimismo, ofrece una herramienta predictiva para que las empresas del sector diseñen estrategias de venta basadas en la experiencia emocional del cliente (Praxis). Ofrece un marco para reducir barreras emocionales en el mercado de segunda mano, contribuyendo directamente al ODS12.
Conclusiones y limitaciones. Se confirma que las emociones son predictores robustos de la compra de seminuevos y que su gestión estratégica es clave para fomentar el consumo responsable. La principal limitación es el uso de una muestra no probabilística en una sola región. Futuros estudios deberían emplear diseños longitudinales y replicarse en diversos contextos, manteniendo el enfoque multidisciplinario.
Descargas
Citas
Aconauto. (2025, febrero 21). Latin American car sales grew 7.8% in 2024, with Brazil and Mexico as market drivers. Aftermarket International. Recuperado el 3 de marzo de 2026, de https://www.aftermarketinternational.com/en/news/latest-news/9227-latin-american-car-sales-grew-7-8-in-2024-with-brazil-and-mexico-as-market-drivers.html
Aguilar-Cruz, P. D., & Campos-Sánchez, A. (2024). Fostering sustainable development through social innovation: The role of cultural values in entrepreneurial intentions. Scientia et PRAXIS, 4(08), 96–126. https://doi.org/10.55965/setp.4.08.a4
Alantari, H. J. (2022). An empirical comparison of machine learning methods for text-based sentiment analysis of online consumer reviews [Tesis doctoral, University of California, Irvine]. eScholarship. https://escholarship.org/uc/item/7q62b9b8
Ariely, D. (2016). Payoff: The hidden logic that shapes our motivations. Simon & Schuster. https://www.simonandschuster.com/books/Payoff/Dan-Ariely/TED-Books/9781501120046
Asociación Mexicana de Distribuidores de Automotores. (2024). Reporte de mercado interno automotor al último mes de 2024. https://www.amda.mx/wp-content/uploads/2412_Reporte_Mercado_Automotor.pdf
Barenca-Sotelo, C. U., Maciel-Arellano, M. D. R., & Larios-Rosillo, V. M. (2026). Hacia una innovación de proceso de evaluación docente sostenible: Revisión sistemática de aplicaciones de IA, ciencia de datos y procesamiento de lenguaje natural. Scientia et PRAXIS, 6(11). https://doi.org/10.55965/setp.6.11.a1
Barrett, L. F. (2017). How emotions are made: The secret life of the brain. Houghton Mifflin Harcourt. https://www.amazon.com.mx/How-Emotions-Are-Made-Secret/dp/0544133315
Borg, K., Macklin, J., Kaufman, S., & Curtis, J. (2024). Consuming responsibly: Prioritising responsible consumption behaviours in Australia. Cleaner and Responsible Consumption, 12, 100181. https://doi.org/10.1016/j.clrc.2024.100181
Fargues, M., Kadry, S., Lawal, I. A., Yassine, S., & Rauf, H. T. (2023). Automated analysis of open-ended students' feedback using sentiment, emotion, and cognition classifications. Applied Sciences, 13(4), 2061. https://doi.org/10.3390/app13042061
Faul, F., Erdfelder, E., Buchner, A., & Lang, A. G. (2009). Statistical power analyses using G*Power 3.1: Tests for correlation and regression analyses. Behavior Research Methods, 41(4), 1149–1160. https://doi.org/10.3758/BRM.41.4.1149
Franco-Santacruz, K. F., & Serrano-Orellana, B. J. (2025). Predicción de compra basada en estados emocionales y factores contextuales en retail físico usando machine learning. Sociedad & Tecnología, 8(S2), 327–341. https://doi.org/10.51247/st.v8iS2.647
Hastie, T., Tibshirani, R., & Friedman, J. (2017). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer. https://doi.org/10.1007/978-0-387-84858-7
Instituto Nacional de Estadística y Geografía. (2023). Inventario Nacional de Emisiones de Gases y Compuestos de Efecto Invernadero (INEGI).
https://www.inegi.org.mx/rnm/index.php/catalog/1013
Instituto Nacional de Estadística y Geografía. INEGI.(2024). Registro administrativo de la industria automotriz de vehículos ligeros (RAIAVL). https://www.inegi.org.mx/datosprimarios/iavl/
Jain, V. K., Dahiya, A., Tyagi, V., & Sharma, P. (2023). Development and validation of scale to measure responsible consumption. Asia-Pacific Journal of Business Administration, 15(5), 795–814. https://doi.org/10.1108/APJBA-12-2020-0460
Janiesch, C., Zschech, P., & Heinrich, K. (2021). Machine learning and deep learning. Electronic Markets, 31(3), 685–695. https://doi.org/10.1007/s12525-021-00475-2
Kahneman, D. (2011). Thinking, fast and slow. Farrar, Straus and Giroux. https://us.macmillan.com/books/9780374533557/thinkingfastandslow/
Ladhari, R., Souiden, N., & Dufour, B. (2017). The role of emotions in utilitarian service settings: The effects of emotional satisfaction on product perception and behavioral intentions. Journal of Retailing and Consumer Services, 34, 10–18. https://doi.org/10.1016/j.jretconser.2016.09.005
Lerner, J. S., Li, Y., Valdesolo, P., & Kassam, K. S. (2015). Emotion and decision making. Annual Review of Psychology, 66, 799–823. https://doi.org/10.1146/annurev-psych-010213-115043
Li, X., Wang, C., Li, D., Yang, D., Meng, F., & Huang, Y. (2024). Environmental regulations, green marketing, and consumers' green product purchasing intention. Sustainability, 16(20), 8987. https://doi.org/10.3390/su16208987
Liaw, A., & Wiener, M. (2002). Classification and regression by randomForest. R News, 2(3), 18–22. https://cran.r-project.org/doc/Rnews/Rnews_2002-3.pdf
Loewenstein, G., O’Donoghue, T., & Bhatia, S. (2015). Modeling the interplay between affect and deliberation. Decision, 2(2), 55–81. https://doi.org/10.1037/dec0000029
Lovera, F. A., & Cardinale, Y. (2023). Sentiment analysis in Twitter: A comparative study. Revista Científica de Sistemas e Informática, 3(1), e418. https://doi.org/10.51252/rcsi.v3i1.418
Murillo-López, F. J. (2025). Towards sustainable digital education: A predictive model for preventing social media addiction in university students. Scientia et PRAXIS, 5(10), 94–125. https://doi.org/10.55965/setp.5.10.a4
Okoye, K., Arrona-Palacios, A., Camacho-Zuñiga, C., Achem, J. A. G., Escamilla, J., & Hosseini, S. (2022). Towards teaching analytics: A contextual model for analysis of students' evaluation of teaching through text mining and machine learning classification. Education and Information
Technologies, 27(3), 3891–3933. https://doi.org/10.1007/s10639-021-10751-5
Organisation for Economic Co-operation and Development.OECD. (2018). Oslo manual 2018: Guidelines for collecting, reporting and using data on innovation (4th ed.). OECD Publishing. https://doi.org/10.1787/9789264304444-en
Organisation for Economic Co-operation and Development. OECD. (2024). The future of the automotive value chain: Implications for FDI-SME linkages (OECD SME and Entrepreneurship Papers No. 64). OECD Publishing. https://doi.org/10.1787/cb730d65-en
Ortegón-Cortázar, L., Santucci, M., Iglesias-Pina, D., Acevedo-Duque, Á., & Méndez-Lazarte, C. (2025). Consumo sostenible y conciencia de las generaciones futuras en Latinoamérica. RETOS.
Revista de Ciencias de la Administración y Economía, 15(30), 203–224. https://doi.org/10.17163/ret.n30.2025.01
Peña-Torres, J. A. (2024). Towards an improved of teaching practice using sentiment analysis in student evaluation. Ingeniería y Competitividad, 26(2). https://doi.org/10.25100/iyc.v26i2.13759
Pinzón-Castro, S. Y., & Maldonado-Guzmán, G. (2023). Open innovation effects in eco-innovation and business performance in Mexican manufacturing firms. Scientia et PRAXIS, 3(6), 1–19. https://doi.org/10.55965/setp.3.06.a1
Posit Team. (2024). RStudio: Integrated development environment for R (Versión 2024.04.2) [Software]. Posit Software, PBC. https://posit.co/
R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/
Robin, X., Turck, N., Hainard, A., Tiberti, N., Lisacek, F., Sanchez, J. C., & Müller, M. (2011). pROC: An open-source package for R and S+ to analyze and compare ROC curves. BMC Bioinformatics, 12, 77. https://doi.org/10.1186/1471-2105-12-77
Santamaria-Velasco, C. A., Montiel-Méndez, O. J., & Montañez-Moya, G. S. (2024). Liderazgo transformacional y emprendimiento en estudiantes: Una vía hacia el desarrollo educativo sostenible. Scientia et PRAXIS, 4(08), 90–119. https://doi.org/10.55965/setp.4.08.uady.a4
Shaik, T., Tao, X., Dann, C., Xie, H., Li, Y., & O'Neill, S. (2022). Educational decision support system adopting sentiment analysis on student feedback. 2022 IEEE/WIC/ACM International Joint Conference on Web Intelligence and Intelligent Agent Technology (WI-IAT), 377–383. https://doi.org/10.1109/WI-IAT55865.2022.00062
Simon, H. A. (2016). Administrative behavior: A study of decision-making processes in administrative organizations (5th ed.). Free Press. (Original work published 1947).
Thaler, R. H. (2018). Misbehaving: The making of behavioral economics. Penguin Books. https://www.penguin.co.uk/books/179906/misbehaving-by-thaler-richard/9780241951224
Tinoco-Egas, R., Juanatey-Bóga, Ó., & Martínez-Fernández, V. A. (2019). Generación de emociones en la intención de compra. Revista de Ciencias Sociales, 25(3), 218–229. https://www.redalyc.org/articulo.oa?id=28060161018
Villegas, J. C., Sánchez, J. L. M., & Rojas, E. (2023). Intención emprendedora en estudiantes universitarios. Scientia et PRAXIS, 3(6), 1–21. https://scientiaetpraxis.amidi.mx/index.php/sp/article/view/65
Watson, D., Clark, L. A., & Tellegen, A. (1988). Development and validation of brief measures of positive and negative affect: The PANAS scales. Journal of Personality and Social Psychology, 54(6), 1063–1070. https://doi.org/10.1037/0022-3514.54.6.1063
Wei, T., & Simko, V. (2021). corrplot: Visualization of a correlation matrix (Version 0.92) [R package]. https://CRAN.R-project.org/package=corrplot
Yu, S., Zhong, Z., Zhu, Y., & Sun, J. (2024). Green emotion: Incorporating emotional perception in green marketing to increase green purchase intentions. Sustainability, 16(12), 4935. https://doi.org/10.3390/su16124935
Zhang, F., Chen, J., Tang, Q., & Tian, Y. (2024). Evaluation of emotion classification schemes in social media text: An annotation-based approach. BMC Psychology, 12, Article 503. https://doi.org/10.1186/s40359-024-02008-w
Zhang, M. (2025). Decoding consumer behavior in the used car market: A machine learning approach to key decision factors. ITM Web of Conferences, 70, 04033. https://doi.org/10.1051/itmconf/20257004033
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Francisco Jacobo Murillo López
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
