El análisis de decisiones de gestión estratégica y competitividad empresarial basado en inteligencia artificial

Las decisiones de gestión estratégica desempeñan un papel crucial en las operaciones de las empresas modernas.

por Yang Pu, Hao Li, Wenjia Hou y Pan Xing Chen

Abstract

Este trabajo busca mejorar la precisión y eficiencia de la toma de decisiones estratégicas corporativas, especialmente en entornos de mercado altamente competitivos y en constante cambio. Los métodos tradicionales de toma de decisiones estratégicas se basan en el juicio experiencial de los gerentes y presentan limitaciones al gestionar datos complejos y fluctuaciones frecuentes del mercado.

Para abordar esta cuestión, este trabajo propone un modelo de optimización híbrido que combina modelos transformadores y algoritmos de aprendizaje por refuerzo, diseñado para optimizar los procesos de toma de decisiones estratégicas corporativas y mejorar la competitividad. En primer lugar, se revisan estudios relevantes sobre la toma de decisiones estratégicas y la competitividad corporativa, aclarando el potencial y las ventajas de la inteligencia artificial (IA) en el apoyo a la toma de decisiones.

En segundo lugar, el modelo híbrido se desarrolla y entrena mediante etapas que incluyen la recopilación y el preprocesamiento de datos, la selección de algoritmos y la construcción del modelo, así como el entrenamiento y la validación del modelo.

Finalmente, se aplican datos reales para evaluar el rendimiento del modelo en indicadores como el tiempo de entrenamiento, la velocidad de convergencia y la efectividad de la predicción. Los resultados demuestran que el modelo híbrido converge con éxito en 150 iteraciones y presenta ventajas sustanciales sobre los algoritmos tradicionales, especialmente en la precisión de la predicción de la cuota de mercado (92%), la tasa de crecimiento de los beneficios (91%) y la satisfacción del cliente (89%).

La implementación del modelo genera mejoras notables en la posición corporativa en el mercado, la influencia de la marca y la capacidad de innovación tecnológica. El trabajo demuestra que el modelo híbrido mejora el rigor científico y la precisión en la toma de decisiones. Al mismo tiempo, fortalece la competitividad corporativa y la capacidad de respuesta al mercado, lo que pone de relieve el gran potencial de las tecnologías de IA en la gestión estratégica. Este trabajo proporciona a las empresas una herramienta de apoyo a la toma de decisiones eficiente y fiable, que facilita el mantenimiento de ventajas competitivas en entornos de mercado complejos y dinámicos.

Introducción

Las decisiones de gestión estratégica desempeñan un papel crucial en las operaciones de las empresas modernas . ^1. Implican la formulación de estrategias a largo plazo en un entorno de mercado competitivo para lograr una asignación óptima de recursos y mejorar la ventaja competitiva . ^2. Una toma de decisiones estratégica eficaz permite a las empresas ajustar su dirección operativa, responder a los cambios del mercado y mantener una competitividad sostenida en un entorno empresarial dinámico . ^3. Por lo tanto, la toma de decisiones estratégicas con fundamento científico y razonable en un mercado complejo y en constante evolución se ha convertido en un gran reto para los directivos empresariales.

Sin embargo, los métodos tradicionales de toma de decisiones estratégicas presentan numerosas limitaciones, como una dependencia excesiva del juicio subjetivo de los gerentes, capacidades insuficientes de procesamiento de datos y una capacidad limitada para modelar relaciones variables complejas. Estos métodos suelen resultar inadecuados al abordar fluctuaciones de mercado de alta frecuencia, el manejo de datos masivos y tareas de toma de decisiones multidimensionales ^4 , 5 . Por lo tanto, se espera que la introducción de la tecnología de inteligencia artificial (IA) con capacidades de minería de datos, identificación de tendencias y aprendizaje fortalezca significativamente el carácter científico y prospectivo de la gestión estratégica.

En los últimos años, la aplicación de la IA en la gestión estratégica se ha convertido en un tema candente. Con el avance del big data, el aprendizaje automático y las tecnologías de aprendizaje profundo, la IA proporciona potentes capacidades de análisis de datos y soporte para la toma de decisiones ⁶ . En la gestión estratégica, la IA puede ayudar a las empresas a predecir con mayor precisión las tendencias del mercado, analizar la dinámica de la competencia y optimizar el proceso de toma de decisiones ⁷ . Mediante la aplicación de algoritmos avanzados, las empresas pueden extraer información valiosa de grandes cantidades de datos, logrando una planificación estratégica precisa y ajustes en tiempo real ⁸ . La introducción de estas tecnologías no solo mejora la naturaleza científica y precisa de las decisiones, sino que también acelera el proceso de toma de decisiones, permitiendo a las empresas responder con mayor rapidez a los cambios del mercado.

En la gestión estratégica tradicional, la toma de decisiones corporativas se basa principalmente en el juicio experiencial de los directivos y en herramientas analíticas estáticas. Si bien estos métodos han demostrado ser relativamente eficaces en el pasado, presentan tres limitaciones significativas en el actual entorno empresarial, dinámico y con un alto consumo de información. Los métodos tradicionales presentan limitaciones significativas en el procesamiento de datos de alta dimensión, a gran escala y actualizados en tiempo real, incluyendo el análisis de sentimiento en redes sociales, la dinámica del mercado en tiempo real y la monitorización del comportamiento de la competencia. Falta de adaptabilidad dinámica: La mayoría de los modelos de toma de decisiones convencionales operan de forma estática y no pueden actualizar las estrategias en tiempo real basándose en nueva información, lo que resulta en respuestas estratégicas reactivas con retrasos inherentes.

Dependencia de la experiencia subjetiva: Los responsables de la toma de decisiones humanos son particularmente susceptibles a sesgos cognitivos (como el exceso de confianza y la dependencia de la trayectoria) al enfrentarse a la incertidumbre y la complejidad, mientras que los sistemas de IA pueden aprender eficazmente de los datos históricos para mitigar estos sesgos.

En este contexto, la integración de las tecnologías de IA, en particular el aprendizaje automático, el aprendizaje profundo y el aprendizaje directo (RL), demuestra tanto la necesidad como las ventajas distintivas. Los sistemas de IA pueden procesar y analizar eficazmente datos estructurados y no estructurados, extrayendo información valiosa de fuentes masivas de información para mejorar la exhaustividad de la toma de decisiones. Los algoritmos de aprendizaje automático (RL) permiten el aprendizaje y la optimización continuos de estrategias, facilitando la formulación dinámica de estrategias que se adaptan a las fluctuaciones del mercado. Al integrar el modelado predictivo con algoritmos de optimización, la IA puede simular múltiples escenarios en entornos inciertos, ayudando a las empresas a desarrollar marcos estratégicos multidimensionales con visión de futuro.

En las decisiones de gestión estratégica, muchos académicos han realizado investigaciones exhaustivas sobre la aplicación de la tecnología de IA en los últimos años ⁹ . El método del cuadro de mando integral, aunque originalmente se utilizó para la evaluación del rendimiento en la gestión estratégica, ha atraído gradualmente la atención en su aplicación en el contexto de la IA ¹⁰ . Con respecto a la aplicación de la tecnología de IA, Rana et al. ¹¹ exploraron la aplicación de modelos de transformador en la toma de decisiones estratégicas a través de una investigación empírica sobre modelos de aprendizaje profundo. Su investigación indicó que el modelo de transformador funcionó excepcionalmente bien en el manejo de secuencias de datos complejas y la predicción de tendencias del mercado. Laguir et al. ¹² adoptaron un modelo basado en el mecanismo de autoatención; al compararlo con la red neuronal recurrente tradicional, descubrieron que el modelo de transformador podría mejorar la precisión de la predicción y la eficiencia computacional.

Kaggwa et al. ¹³ estudiaron la aplicación del aprendizaje por refuerzo (RL) en la toma de decisiones estratégicas. Verificaron el efecto del RL en la optimización dinámica de decisiones mediante la aplicación de Deep Q-Network (DQN) en el entorno simulado. Zhao et al. ¹⁴ también descubrieron que el RL podría optimizar el proceso de toma de decisiones y mejorar la adaptabilidad y la eficiencia mediante el aprendizaje continuo y el ajuste de estrategias. Stollberger et al. ¹⁵ analizaron la aplicación de la optimización bayesiana en la optimización de hiperparámetros de un modelo de IA. Su investigación demostró que la optimización bayesiana podría mejorar eficazmente el rendimiento del modelo, especialmente en el caso de un espacio de hiperparámetros extenso y complejo. Los resultados de la investigación de Balasubramanian et al. ¹⁶ indicaron que la optimización bayesiana podría proporcionar una mejor configuración del modelo bajo múltiples funciones objetivo, mejorando notablemente la capacidad de predicción y la estabilidad del modelo.

La comparación de los métodos de investigación relevantes se muestra en la Tabla 1:

Tabla 1 Comparación de los métodos de investigación relevantes.

De: El análisis de las decisiones de gestión estratégica y la competitividad empresarial basada en la inteligencia artificial

Investigación	Modelo	Fuentes de datos	Objetivo	Resultado principal	Limitación
Rana y otros 11	Transformador	Datos de series temporales financieras	Pronóstico de tendencias del mercado	La precisión aumentó en más del 5%	Carecía de un mecanismo de retroalimentación para la toma de decisiones
Laguir y otros 12	RNN vs Transformador	Conjunto de datos empresariales	Modelado de secuencias	El Transformer era superior a las RNN	El modelo era difícil de adaptar a múltiples tareas.
Kaggwa y otros 13	DQN	Entorno empresarial simulado	Optimización de la estrategia	Estabilidad de la estrategia mejorada	Modelado sin características de alta dimensión
Zhao y otros 14	Modelo de estrategia de RL	Datos económicos de múltiples fuentes	Optimización de la asignación de recursos	Mayor adaptabilidad	Falta de evaluación a largo plazo
Esta obra	Transformador + DQN (Modelo Híbrido)	Datos empresariales de múltiples fuentes	Gestión estratégica + Predicción de la competitividad empresarial	Precisión: 92%, la satisfacción del cliente aumentó en un 9%.	Debe realizar promoción y verificación intersectorial

Aunque la investigación existente ha logrado algunos resultados a nivel de algoritmo específico, en general existen las siguientes deficiencias. En primer lugar, el método es único y carece de fusión de múltiples modelos para mejorar la robustez del sistema; en segundo lugar, no integra sistemáticamente la teoría de la gestión estratégica y el marco del algoritmo de IA; en tercer lugar, la mayoría de los estudios se centran en indicadores de pronóstico a corto plazo, ignorando el modelado y la evaluación de dimensiones a largo plazo como la competitividad corporativa.

El objetivo de este trabajo es explorar cómo las tecnologías de IA pueden integrarse eficazmente en las decisiones de gestión estratégica para abordar las limitaciones de los métodos tradicionales de toma de decisiones. Si bien la investigación existente ha demostrado las importantes ventajas de la IA en el apoyo a la toma de decisiones, la integración de estas tecnologías con las teorías de gestión estratégica para lograr decisiones óptimas sigue siendo un problema pendiente.

Mediante un análisis exhaustivo de la aplicación de la IA en la gestión estratégica, este trabajo busca proporcionar a las empresas herramientas de toma de decisiones más científicas, promover la innovación y el perfeccionamiento de la gestión estratégica y, en última instancia, alcanzar un mayor éxito en un mercado altamente competitivo. Este trabajo se centra específicamente en cómo la gestión estratégica puede mejorar la competitividad corporativa mediante la IA.

La competitividad corporativa se refleja en la cuota de mercado y la rentabilidad. También incluye la influencia de la marca, la capacidad de innovación tecnológica y la flexibilidad para adaptarse a los cambios del mercado. Al aprovechar la toma de decisiones estratégicas asistida por IA, las empresas pueden integrar mejor los recursos internos y ajustar dinámicamente las estrategias, logrando así una optimización continua de las ventajas competitivas. Dadas las limitaciones de la investigación existente, este trabajo propone un marco de optimización híbrido que combina los modelos Transformer con RL.

Este marco posee potentes capacidades de extracción y modelado de características, a la vez que se adapta dinámicamente a entornos complejos, lo que permite la optimización automática de la estrategia y el ajuste de la retroalimentación. A diferencia de los enfoques que se basan únicamente en modelos de IA individuales, el modelo híbrido propuesto demuestra una adaptabilidad y eficacia superiores para responder a los cambios del mercado, optimizar las estrategias corporativas y mejorar la competitividad integral.

La investigación actual ha empleado algoritmos como máquinas de vectores de soporte y redes neuronales para facilitar la toma de decisiones estratégicas corporativas. Sin embargo, estos métodos suelen presentar una capacidad de generalización insuficiente o una alta dependencia de datos complejos. Por ejemplo, Silvestrini y Lavagna ¹⁷ indicaron que las redes neuronales profundas mostraron una estabilidad de aprendizaje limitada en contextos estratégicos dinámicos. En contraste, el modelo híbrido Transformer-RL propuesto aquí demuestra una sólida capacidad de extracción de características y una rápida adaptabilidad al entorno. Además, permite la optimización dinámica de la estrategia, lo que mejora notablemente la precisión en la toma de decisiones y la eficacia de la implementación.

El objetivo principal de este trabajo es explorar la aplicación de la tecnología de IA en la toma de decisiones estratégicas de gestión y evaluar su impacto en la mejora de la competitividad empresarial. Para lograr estos objetivos, el trabajo revisa los logros de investigación existentes, proporciona una descripción detallada del marco de aplicación de la IA y explica su implementación específica en la toma de decisiones estratégicas. También presenta la evaluación del rendimiento del modelo, sus efectos prácticos y su influencia en la competitividad empresarial. Finalmente, el trabajo resume sus hallazgos, ofrece sugerencias de mejora y describe futuras líneas de investigación. La innovación de la investigación reside en la aplicación de tecnologías avanzadas de IA, en particular los modelos de transformadores y los algoritmos de aprendizaje automático (RL), en la toma de decisiones estratégicas de gestión.

Modelo de investigación

Fundamento teórico de la investigación

El fundamento teórico de este trabajo reside principalmente en la intersección de la gestión estratégica y la tecnología de IA. En primer lugar, la teoría de la gestión estratégica proporciona el marco de toma de decisiones y los principios rectores para este trabajo ¹⁸ . La gestión estratégica implica los procesos mediante los cuales las empresas analizan, formulan, implementan y evalúan estrategias para alcanzar sus objetivos a largo plazo y el desarrollo sostenible en un entorno competitivo. Las teorías clásicas de la gestión estratégica incluyen la teoría de la ventaja competitiva de Porter, la visión basada en recursos (RBV) y la teoría de las capacidades dinámicas. Estas teorías ofrecen una base teórica sobre cómo las empresas pueden mantener la competitividad en un entorno de mercado complejo y en constante cambio ^19 , 20 .

La Teoría de la Ventaja Competitiva de Porter enfatiza que las empresas deben lograr ventaja competitiva mediante tres estrategias básicas: liderazgo en costos, diferenciación y enfoque ^21 , 22. La Perspectiva Basada en Recursos postula que los recursos y capacidades únicos de una empresa son las fuentes fundamentales de su ventaja competitiva. La Teoría de las Capacidades Dinámicas afirma, además, que las empresas deben ajustar y reconfigurar continuamente sus recursos y capacidades para adaptarse a entornos en constante cambio ²³ .

Diseño de investigación e identificación de variables clave

Este trabajo abarca cinco aspectos principales: recopilación y preprocesamiento de datos, selección de algoritmos y construcción de modelos, entrenamiento y validación de modelos, soporte y salida de decisiones, y optimización y actualización continuas, como se ilustra en la Figura  1:

Figura 1

De: El análisis de las decisiones de gestión estratégica y la competitividad empresarial basada en la inteligencia artificial

Con base en el contenido de la Fig.  1 , la recopilación y el preprocesamiento de datos forman la base de todo el diseño del modelo. Para garantizar la exhaustividad y representatividad de los datos, los datos relacionados con la gestión estratégica se recopilan a través de varios canales, incluidos datos de mercado, datos de operaciones corporativas internas e información de la competencia. En términos de selección de algoritmos y construcción de modelos, este trabajo emplea algoritmos Transformer y algoritmos RL. El entrenamiento y la validación del modelo son pasos críticos en el diseño del modelo, asegurando que el modelo tenga una buena capacidad de generalización. En la etapa de soporte de decisiones y salida, el modelo entrenado puede hacer predicciones y análisis en tiempo real en nuevos datos de entrada, generando recomendaciones óptimas de decisiones estratégicas. Finalmente, en el proceso de aplicación práctica, se recopilan nuevos datos continuamente y el modelo se optimiza y actualiza iterativamente para asegurar su continua adaptabilidad a entornos cambiantes.

En la Tabla 2 se enumeran las variables de entrada y salida.

Tabla 2 Variables de entrada y variables de salida.

De: El análisis de las decisiones de gestión estratégica y la competitividad empresarial basada en la inteligencia artificial

Tipo de variable	Nombre de la variable	Descripción
Variables de entrada	Datos de mercado	Tendencias de desarrollo de la industria, cambios en la demanda del mercado, indicadores macroeconómicos
	Datos corporativos internos	Estado financiero, eficiencia operativa, asignación de recursos humanos
	Información de la competencia	Estrategias de mercado de los competidores, actualizaciones de productos e investigación y desarrollo tecnológico
Variables de salida	Eficacia de las decisiones	Cuota de mercado, tasa de crecimiento de las ganancias y satisfacción del cliente
	Mejora de la competitividad de las empresas	Posición competitiva de las empresas en el mercado, influencia de la marca y capacidades de innovación tecnológica

Construcción del modelo del algoritmo

Este trabajo emplea modelos Transformer modernos y algoritmos de aprendizaje profundo (RL) para abordar problemas complejos de toma de decisiones estratégicas. El modelo Transformer, una arquitectura de aprendizaje profundo que ha alcanzado un éxito notable en el procesamiento del lenguaje natural en los últimos años, es principalmente innovador debido a su mecanismo de autoatención. Este mecanismo captura eficientemente las dependencias a largo plazo en datos de secuencias ²⁴ . El modelo Transformer consta de dos partes: el codificador y el decodificador. El codificador procesa los datos de entrada a través de múltiples capas de autoatención y capas de red neuronal de avance, mientras que el decodificador convierte la salida del codificador en los resultados finales de predicción ²⁵ . El mecanismo de autoatención se calcula mediante la ecuación ( 1 ):

$$\text{Atención}(Q,K,V)=\text{Softmax}\left(\frac{Q{K}^{T}}{\sqrt{{d}_{k}}}\right)V$$(1)

\(Q\) , \(K\) y \(V\) representan las matrices de consulta, clave y valor, respectivamente, y \({d}_{k}\) es la dimensión de la clave.

La función de activación de la Unidad Lineal de Error Gaussiano (GELU), definida como la ecuación ( 2 ), se utiliza:

$$f(x)=x\cdot\Phi (x)$$(2)

\(\Phi\) es la función de distribución acumulativa de la distribución normal estándar.

La pérdida de entropía cruzada se utiliza para medir la discrepancia entre las predicciones y las etiquetas reales, definida como la ecuación ( 3 ):

$$L=-\sum_{i=1}^{N} {y}_{i}log\left({\widehat{y}}_{i}\right)$$(3)

\({y}_{i}\) es la etiqueta real y \({\widehat{y}}_{i}\) es la probabilidad prevista.

El aprendizaje por retroalimentación (RL) es un método de aprendizaje basado en mecanismos de recompensa y castigo, especialmente adecuado para escenarios que requieren una toma de decisiones dinámica ^26 , 27. El algoritmo principal utilizado es el DQN ^28. El núcleo del algoritmo de aprendizaje Q es la función Q, que evalúa el rendimiento a largo plazo de realizar una acción específica en un estado dado ^29 , 30. La actualización del valor Q se define mediante la ecuación ( 4 ):

$$Q\left( {s_{t} ,a_{t} } \right) \leftarrow Q\left( {s_{t} ,a_{t} } \right) + \alpha \left[ {r_{t + 1} + \gamma \mathop {\max }\limits_{{a^{\prime } }} Q\left( {s_{t + 1} ,a^{\prime } } \right) – Q\left( {s_{t} ,a_{t} } \right)} \right]$$(4)

\({s}_{t}\) es el estado actual, \({a}_{t}\) es la acción realizada, \({r}_{t+1}\) es la recompensa recibida, \(\gamma\) es el factor de descuento y \(\alpha\) es la tasa de aprendizaje.

Para garantizar la estabilidad del entrenamiento y la diversidad de muestras, el mecanismo de repetición de experiencias configura un búfer de repetición con una capacidad de 100 000 registros. Durante cada iteración, se muestrean aleatoriamente 64 muestras (minilote) para el entrenamiento de la red, con una frecuencia de muestreo de una vez por paso de entrenamiento. Al interrumpir las correlaciones temporales, la repetición de experiencias mitiga las altas interdependencias entre las muestras, mejorando así la capacidad de generalización del modelo y la velocidad de convergencia.

Se utiliza una red neuronal profunda para aproximar la función Q. El entrenamiento de la red emplea un mecanismo de repetición de experiencias para mejorar la estabilidad del entrenamiento ^31 , 32. Para combinar las ventajas de los modelos Transformer y los algoritmos de RL, este trabajo propone una estrategia de optimización híbrida. El modelo Transformer se utiliza para la extracción de características de los datos de entrada con el fin de capturar dependencias complejas en datos de secuencia, mientras que el algoritmo de RL optimiza dinámicamente las decisiones basándose en estas características extraídas ^33 , 34. Durante el proceso de optimización, las características generadas por el modelo Transformer se utilizan para la representación del estado de RL, y el algoritmo de RL ajusta la estrategia de decisión en función de estos estados ^35 , 36 .

El flujo de trabajo del modelo se muestra en la Fig.  2 :

En la Fig.  2 , el marco forma un ciclo completo de aprendizaje dinámico que abarca la entrada de datos, la codificación de características, el aprendizaje de políticas y la recomendación de resultados con actualizaciones de retroalimentación. El módulo Transformer extrae las dependencias a largo plazo en las características de las tendencias del mercado. El módulo DQN selecciona acciones y actualiza las políticas según el espacio de estados, lo que permite la generación dinámica de recomendaciones de optimización estratégica.

Este trabajo incorpora tres categorías de datos relevantes para la estrategia: datos de mercado (p. ej., tasa de crecimiento del sector, cambios en la demanda de los clientes, indicadores macroeconómicos); datos corporativos internos (p. ej., estados financieros, tasa de rotación de personal, márgenes brutos de los productos); datos de la competencia (p. ej., fluctuaciones de la cuota de mercado, recuento de patentes, eventos de financiación pública). Se trata de conjuntos de datos brutos heterogéneos y multidimensionales.

Primero se adopta un proceso unificado de ingeniería de características para transformar los datos en características numéricas estructuradas para el modelado algorítmico. Las variables de series temporales (p. ej., ventas mensuales, ganancias trimestrales) conservan el orden temporal como entradas del modelo Transformer. Las variables categóricas (p. ej., tipos de estrategia competitiva) se procesan mediante codificación one-hot o vectores de incrustación. Las variables continuas (p. ej., cuota de mercado) se normalizan antes de la entrada directa al modelo. Finalmente, las características se codifican en vectores densos de alta dimensión como secuencias de entrada para el Transformer. Mediante mecanismos de autoatención, el Transformer extrae relaciones de dependencia críticas y genera un vector de estado compuesto que sirve como “estado del entorno” para la DQN de RL.

El DQN selecciona las “acciones” (estrategias) óptimas según el estado actual. Estas acciones se diseñan como recomendaciones estratégicas concretas, que incluyen aumentar la asignación presupuestaria para líneas de negocio específicas, ajustar la asignación de recursos humanos, entrar en mercados emergentes el próximo trimestre y participar en la competencia de precios con la competencia. Las acciones resultantes se representan en informes de recomendaciones estratégicas en lenguaje natural para la toma de decisiones ejecutivas. Este proceso de “sugerencia estratégica” incorpora la retroalimentación corporativa real (p. ej., cambios en las ganancias, variaciones en la satisfacción del cliente) como señales de recompensa para las iteraciones posteriores de aprendizaje de refuerzo.

Optimización de algoritmos

En el proceso de optimización de algoritmos, este trabajo emplea diversas estrategias avanzadas de optimización para mejorar el rendimiento del modelo de transformador y del algoritmo RL. En primer lugar, el ajuste adaptativo de la tasa de aprendizaje es una técnica para ajustar dinámicamente la tasa de aprendizaje. Las tasas de aprendizaje fijas tradicionales pueden provocar una convergencia lenta o inestable durante el entrenamiento del modelo ^(37 , 38) . Para abordar este problema, este trabajo utiliza un algoritmo de tasa de aprendizaje adaptativo. El optimizador Adam combina el método de momento y el ajuste adaptativo de la tasa de aprendizaje, ajustando la tasa de aprendizaje de cada parámetro mediante el cálculo de las estimaciones de momento de primer y segundo orden del gradiente. Las reglas de actualización del optimizador Adam se dan en las ecuaciones ( 5-9 ):

metroel=β1metroel−1+(1−β1)gramoel(5)

vel=β2vel−1+(1−β2)gramoel2(6)

metro^el=metroel1−β12(7)

v^el=vel1−β2el(8)

θel+1=θel−ηmetro^elel^el+ϵ(9)

metroelyvelson las estimaciones de momento y varianza del gradiente, respectivamente.β1yβ2son los factores de decaimiento del momento,ηes la tasa de aprendizaje, yϵes un término de suavizado para evitar la división por cero.

En comparación con los métodos de optimización tradicionales con tasas de aprendizaje fijas (p. ej., Descenso de Gradiente Estocástico), el optimizador Adam muestra una capacidad superior para ajustar dinámicamente las magnitudes de actualización de parámetros, lo que resulta especialmente adecuado para redes complejas de alta dimensión. En el entrenamiento práctico, el optimizador Adam asigna tasas de aprendizaje adaptativas a parámetros individuales según las escalas de variación del gradiente. Por lo tanto, puede acelerar la velocidad de convergencia en las etapas iniciales, reducir los fenómenos de oscilación y mejorar la estabilidad final del entrenamiento. Este enfoque permite que el modelo alcance rangos óptimos con mayor eficiencia, a la vez que reduce eficazmente los ciclos de iteración y las fluctuaciones de pérdida.

A continuación, la estrategia de optimización híbrida aprovecha las ventajas tanto del modelo de transformador como del algoritmo RL. Para optimizar los hiperparámetros en el modelo de transformador, este trabajo emplea la optimización bayesiana. Esta optimización guía la selección de hiperparámetros mediante el establecimiento de un modelo probabilístico (proceso gaussiano) del espacio de hiperparámetros ^39 , 40. La clave del proceso de optimización reside en utilizar el modelo probabilístico establecido para predecir el rendimiento de las configuraciones de hiperparámetros y, posteriormente, seleccionar la configuración óptima mediante una estrategia de exploración-explotación ^41. La función objetivo de la optimización bayesiana viene dada por la ecuación ( 10 ):

Función objetivo =metroaincógnitaθmimodelo [F(θ)](10)

θrepresenta los hiperparámetros, ymimodelo [F(θ)]es el rendimiento esperado bajo la configuración del hiperparámetro.

A diferencia de los métodos tradicionales de búsqueda en cuadrícula y búsqueda aleatoria, la optimización bayesiana introduce conocimiento previo y modelos de predicción probabilística para evaluar inteligentemente las configuraciones de hiperparámetros potencialmente óptimas dentro del espacio de búsqueda. Durante el ajuste de parámetros del modelo, la optimización bayesiana suele localizar soluciones casi óptimas con menos ensayos, lo que reduce la duración del ajuste y mejora la precisión. Esta metodología resulta especialmente ventajosa para espacios de parámetros de alta dimensión y escenarios de entrenamiento computacionalmente costosos, como la selección del número de cabezas de atención y las dimensiones de la capa oculta en arquitecturas Transformer.

La optimización bayesiana emplea procesos gaussianos para modelar el espacio de hiperparámetros. La distribución a priori adopta la Función de Base Radial común, ya que permite capturar los cambios suaves en el espacio de entrada. Este trabajo selecciona la mejora esperada como función de adquisición para guiar la optimización, equilibrando eficazmente la exploración y la explotación para garantizar una búsqueda enfocada en regiones potencialmente óptimas. El procedimiento de optimización ejecuta 100 iteraciones para identificar progresivamente las combinaciones óptimas de hiperparámetros. Durante cada iteración, el modelo se actualiza en función del conocimiento previo actual y los resultados experimentales, seleccionando finalmente la configuración óptima.

En la optimización del algoritmo RL, se adopta una estrategia de optimización multiobjetivo (MOO), utilizando el Algoritmo Genético de Ordenamiento No Dominado II (NSGA-II) para optimizar la función multiobjetivo de la política ^42 , 43. En este trabajo, el NSGA-II incorpora tres objetivos de optimización: mejora de la tasa de crecimiento de beneficios, maximización de la satisfacción del cliente y minimización del coste del consumo de recursos. Cada acción estratégica (p. ej., ajuste de la cuota de mercado o asignación de personal) corresponde a un valor tridimensional de la función objetivo.

NSGA-II genera múltiples conjuntos de soluciones mediante la inicialización de la población y la ordenación no dominada, manteniendo la diversidad mediante el cálculo de la distancia de aglomeración. Durante las iteraciones, la frontera de Pareto se aproxima progresivamente a los límites óptimos, y la solución más cercana al punto ideal se selecciona finalmente para las actualizaciones de la política del modelo. Esta metodología logra una asignación equilibrada de recursos y recomendaciones estratégicas bajo múltiples objetivos en conflicto.

NSGA-II clasifica los diferentes objetivos de la política y selecciona la política óptima utilizando la distancia de concentración ^44 , 45. El proceso de optimización se describe en las ecuaciones ( 11 ) y ( 12 ):

NSGA−II Optimización=Frente de Pareto(11)

Objetivo=mín.i(Costoi)(12)

Frente de Paretorepresenta la frontera de Pareto bajo múltiples objetivos, yCostoies el costo de la i -ésima función objetivo.

NSGA-II, como método MOO clásico, puede generar conjuntos de soluciones no dominadas al gestionar objetivos conflictivos en la selección de estrategias (p. ej., maximización de beneficios frente a minimización de costes), entre los cuales se pueden seleccionar estrategias óptimas en el sentido de Pareto. Durante el entrenamiento de políticas, al incorporar mecanismos de distancia de aglomeración y ordenamiento por rangos, el algoritmo evita eficazmente los óptimos locales, logrando así un equilibrio entre la diversidad de soluciones y la optimalidad global. Particularmente en entornos de mercado complejos, NSGA-II permite a los responsables de la toma de decisiones evaluar las compensaciones entre múltiples objetivos, proporcionando referencias de políticas más robustas para el aprendizaje por pares.

Finalmente, para la optimización híbrida del modelo de transformador y el algoritmo RL, se introducen métodos de aprendizaje por conjuntos para integrar los resultados de diferentes algoritmos de optimización ^46 , 47. Al realizar un promedio ponderado de los resultados de predicción del modelo de transformador y el algoritmo RL en diferentes etapas, se mejora aún más el rendimiento general del modelo ^48. La ecuación ponderada para el aprendizaje por conjuntos se da en la ecuación ( 13 ):

y^=alfa1y^1+alfa2y^2(13)

y^1yy^2son los resultados de predicción del modelo de transformador y el algoritmo RL, respectivamente, yalfa1yalfa2son los pesos correspondientes.

Diseño experimental y evaluación del desempeño

Recopilación de conjuntos de datos, entorno experimental y establecimiento de parámetros

Para garantizar la exhaustividad y fiabilidad de los datos, se seleccionaron tres conjuntos de datos públicos. Estos conjuntos abarcan datos de mercado, datos corporativos internos e información de la competencia, lo que proporciona el soporte necesario para la capacitación y la validación del modelo de toma de decisiones de gestión estratégica.

Específicamente, los Datos del Mercado Financiero de Kaggle comprenden datos históricos de operaciones de múltiples mercados financieros, incluyendo precios de acciones, volúmenes de operaciones e índices de mercado. Cada registro contiene los siguientes campos: marca de tiempo, símbolo bursátil, precio de apertura, precio de cierre, precio máximo, precio mínimo y volumen de operaciones. Los datos siguen un formato de serie temporal, donde cada punto de datos representa la información de operaciones de un solo día hábil. Todos los datos de operaciones se estandarizan para cumplir con los requisitos de entrada del modelo. Los datos de precios de acciones se normalizan restando la media y dividiendo por la desviación estándar para cada punto de datos, lo que permite al modelo procesar eficazmente datos con diferentes escalas de medición. Los Datos de Venta Minorista en Línea de la Universidad de California, Irvine (UCI) provienen del Repositorio de Aprendizaje Automático de UCI. Contienen registros de transacciones minoristas en línea, incluyendo el Identificador (ID) del pedido, información del producto, ID del cliente, marcas de tiempo del pedido y otros campos. Los datos están formateados en forma de tabla e incluyen números de pedido, descripciones de productos, cantidades de compra, precios unitarios e información del cliente. Para la entrada del modelo, las variables categóricas, como la información del producto y los ID de los clientes, se codifican en datos numéricos, mientras que la información temporal se convierte en variables de tiempo continuas que representan las marcas de tiempo de cada pedido. Todos los datos numéricos se procesan mediante el método de normalización de puntuación Z. Los datos de Crunchbase contienen información detallada sobre empresas, inversiones y actividades de financiación, incluyendo campos como nombres de empresas, importes de inversión, rondas de financiación y categorías de la industria. Este conjunto de datos proporciona principalmente información sobre la competencia para facilitar el análisis del modelo de las tendencias del mercado y el panorama competitivo. Dada la presencia de múltiples campos categóricos, todas las variables categóricas se transforman en variables ficticias y se estandarizan para fines analíticos. Tras el preprocesamiento, estos conjuntos de datos se fusionan en un conjunto de datos de entrada unificado, con selección de características y reducción de dimensionalidad aplicadas para garantizar la calidad y la consistencia de los datos. Todos los datos se convierten a formatos adecuados para el entrenamiento de los modelos Transformer y RL, lo que garantiza una transmisión eficaz de datos para el aprendizaje y la predicción del modelo.

En la Tabla 3 se presenta el entorno experimental de este trabajo.Tabla 3 Entorno de software y hardware.

Mesa de tamaño completo

En la Tabla 4 se presentan los parámetros de configuración de este trabajo.Tabla 4 Configuración de parámetros.

Mesa de tamaño completo

En la Tabla 4 , este trabajo selecciona 8 cabezas de atención para el modelo Transformer, ya que el mecanismo de atención multicabezal puede aprender simultáneamente diversas relaciones de características dentro de los datos de entrada. La configuración de 8 cabezas proporciona suficiente complejidad al modelo, evitando una sobrecarga computacional excesiva. La dimensión de la capa oculta se establece en 512, determinada como el valor óptimo mediante ajuste experimental, lo que captura eficazmente las dependencias a largo plazo en las secuencias, manteniendo al mismo tiempo la eficiencia computacional. Dimensiones menores pueden modelar inadecuadamente características complejas, mientras que dimensiones mayores podrían generar costos computacionales y sobreajuste. La tasa de aprendizaje inicial se establece en 0,001, un valor determinado mediante investigación preliminar y resultados experimentales. Las observaciones experimentales indican que tasas de aprendizaje excesivamente bajas resultan en un entrenamiento lento del modelo, mientras que tasas excesivamente altas conducen a procesos de entrenamiento inestables. Se implementa una estrategia de ajuste dinámico de la tasa de aprendizaje para mejorar la velocidad de convergencia y prevenir el sobreajuste. Asimismo, incorpora la disminución de la tasa de aprendizaje durante el entrenamiento, reduciéndola progresivamente a medida que aumentan las épocas de entrenamiento. Esta estrategia garantiza que el modelo se acerque gradualmente a las soluciones óptimas y logre una convergencia estable en etapas posteriores del entrenamiento.

Evaluación del desempeño

Resultados del entrenamiento y validación del modelo

El tiempo de entrenamiento y la velocidad de convergencia son indicadores importantes para evaluar la eficiencia del modelo. Un tiempo de entrenamiento más corto y una velocidad de convergencia más rápida indican que el modelo puede alcanzar un alto rendimiento en menos tiempo, ahorrando recursos computacionales y acelerando la velocidad de la aplicación. La Figura  3 compara el tiempo de entrenamiento y el número de iteraciones de diferentes algoritmos, así como los errores de entrenamiento y validación del modelo híbrido. Los algoritmos utilizados para la comparación incluyen regresión lineal, máquina de vectores de soporte (SVM), modelo de árbol de decisión y red neuronal.

La Figura  3a sugiere que el modelo híbrido muestra una ventaja significativa en el tiempo de entrenamiento en comparación con otros algoritmos complejos, como las redes neuronales, sin comprometer el rendimiento. El modelo híbrido converge en 150 iteraciones, mostrando una velocidad de convergencia mayor que la de modelos complejos como las redes neuronales y las máquinas de modelado de señales (SVM). La Figura  3b indica que, con el aumento de las iteraciones, los errores de entrenamiento y validación disminuyen gradualmente y se estabilizan, lo que sugiere que el modelo híbrido presenta buena convergencia y estabilidad durante el entrenamiento.

La figura  4 presenta el rendimiento de predicción del modelo híbrido y otros modelos tradicionales en el conjunto de validación.

La Figura  4 muestra que el modelo híbrido propuesto supera a otros algoritmos tradicionales en cuanto a precisión de predicción en el conjunto de validación, especialmente en indicadores clave como la cuota de mercado, la tasa de crecimiento de las ganancias y la satisfacción del cliente. El modelo alcanza una precisión de predicción del 92 % para la cuota de mercado, el 91 % para la tasa de crecimiento de las ganancias y el 89 % para la satisfacción del cliente en el conjunto de validación.

Evaluación de los efectos de la aplicación práctica

La aplicabilidad práctica y la eficacia del modelo se validan comparando indicadores como la cuota de mercado, la tasa de crecimiento de las ganancias y la satisfacción del cliente de una determinada empresa en 2023. Además, el impacto del modelo en la mejora de la competitividad se evalúa comparando los indicadores de competitividad de la empresa en diferentes períodos, como la posición en el mercado, la influencia de la marca y la capacidad de innovación tecnológica.

En la práctica, el modelo híbrido genera recomendaciones para la toma de decisiones estratégicas mediante el análisis de datos de mercado, datos corporativos internos e información de la competencia. Para evaluar la eficacia de estas decisiones, se comparan los cambios en los indicadores clave antes y después de implementar las recomendaciones del modelo. La Figura  5 muestra los resultados.

La Figura  5 revela que la cuota de mercado prevista por el modelo se alinea con los valores reales. Tras implementar las recomendaciones estratégicas sugeridas por el modelo híbrido, la cuota de mercado de la empresa aumenta significativamente, lo que indica la sólida capacidad predictiva y de orientación del modelo en términos de cuota de mercado. La tasa de crecimiento de las ganancias también mejora tras aplicar las sugerencias del modelo híbrido, lo que confirma aún más su eficacia en la toma de decisiones empresariales prácticas. La satisfacción del cliente presenta un aumento notable, alcanzando un máximo del 80 % en el cuarto trimestre, lo que demuestra la eficacia del modelo para optimizar la experiencia del cliente.

La mejora de la competitividad corporativa es un indicador crucial para evaluar los efectos prácticos del modelo. La eficacia de la aplicación del modelo híbrido se evalúa comparando los indicadores de competitividad de la empresa, como la posición en el mercado (ranking), la influencia de la marca y la capacidad de innovación tecnológica, en diferentes períodos. La Figura  6 presenta los resultados.

La Figura  6 muestra que, tras implementar las recomendaciones del modelo híbrido, la empresa experimenta mejoras significativas en su posicionamiento en el mercado, su influencia de marca y su capacidad de innovación tecnológica. Su posicionamiento en el mercado aumenta hasta dos posiciones, lo que indica que el modelo mejora eficazmente su competitividad.

Discusión

El diseño del modelo híbrido combina las ventajas de múltiples algoritmos, mejorando significativamente la eficiencia del entrenamiento y la precisión de la predicción mediante este enfoque de fusión multimodal. En comparación con un único algoritmo, el modelo híbrido captura patrones complejos en los datos de forma más completa, especialmente al abordar problemas multivariables, lo que demuestra una mayor flexibilidad. Optimiza tanto el tiempo de entrenamiento como la velocidad de convergencia al integrar las características de diferentes algoritmos. El rendimiento superior del modelo híbrido en el conjunto de validación está estrechamente relacionado con su diseño estructural intrínseco. Al ponderar e integrar los resultados de predicción de varios modelos, el modelo híbrido mitiga los posibles sesgos inherentes a los modelos individuales, mejorando así la precisión y la estabilidad de la predicción. Este enfoque es especialmente adecuado para aplicaciones que involucran características de datos complejas y relaciones no lineales pronunciadas. En cuanto a los efectos prácticos, las mejoras del modelo en la cuota de mercado, la tasa de crecimiento de los beneficios y la satisfacción del cliente validan su eficacia en la toma de decisiones empresariales. El modelo híbrido genera recomendaciones estratégicas mediante el análisis exhaustivo de datos de mercado, datos corporativos internos e información de la competencia. Estas recomendaciones han mejorado significativamente los indicadores clave de la empresa en la práctica.

Conclusión

Contribución a la investigación

Este trabajo combina la tecnología de IA con las decisiones de gestión estratégica para proponer un modelo híbrido innovador que optimiza el proceso de toma de decisiones estratégicas para las empresas. Las principales contribuciones de este trabajo son las siguientes. En primer lugar, este trabajo integra sistemáticamente el aprendizaje profundo, el aprendizaje automático y las técnicas de optimización bayesiana, aplicándolas de forma innovadora a la toma de decisiones estratégicas, mejorando así la precisión y el rendimiento en tiempo real de las decisiones. En segundo lugar, mediante experimentos comparativos, se valida la superioridad del modelo híbrido en indicadores clave como la cuota de mercado, la tasa de crecimiento de las ganancias y la satisfacción del cliente, proporcionando a las empresas una herramienta práctica de apoyo a la toma de decisiones. Además, el trabajo analiza en profundidad los efectos de la aplicación práctica del modelo, revelando su papel en la mejora de la competitividad corporativa. Esto enriquece el contenido de la investigación en el campo de la gestión estratégica y proporciona una base teórica y una referencia práctica para futuras investigaciones relacionadas.

Trabajos futuros y limitaciones de la investigación

A pesar del éxito de la aplicación del modelo híbrido en la toma de decisiones de gestión estratégica, aún presenta algunas limitaciones. En primer lugar, los escenarios de aplicación del modelo se centran principalmente en sectores y conjuntos de datos específicos, y su generalización y adaptabilidad intersectorial requieren mayor verificación. Además, el modelo actual presenta altos requisitos de calidad de los datos. En la práctica, las empresas pueden experimentar problemas con datos incompletos o ruido, lo que podría afectar al rendimiento y la estabilidad del modelo. Las investigaciones futuras pueden explorar las siguientes áreas: primero, ampliar el ámbito de aplicación del modelo para verificar su rendimiento en más sectores y bajo diferentes condiciones de datos; segundo, optimizar la eficiencia computacional del modelo y desarrollar métodos robustos para gestionar el ruido y la incompletitud de los datos; tercero, incorporar más factores externos, como cambios en las políticas y tendencias del mercado, para mejorar las capacidades del modelo para el apoyo a la toma de decisiones. Estos esfuerzos pueden mejorar aún más la viabilidad del modelo y su valor para una aplicación más amplia.

Disponibilidad de datos

Los conjuntos de datos utilizados y/o analizados durante el presente estudio están disponibles a pedido razonable del autor correspondiente Xingchen Pan a través del correo electrónico panxingchen0916@163.com.

Referencias

1. Wong, LW, Tan, GWH, Ooi, KB, Lin, B. y Dwivedi, YK. Gestión de riesgos basada en inteligencia artificial para mejorar la agilidad de la cadena de suministro: Un análisis PLS-SEM-ANN de dos etapas basado en aprendizaje profundo. Int. J. Prod. Res. 62 (15), 5535–5555 (2024).Artículo Google Académico 
2. Chen, M. y Du, W. Red de relaciones dinámicas y gestión internacional de la cadena de suministro empresarial mediante un algoritmo de optimización de enjambre de partículas con aprendizaje profundo. Expert Syst. , 41 (5), e13081. (2024).Artículo MatemáticasCienciaNet Google Académico 
3. Nagy, M., Lăzăroiu, G. y Valaskova, K. Inteligencia artificial y tecnologías robóticas autónomas en el contexto corporativo de las pymes: algoritmos de aprendizaje profundo y simulación virtual, redes de producción ciberfísicas y sistemas de fabricación basados ​​en la industria 4.0. Appl. Sci. 13 (3), 1681 (2023).Artículo CAS Google Académico 
4. Tang, M. y Liao, H. De la toma de decisiones grupal convencional a la toma de decisiones grupal a gran escala: ¿Cuáles son los desafíos y cómo afrontarlos en la era del big data? Un estudio de vanguardia. Omega 100 , 102141 (2021).Artículo Google Académico 
5. Rajagopal, NK et al. El futuro de la cultura empresarial: Un marco digital basado en inteligencia artificial para la toma de decisiones organizacionales. Complexity 2022 (1), 7796507 (2022).Artículo Google Académico 
6. Cao, Y., Shao, Y. y Zhang, H. Estudio sobre la alerta temprana del riesgo financiero empresarial en el comercio electrónico basado en un algoritmo de aprendizaje profundo. Electron. Commer. Res. 22 (1), 21–36 (2022).Artículo Google Académico 
7. Tuboalabo, A., Buinwi, JA, Buinwi, U., Okatta, CG y Johnson, E. Aprovechamiento del análisis de negocios para obtener ventaja competitiva: Modelos predictivos y toma de decisiones basada en datos. Int. J. Manag. Entrepreneurship Res. 6 (6), 1997–2014 (2024).Artículo Google Académico 
8. Kim, K. y Kim, B. Modelo de toma de decisiones para reforzar estrategias de transformación digital basadas en tecnología de inteligencia artificial. Información 13 (5), 253 (2022).Artículo Google Académico 
9. Schmitt, M. Aprendizaje profundo en analítica empresarial: Un choque entre expectativas y realidad. Int. J. Inform. Manage. Data Insights . 3 (1), 100146 (2023).Google Académico 
10. Kitsios, F. y Kamariotou, M. Inteligencia artificial y estrategia empresarial hacia la transformación digital: Una agenda de investigación. Sustainability . 13 (4), 2025. (2021).Artículo Google Académico 
11. Rana, NP, Chatterjee, S., Dwivedi, YK y Akter, S. Comprensión del lado oscuro de la analítica empresarial integrada con inteligencia artificial (IA): Evaluación de la ineficiencia operativa y la competitividad de las empresas. Eur. J. Inform. Syst. 31 (3), 364–387 (2022).Artículo Google Académico 
12. Laguir, I., Gupta, S., Bose, I., Stekelorum, R. y Laguir, L. Capacidades analíticas y competitividad organizacional: Revelando el impacto de los sistemas de control de gestión y la incertidumbre del entorno. Decis. Support Syst. 156 , 113744 (2022).Artículo Google Académico 
13. Kaggwa, S. et al. IA en la toma de decisiones: Transformando las estrategias empresariales. Int. J. Res. Sci. Innov. 10 (12), 423–444 (2024).Google Académico 
14. Zhao, Y. et al. Desarrollo e innovación de estrategias de gestión del conocimiento empresarial mediante tecnología de redes neuronales de big data. J. Innov. Knowl. 7 (4), 100273 (2022).Artículo Google Académico 
15. Stollberger, J., Guillaume, Y. y Van Knippenberg, D. Inspirador, pero agotador: Cómo la complejidad emocional del líder moldea la creatividad del seguidor. Organ. Sci. 35 (3), 1015–1041 (2024).Artículo Google Académico 
16. Balasubramanian, N., Ye, Y. y Xu, M. Sustitución de la toma de decisiones humana por aprendizaje automático: Implicaciones para el aprendizaje organizacional. Acad. Manag. Rev. 47 (3), 448–465 (2022).Artículo Google Académico 
17. Silvestrini, S. y Lavagna, M. Aprendizaje profundo y redes neuronales artificiales para la dinámica, navegación y control de naves espaciales. Drones 6 (10), 270 (2022).Artículo Google Académico 
18. Huo, D. y Chaudhry, RR. HH.: Uso del aprendizaje automático para evaluar decisiones de ubicación de expansión global: Un análisis del sector manufacturero chino. Technol. Forecast. Soc. Chang. 163 , 120436 (2021).Artículo Google Académico 
19. Pap, J., Mako, C., Illessy, M., Kis, N. y Mosavi, A. Modelado del rendimiento organizacional con aprendizaje automático. J. Open. Innov. Technol. Market Complex. 8 (4), 177 (2022).Artículo Google Académico 
20. Hallioui, A., Herrou, B., Santos, RS, Katina, PF y Egbue, O. Enfoque sistémico para la gestión empresarial contemporánea: Un facilitador de la sostenibilidad empresarial en un contexto de industria 4.0, economía circular, competitividad y actores diversos. J. Clean. Prod. 373 , 133819 (2022).Artículo Google Académico 
21. Behl, A. Antecedentes del rendimiento y la competitividad de las empresas mediante el análisis de big data: Un estudio transcultural. Manag. Decis. 60 (2), 368–398 (2022).Artículo Google Académico 
22. Ribeiro, AMN, do Carmo, PRX, Endo, PT, Rosati, P. y Lynn, T. Pronóstico de carga a corto y muy corto plazo para almacenes: Comparación de modelos de aprendizaje automático y aprendizaje profundo. Energies 15 (3), 750 (2022).Artículo CAS Google Académico 
23. Chatterjee, S., Chaudhuri, R., Gupta, S., Sivarajah, U. y Bag, S. Evaluación del impacto del análisis de big data en los procesos de toma de decisiones, la previsión y el rendimiento de una empresa. Technol. Forecast. Soc. Chang. 196 , 122824 (2023).Artículo Google Académico 
24. Mahrinasari, MS et al. El impacto de los modelos de toma de decisiones y las prácticas de gestión del conocimiento en el rendimiento. Acad. Strategic Manage. J. 20 , 1–13 (2021).Google Académico 
25. Zhang, H., Zang, Z., Zhu, H., Uddin, MI y Amin, MA. Análisis de redes sociales basado en big data para el análisis competitivo de modelos de negocio y sistemas de toma de decisiones empresariales. Inf. Process. Manag. 59 (1), 102762 (2022).Artículo Google Académico 
26. Ranjan, J. y Foropon, C. Análisis de big data en el desarrollo de la inteligencia competitiva de las organizaciones. Int. J. Inf. Manag. 56 , 102231 (2021).Google Académico 
27. Bharadiya, JP. Aprendizaje automático e IA en inteligencia empresarial: Tendencias y oportunidades. Int. J. Comput. (IJC) . 48 (1), 123–134 (2023).Google Académico 
28. Ricardanto, P., Lembang, A., Tatiana, Y., Ruminda, M., Kholdun, A., Kusuma, IG, Sembiring, H., Sudewo, G., Suryani, D. & Endri, E. Gestión de riesgos empresariales y estrategia empresarial en el desempeño de la empresa: el papel de mediar la ventaja competitiva. Gestión incierta de la cadena de suministro . 11 (1), 249–260 (2023).Artículo Google Académico 
29. Shang, Y., Zhou, S., Zhuang, D., Żywiołek, J. y Dincer, H. El impacto de la aplicación de inteligencia artificial en el desempeño ambiental empresarial: evidencia de microempresas. Gondwana Res. 131 , 181–195 (2024).Artículo Anuncios Google Académico 
30. Jusman, IA, Ausat, AMA & Sumarna, A. Aplicación de Chatgpt en la gestión empresarial y toma de decisiones estratégicas. Jurnal Minfo Polgan . 12 (2), 1688–1697 (2023).Artículo Google Académico 
31. Bharadiya, JP. El rol del aprendizaje automático en la transformación de la inteligencia empresarial. Int. J. Comput. Artif. Intell. 4 (1), 16–24 (2023).Artículo Google Académico 
32. Grabowska, S. y Saniuk, S. Evaluación de la competitividad y la eficacia de un modelo de negocio abierto en el entorno de la industria 4.0. J. Open. Innov. Technol. Market Complex. 8 (1), 57 (2022).Artículo Google Académico 
33. Yan, Y. y Chu, D. Evaluación de la innovación en la gestión empresarial en la industria manufacturera mediante la toma de decisiones multicriterio difusa en el contexto de big data. Math. Probl. Eng. 2021 (1), 2439978 (2021).Google Académico 
34. Niu, Y., Ying, L., Yang, J., Bao, M. & Sivaparthipan, CB Inteligencia empresarial organizacional y toma de decisiones mediante análisis de big data. inf. Proceso. Gestionar. 58 (6), 102725 (2021).Artículo Google Académico 
35. Taherdoost, H. y Madanchian, M. Inteligencia artificial y análisis de sentimientos: Una revisión en investigación competitiva. Computers 12 (2), 37 (2023).Artículo Google Académico 
36. Bahoo, S., Cucculelli, M. y Qamar, D. Inteligencia artificial e innovación corporativa: Una revisión y agenda de investigación. Technol. Forecast. Soc. Chang. 188 , 122264 (2023).Artículo Google Académico 
37. Mishra, S. y Tripathi, Modelo de negocio de RA e IA: Un enfoque empresarial integrador. J. Innov. Entrepreneurship . 10 (1), 18 (2021).Artículo Google Académico 
38. Chen, S. y Lin, N. Cultura, productividad y competitividad: Desenredando los conceptos. Cross Cult. Strategic Management. 28 (1), 52–75 (2021).Artículo Google Académico 
39. Grant, R. y Phene, A. La perspectiva basada en el conocimiento y la estrategia global: Impacto pasado y potencial futuro. Glob. Strategy J. 12 (1), 3–30 (2022).Artículo Google Académico 
40. Sestino, A. y De Mauro, A. Aprovechamiento de la inteligencia artificial en los negocios: Implicaciones, aplicaciones y métodos. Technol. Anal. Strateg. Manag. 34 (1), 16–29 (2022).Artículo Google Académico 
41. Hou, H., Tang, K., Liu, X. y Zhou, Y. Aplicación de tecnología de inteligencia artificial optimizada mediante aprendizaje profundo al desarrollo financiero rural y la gobernanza rural. J. Global Inform. Manag. (JGIM) . 30 (7), 1–23 (2021).Artículo Google Académico 
42. Nassar, N. y Tvaronavičienė, M. Una revisión teórica sistemática sobre la gestión sostenible para la competitividad verde. Perspectivas sobre el Desarrollo Legislativo 3 (2), 267–281 (2021).Google Académico 
43. Terán-Bustamante, A., Martínez-Velasco, A. y Dávila-Aragón, G. Gestión del conocimiento para la innovación abierta: redes bayesianas mediante aprendizaje automático. J. Open. Innovation: Technol. Market Complex. 7 (1), 40 (2021).Artículo Google Académico 
44. Kamble, SS, Gunasekaran, A., Kumar, V., Belhadi, A. y Foropon, C. Un enfoque basado en aprendizaje automático para predecir la adopción de blockchain en la cadena de suministro. Technol. Forecast. Soc. Chang. 163 , 120465 (2021).Artículo Google Académico 
45. Perifanis, NA y Kitsios, F. Investigación de la influencia de la inteligencia artificial en el valor empresarial en la era digital de la estrategia: Una revisión bibliográfica. Información 14 (2), 85 (2023).Artículo Google Académico 
46. Ibeh, CV et al. Análisis de negocios y ciencia de la decisión: Una revisión de técnicas en la toma de decisiones estratégicas empresariales. World J. Adv. Res. Reviews . 21 (2), 1761–1769 (2024).Artículo Google Académico 
47. Jhurani, J. Revolucionando la planificación de recursos empresariales: El impacto de la inteligencia artificial en la eficiencia y la toma de decisiones para estrategias corporativas. Int. J. Comput. Eng. Technol. (IJCET) , 13 , 156–165 (2022).Google Académico 
48. Adigwe, CS et al. Pronosticando el futuro: La interacción entre la inteligencia artificial, la innovación y la competitividad y su efecto en la economía global. Asian J. Econ. Bus. Acc. 24 (4), 126–146 (2024).Artículo Google Académico 

Descargar referencias

Fondos

Este trabajo fue patrocinado en parte por la Investigación sobre el mecanismo y la ruta de distribución colaborativa para empresas de logística en el oeste de China potenciadas por una nueva productividad de calidad (subvención n.° GZF2024XZX03).

Información del autor

Autores y afiliaciones

1. Facultad de Negocios, Universidad de Ciencias Políticas y Derecho de Gansu, Lanzhou, 730070, Gansu, ChinaYang Pu, Wenjia Hou y Xingchen Pan
2. Facultad de Administración, Universidad de Comercio de Tianjin, Tianjin, 300134, Chinahao li

Contribuciones

Yang Pu: Conceptualización, metodología, software, validación, análisis formal, investigación, recursos, curación de datos, redacción—preparación del borrador original Hao Li: software, validación, análisis formal Wenjia Hou: visualización, supervisión Xingchen Pan: redacción—revisión y edición, visualización, supervisión, administración del proyecto, adquisición de fondos.

Autor correspondiente

Correspondencia a Xingchen Pan .

Información adicional

Nota del editor

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Palabras clave

• Inteligencia artificial
• Decisiones de gestión estratégica
• Modelo de optimización híbrido
• Evaluación del rendimiento del modelo

Temas

• Matemáticas aplicadas
• Ciencia computacional
• Ciencias de la Computación
• Tecnologías de la información
• Matemáticas y computación
• Matemáticas puras
• Datos científicos
• Software
• Estadística

Fuente: https://www.nature.com/articles/s41598-025-02842-x