Vol. 12/ Núm. 2 2025 pág. 3816
https://doi.org/10.69639/arandu.v12i2.1194
Inteligencia Artificial y mercadeo en redes sociales. Análisis
bibliométrico y revisión sistemática
Artificial Intelligence and Social Media Marketing: Bibliometric Analysis and
Systematic Review
Yina Patricia Atencia García
yina.atencia@uniminuto.edu.co
https://orcid.org/0009-0008-7713-9197
Corporación Universitaria Minuto de Dios – UNIMINUTO
Néstor Adolfo Ballesteros Puerto
nballester1@uniminuto.edu.co
https://orcid.org/0009-0000-0804-9317
Corporación Universitaria Minuto de Dios – UNIMINUTO
Hary Ferley Velásquez Durán
hvelasquezd@uniminuto.edu.co
https://orcid.org/0009-0008-4878-2861
Corporación Universitaria Minuto de Dios – UNIMINUTO
Jhony Alexander Barrera Liévano
jobarrera@uniminuto.edu
https://orcid.org/0000-0002-2274-2297
Corporación Universitaria Minuto de Dios – UNIMINUTO
Artículo recibido: 18 mayo 2025 - Aceptado para publicación: 28 junio 2025
Conflictos de intereses: Ninguno que declarar.
RESUMEN
Este artículo analiza el impacto de la inteligencia artificial (IA) en el desarrollo del mercadeo en
redes sociales, partiendo del reconocimiento de una problemática central, la cual tiene como base
que la evolución tecnológica ha superado los modelos tradicionales de marketing, generando la
necesidad de nuevas herramientas que respondan a un entorno digital cambiante y a consumidores
hiperconectados. El objetivo central planteado es determinar el aporte de la inteligencia artificial
al desarrollo de mercadeo en redes sociales desde la perspectiva de la literatura científica. Para
ello, se realizó una revisión sistemática de literatura y análisis bibliométrico, utilizando la
información registrada en la base de datos Scopus. Este análisis se centró en el periodo de tiempo
2015 - 2023. Los resultados revelan cinco categorías clave donde aporta de manera significativa
la IA: optimización de procesos, campañas publicitarias, desarrollo de estrategias, análisis de
datos y soluciones personalizadas. En conclusión, la IA ha transformado el marketing digital al
potenciar la automatización, la personalización y la toma de decisiones basada en datos. Sin
embargo, persisten desafíos éticos y tecnológicos que requieren mayor exploración en futuras
investigaciones.
Palabras clave: automatización, estrategias de marketing, publicidad, Big Data,
experiencia del cliente
Vol. 12/ Núm. 2 2025 pág. 3817
ABSTRACT
This article examines the impact of artificial intelligence (AI) on the development of marketing
in social media, based on the recognition of a central issue: technological evolution has surpassed
traditional marketing models, creating the need for new tools that can respond to a dynamic digital
environment and hyperconnected consumers. The main objective is to determine the contribution
of artificial intelligence to the development of social media marketing from the perspective of
scientific literature. To achieve this, a systematic literature review and bibliometric analysis were
conducted, using data from the Scopus database. The analysis focused on the period from 2015
to 2023. The results reveal five key categories in which AI makes a significant contribution:
process optimization, advertising campaigns, strategy development, data analysis, and
personalized solutions. In conclusion, AI has transformed digital marketing by enhancing
automation, personalization, and data-driven decision-making. However, ethical and
technological challenges remain, requiring further exploration in future research.
Keywords: automation, marketing strategies, advertising, Big Data, customer experience
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
ABSTRACT
This article examines the impact of artificial intelligence (AI) on the development of marketing
in social media, based on the recognition of a central issue: technological evolution has surpassed
traditional marketing models, creating the need for new tools that can respond to a dynamic digital
environment and hyperconnected consumers. The main objective is to determine the contribution
of artificial intelligence to the development of social media marketing from the perspective of
scientific literature. To achieve this, a systematic literature review and bibliometric analysis were
conducted, using data from the Scopus database. The analysis focused on the period from 2015
to 2023. The results reveal five key categories in which AI makes a significant contribution:
process optimization, advertising campaigns, strategy development, data analysis, and
personalized solutions. In conclusion, AI has transformed digital marketing by enhancing
automation, personalization, and data-driven decision-making. However, ethical and
technological challenges remain, requiring further exploration in future research.
Keywords: automation, marketing strategies, advertising, Big Data, customer experience
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 12/ Núm. 2 2025 pág. 3818
INTRODUCCIÓN
Desde los tiempos de su aparición, el mercadeo se ha concebido como una pieza
primordial en el desarrollo y funcionamiento de las empresas, independientemente de su tamaño,
ubicación, razón social, etc. Esto, debido a que mediante sus técnicas y estrategias se hace posible
establecer relaciones sólidas y duraderas con los diferentes grupos de interés, y de este modo,
lograr la obtención de un beneficio. Kotler (2005), como se citó en Prieto et. al. (2007) plantea
que resulta indispensable la aplicación de políticas de marketing que permitan la perdurabilidad
de las organizaciones.
Sin embargo, como consecuencia de la constante evolución del mercado y la llegada de
la era digital, tanto las metodologías como los canales y demás herramientas utilizadas para lograr
un mercadeo acertado y altamente efectivo, se han ido quedando atrás. Lo cual, revela la urgencia
e importancia de cambiar y adaptarse a las nuevas necesidades y al mundo actual (Marrugo-
Mendoza, 2022). Esto se puede notar en el hecho de que con la introducción del internet, para
poder conseguir no solo la satisfacción, sino la fidelización de los clientes y consumidores es
necesario entender que el marketing debe buscar otro tipo de ventas donde la personalización de
estas y la segmentación adecuada, son factores fundamentales. Así las cosas, y teniendo en cuenta
las diferentes investigaciones en la materia, se le apuesta a la creación de emociones y
experiencias, al compromiso con el ambiente y a las nuevas formas de expresión, para lo cual, se
deben desarrollar e incluir nuevos instrumentos de recolección de la información que faciliten el
acercamiento con el público al que se quiere llegar, como es, a saber, la muy reconocida y llamada
inteligencia artificial.
Al realizar un análisis más detallado de lo anteriormente mencionado, es necesario
describir de forma específica los respectivos componentes a los que se hace referencia en la
presentación de dicho contexto. De este modo, se puede iniciar hablando un poco sobre mercadeo.
Según Armstrong y Kotler (2013) es un proceso social y de dirección a través del cual las personas
y las empresas logran sus objetivos y satisfacen sus necesidades mediante la generación del valor
intercambiado entre todos los actores implicados. Es por ello, que como disciplina tiene el
objetivo principal de establecer los requerimientos del mercado, de tal forma que se le pueda
proporcionar la mayor satisfacción posible mediante los productos y servicios (Cruz et al., 2017).
Dicho de otra manera, el mercadeo es considerado como el conjunto de acciones que ejecuta una
organización con el fin de identificar y estudiar los problemas y necesidades del mercado y con
base en ello ofrecerles una solución adecuada, conquistando el mayor número de consumidores
(Ardila-Sánchez y Calderón-Serrano, 2022). Para ello, se deben tener en cuenta una serie de
factores cuya aplicación es de vital relevancia, tanto si se habla de productos como si se trata de
servicios. Puente (2005) plantea que el rol del marketing clásico, para el caso de los productos,
consiste en cerrar la brecha existente en medio de la fabricación y el consumo a través de la
INTRODUCCIÓN
Desde los tiempos de su aparición, el mercadeo se ha concebido como una pieza
primordial en el desarrollo y funcionamiento de las empresas, independientemente de su tamaño,
ubicación, razón social, etc. Esto, debido a que mediante sus técnicas y estrategias se hace posible
establecer relaciones sólidas y duraderas con los diferentes grupos de interés, y de este modo,
lograr la obtención de un beneficio. Kotler (2005), como se citó en Prieto et. al. (2007) plantea
que resulta indispensable la aplicación de políticas de marketing que permitan la perdurabilidad
de las organizaciones.
Sin embargo, como consecuencia de la constante evolución del mercado y la llegada de
la era digital, tanto las metodologías como los canales y demás herramientas utilizadas para lograr
un mercadeo acertado y altamente efectivo, se han ido quedando atrás. Lo cual, revela la urgencia
e importancia de cambiar y adaptarse a las nuevas necesidades y al mundo actual (Marrugo-
Mendoza, 2022). Esto se puede notar en el hecho de que con la introducción del internet, para
poder conseguir no solo la satisfacción, sino la fidelización de los clientes y consumidores es
necesario entender que el marketing debe buscar otro tipo de ventas donde la personalización de
estas y la segmentación adecuada, son factores fundamentales. Así las cosas, y teniendo en cuenta
las diferentes investigaciones en la materia, se le apuesta a la creación de emociones y
experiencias, al compromiso con el ambiente y a las nuevas formas de expresión, para lo cual, se
deben desarrollar e incluir nuevos instrumentos de recolección de la información que faciliten el
acercamiento con el público al que se quiere llegar, como es, a saber, la muy reconocida y llamada
inteligencia artificial.
Al realizar un análisis más detallado de lo anteriormente mencionado, es necesario
describir de forma específica los respectivos componentes a los que se hace referencia en la
presentación de dicho contexto. De este modo, se puede iniciar hablando un poco sobre mercadeo.
Según Armstrong y Kotler (2013) es un proceso social y de dirección a través del cual las personas
y las empresas logran sus objetivos y satisfacen sus necesidades mediante la generación del valor
intercambiado entre todos los actores implicados. Es por ello, que como disciplina tiene el
objetivo principal de establecer los requerimientos del mercado, de tal forma que se le pueda
proporcionar la mayor satisfacción posible mediante los productos y servicios (Cruz et al., 2017).
Dicho de otra manera, el mercadeo es considerado como el conjunto de acciones que ejecuta una
organización con el fin de identificar y estudiar los problemas y necesidades del mercado y con
base en ello ofrecerles una solución adecuada, conquistando el mayor número de consumidores
(Ardila-Sánchez y Calderón-Serrano, 2022). Para ello, se deben tener en cuenta una serie de
factores cuya aplicación es de vital relevancia, tanto si se habla de productos como si se trata de
servicios. Puente (2005) plantea que el rol del marketing clásico, para el caso de los productos,
consiste en cerrar la brecha existente en medio de la fabricación y el consumo a través de la
Vol. 12/ Núm. 2 2025 pág. 3819
distribución, el proceso de comunicación, el precio y las decisiones que tengan relación con los
bienes, incluyendo la marca, el lanzamiento, su empaque, etc. lo que se conoce como las “cuatro
P”, lo cual, también ha sido nombrado durante mucho tiempo como “la mezcla de marketing”,
que se refiere a la agrupación de herramientas o variables que pueden ser controladas por quienes
realizan mercadeo y que impactan en la demanda, además pueden combinarse en un programa de
marketing utilizado por cualquier tipo de empresa con el fin de alcanzar un determinado nivel y
respuesta por parte del mercado al que está dirigido (Van Waterschoot y Van den Bulte, 1992,
como se citó en Baby y Londoño, 2008).
Es importante destacar, que el mercadeo como ciencia que se encarga de estudiar los
diferentes mercados, y cuyo objetivo es satisfacer las necesidades de quienes hacen parte de estos,
tomando como base la generación y el aporte de valor de la oferta de los bienes (tangibles e
intangibles), y que hace posible a las empresas crecer y mantenerse en el tiempo; alcanza su meta
a medida que tiene una respuesta acorde a los distintos cambios que se presentan en el entorno
(Melo, 2003). Es por ello, que se hace sumamente necesario el uso de las redes sociales para
canalizar lo anteriormente mencionado, teniendo en cuenta que son la tendencia en la actualidad,
pues es un error imaginar que somos ajenos al mundo digital. Dado que, de una forma u otra nos
encontramos sumergidos en la era de la tecnología, la cual es de total relevancia a la hora de
transmitir todo tipo de información cubriendo los distintos sectores de interacción social, y que
sin darse cuenta hacen uso de esta de diferentes maneras (Merejo, 2013). A propósito de ello, Peña
et al. (2018) plantea que, en el presente, los expertos en mercadeo están en la obligación de ser
mucho más abiertos a las opiniones de quienes compran o son posibles clientes, ya que hay
conexión a los dispositivos electrónicos por parte de estos durante todo el día incluso en las
noches. Es más, las redes sociales precisan de más velocidad todo el tiempo, lo cual conlleva a
reflexionar sobre el modelo de planeación estratégica orientada al mercadeo y que aporte
significativamente en el desarrollo de las organizaciones, sin perder de vista el fenómeno de la
globalización y las distintas alianzas o tratados comerciales, con el fin de lograr una mayor
competitividad de manera que pueda ser sostenida y duradera. Asimismo, según Londoño et al.
(2018) mediante la internet, tanto la publicidad como la información tienen la posibilidad de
extenderse a un menor costo a cualquier lugar del planeta. Esto ha logrado que las organizaciones
y quienes se dedican al comercio, hagan uso de este medio con el fin de promover sus actividades
comerciales y así volverse más asequible para las personas a través de la promoción de bienes y
servicios sin que se requiera de un punto físico para hacerlo. Al mismo tiempo, se muestran los
diferentes beneficios que se aportan al sector comercial y a la economía del mundo.
Por otra parte, las redes sociales en la actualidad representan una gran importancia en la
vida cotidiana. Según Dijck (2016), las tecnologías de información y comunicación han
evolucionado significativamente en los últimos doscientos años; transformando las prácticas
sociales diarias.
distribución, el proceso de comunicación, el precio y las decisiones que tengan relación con los
bienes, incluyendo la marca, el lanzamiento, su empaque, etc. lo que se conoce como las “cuatro
P”, lo cual, también ha sido nombrado durante mucho tiempo como “la mezcla de marketing”,
que se refiere a la agrupación de herramientas o variables que pueden ser controladas por quienes
realizan mercadeo y que impactan en la demanda, además pueden combinarse en un programa de
marketing utilizado por cualquier tipo de empresa con el fin de alcanzar un determinado nivel y
respuesta por parte del mercado al que está dirigido (Van Waterschoot y Van den Bulte, 1992,
como se citó en Baby y Londoño, 2008).
Es importante destacar, que el mercadeo como ciencia que se encarga de estudiar los
diferentes mercados, y cuyo objetivo es satisfacer las necesidades de quienes hacen parte de estos,
tomando como base la generación y el aporte de valor de la oferta de los bienes (tangibles e
intangibles), y que hace posible a las empresas crecer y mantenerse en el tiempo; alcanza su meta
a medida que tiene una respuesta acorde a los distintos cambios que se presentan en el entorno
(Melo, 2003). Es por ello, que se hace sumamente necesario el uso de las redes sociales para
canalizar lo anteriormente mencionado, teniendo en cuenta que son la tendencia en la actualidad,
pues es un error imaginar que somos ajenos al mundo digital. Dado que, de una forma u otra nos
encontramos sumergidos en la era de la tecnología, la cual es de total relevancia a la hora de
transmitir todo tipo de información cubriendo los distintos sectores de interacción social, y que
sin darse cuenta hacen uso de esta de diferentes maneras (Merejo, 2013). A propósito de ello, Peña
et al. (2018) plantea que, en el presente, los expertos en mercadeo están en la obligación de ser
mucho más abiertos a las opiniones de quienes compran o son posibles clientes, ya que hay
conexión a los dispositivos electrónicos por parte de estos durante todo el día incluso en las
noches. Es más, las redes sociales precisan de más velocidad todo el tiempo, lo cual conlleva a
reflexionar sobre el modelo de planeación estratégica orientada al mercadeo y que aporte
significativamente en el desarrollo de las organizaciones, sin perder de vista el fenómeno de la
globalización y las distintas alianzas o tratados comerciales, con el fin de lograr una mayor
competitividad de manera que pueda ser sostenida y duradera. Asimismo, según Londoño et al.
(2018) mediante la internet, tanto la publicidad como la información tienen la posibilidad de
extenderse a un menor costo a cualquier lugar del planeta. Esto ha logrado que las organizaciones
y quienes se dedican al comercio, hagan uso de este medio con el fin de promover sus actividades
comerciales y así volverse más asequible para las personas a través de la promoción de bienes y
servicios sin que se requiera de un punto físico para hacerlo. Al mismo tiempo, se muestran los
diferentes beneficios que se aportan al sector comercial y a la economía del mundo.
Por otra parte, las redes sociales en la actualidad representan una gran importancia en la
vida cotidiana. Según Dijck (2016), las tecnologías de información y comunicación han
evolucionado significativamente en los últimos doscientos años; transformando las prácticas
sociales diarias.
Vol. 12/ Núm. 2 2025 pág. 3820
En una revisión exhaustiva de la literatura, Sicilia et al. (2021) destacan que las redes
sociales están cada vez más presentes en nuestra vida diaria. Según estos autores, el 72% de los
usuarios de Internet poseen un perfil en al menos una red social y dedican en promedio, dos horas
y veinte minutos diarios a estas plataformas.
Con base en esta información, se evidencia que, en el contexto actual las empresas han
tenido que priorizar el mercadeo de sus productos y servicios, integrándolos de manera constante
en las redes sociales y en un ecosistema online. Sicilia et al. (2021) también destacan que el
desarrollo y la consolidación de estas plataformas han dado lugar a un cliente más activo, tanto
en el proceso de búsqueda de información, como en la recomendación a otros consumidores.
Según Boyd y Ellison (2007), las redes sociales se pueden describir como plataformas
que ofrecen a los usuarios la posibilidad de crear un perfil, ya sea público o semipúblico, dentro
de un sistema definido. Además, permiten a las personas establecer vínculos con otros usuarios
con quienes tienen alguna conexión y explorar tanto esas conexiones, como las de otros
participantes en la misma plataforma.
Branding (2021) describe el mercadeo en redes sociales como una herramienta que
permite a empresas, profesionales y organizaciones de diversos tamaños conectar y establecer
relaciones con clientes y usuarios. En ese mismo orden de ideas, los consumidores valoran cada
vez más la afinidad de las campañas de mercadeo en redes sociales con causas similares a sus
principios, filosofía y valores, por ejemplo, temáticas como la responsabilidad ambiental y el
activismo social, según Benedetti (2017), un 82% de los consumidores considera que deberían
involucrarse activamente en la solución de los problemas ambientales.
Por otro lado, Sicilia et al. (2021) destacan que durante la pandemia de COVID-19 se
produjo una aceleración notable en el uso de redes sociales, con un crecimiento exponencial que
generó presión sobre las empresas para integrar estas plataformas en sus estrategias de ventas.
En la actualidad, el mercadeo está comenzando a incorporar la inteligencia artificial en
sus procesos. Según Liberos et al. (2024), esta tecnología se ha convertido en una herramienta
importante para la transformación digital de los negocios, ya que facilita a los profesionales la
toma de decisiones fundamentadas en datos y optimiza el proceso creativo al automatizar tareas
que anteriormente se realizaban de forma manual.
Es así como, el mercadeo contemporáneo ha evolucionado hacia un enfoque basado en
datos, cifras, con procesos automatizados e inteligentes. Este cambio de paradigma, según lo que
exponen Chintalapati y Kumar Pandey (2022), está transformando los resultados del proceso de
mercadeo al incorporar tecnologías avanzadas y de última generación. La recopilación y el
análisis de datos son factores muy importantes para modelar, personalizar y predecir
comportamientos de usuario y de compra, lo que permite diseñar estrategias que pueden resultar
efectivas y que le dan ventajas competitivas (Gkikas y Theodoridis, 2022). Esta evolución
también ha ampliado el alcance y el espectro del marketing digital, al incorporar tecnologías como
En una revisión exhaustiva de la literatura, Sicilia et al. (2021) destacan que las redes
sociales están cada vez más presentes en nuestra vida diaria. Según estos autores, el 72% de los
usuarios de Internet poseen un perfil en al menos una red social y dedican en promedio, dos horas
y veinte minutos diarios a estas plataformas.
Con base en esta información, se evidencia que, en el contexto actual las empresas han
tenido que priorizar el mercadeo de sus productos y servicios, integrándolos de manera constante
en las redes sociales y en un ecosistema online. Sicilia et al. (2021) también destacan que el
desarrollo y la consolidación de estas plataformas han dado lugar a un cliente más activo, tanto
en el proceso de búsqueda de información, como en la recomendación a otros consumidores.
Según Boyd y Ellison (2007), las redes sociales se pueden describir como plataformas
que ofrecen a los usuarios la posibilidad de crear un perfil, ya sea público o semipúblico, dentro
de un sistema definido. Además, permiten a las personas establecer vínculos con otros usuarios
con quienes tienen alguna conexión y explorar tanto esas conexiones, como las de otros
participantes en la misma plataforma.
Branding (2021) describe el mercadeo en redes sociales como una herramienta que
permite a empresas, profesionales y organizaciones de diversos tamaños conectar y establecer
relaciones con clientes y usuarios. En ese mismo orden de ideas, los consumidores valoran cada
vez más la afinidad de las campañas de mercadeo en redes sociales con causas similares a sus
principios, filosofía y valores, por ejemplo, temáticas como la responsabilidad ambiental y el
activismo social, según Benedetti (2017), un 82% de los consumidores considera que deberían
involucrarse activamente en la solución de los problemas ambientales.
Por otro lado, Sicilia et al. (2021) destacan que durante la pandemia de COVID-19 se
produjo una aceleración notable en el uso de redes sociales, con un crecimiento exponencial que
generó presión sobre las empresas para integrar estas plataformas en sus estrategias de ventas.
En la actualidad, el mercadeo está comenzando a incorporar la inteligencia artificial en
sus procesos. Según Liberos et al. (2024), esta tecnología se ha convertido en una herramienta
importante para la transformación digital de los negocios, ya que facilita a los profesionales la
toma de decisiones fundamentadas en datos y optimiza el proceso creativo al automatizar tareas
que anteriormente se realizaban de forma manual.
Es así como, el mercadeo contemporáneo ha evolucionado hacia un enfoque basado en
datos, cifras, con procesos automatizados e inteligentes. Este cambio de paradigma, según lo que
exponen Chintalapati y Kumar Pandey (2022), está transformando los resultados del proceso de
mercadeo al incorporar tecnologías avanzadas y de última generación. La recopilación y el
análisis de datos son factores muy importantes para modelar, personalizar y predecir
comportamientos de usuario y de compra, lo que permite diseñar estrategias que pueden resultar
efectivas y que le dan ventajas competitivas (Gkikas y Theodoridis, 2022). Esta evolución
también ha ampliado el alcance y el espectro del marketing digital, al incorporar tecnologías como
Vol. 12/ Núm. 2 2025 pág. 3821
el Big Data, el Internet de las Cosas (IoT) y los sistemas de recomendación personalizados, los
cuales redefinen la manera en que las empresas interactúan y se relacionan con sus clientes.
La inteligencia artificial (IA) se ha convertido en un instrumento muy importante en el
marketing, ya que, se integra en procesos como la gestión de relaciones con los clientes (CRM),
la personalización de experiencias y la optimización de estrategias publicitarias y de activaciones
de marca. Según Lies (2019), las empresas emplean datos provenientes de redes y plataformas
sociales, encuestas digitales y el registro de compras previas para enriquecer los perfiles de sus
clientes, lo que permite una individualización que incrementa la satisfacción y lealtad con la
marca. Esta personalización incluye también el envío de comunicaciones dirigidas y ofertas
únicas, desarrolladas a la medida, que fortalecen las relaciones entre marcas y consumidores.
Además, el concepto de Big Data ha revolucionado la capacidad de las empresas para
manejar grandes volúmenes de información. Dimitrieska (2018) argumenta que el procesamiento
de estos datos requiere tecnologías sofisticadas, necesarias para segmentar audiencias y crear
estrategias dirigidas a grupos poblacionales muy puntuales. Por ejemplo, Huang y Rust (2020)
señalan que la segmentación precisa basada en datos demográficos y comportamientos permite
adaptar los mensajes a nichos específicos, mejorando la efectividad del marketing. Asimismo,
herramientas como el Big Data permiten analizar las interacciones de los usuarios, brindando
información para predecir tendencias futuras y eventuales cambios en el comportamiento del
consumidor.
La automatización de procesos también ha desempeñado un rol muy importante en el
marketing digital. Las plataformas de Gestión de Relacionamiento con Clientes y herramientas
de automatización, como HubSpot, Salesforce y Adobe Marketo Engage, integran Inteligencia
Artificial para anticipar comportamientos y personalizar contenidos en tiempo real (Alunni,
2022). Estas soluciones al optimizar recursos también mejoran la relación entre las marcas y sus
clientes al ofrecer experiencias multicanal satisfactorias. Esta capacidad de personalización es
importante para mantener la competitividad en mercados saturados y cada vez más exigentes.
Por otro lado, los chatbots, definidos como sistemas de interacción que comprenden y
responden a las necesidades del usuario, representan un avance significativo en la experiencia del
cliente. Adamopoulou y Moussiades (2020) explican que estas herramientas proporcionan
respuestas instantáneas y paralelamente personalizan las interacciones, aumentando la
productividad y eficiencia de las empresas. Los chatbots, además permiten atender consultas de
manera ininterrumpida las 24 horas del día, los 365 días del año; lo que incrementa la satisfacción
del cliente y reduce costos operativos.
La publicidad programática es otro ámbito donde la Inteligencia Artificial tiene un
impacto profundo. Según Bartolomé (2020) el uso de algoritmos para predecir resultados y
personalizar campañas permite a las empresas maximizar su retorno de inversión. A pesar de los
retos relacionados con la privacidad, como la gestión de datos personales de los usuarios, y la
el Big Data, el Internet de las Cosas (IoT) y los sistemas de recomendación personalizados, los
cuales redefinen la manera en que las empresas interactúan y se relacionan con sus clientes.
La inteligencia artificial (IA) se ha convertido en un instrumento muy importante en el
marketing, ya que, se integra en procesos como la gestión de relaciones con los clientes (CRM),
la personalización de experiencias y la optimización de estrategias publicitarias y de activaciones
de marca. Según Lies (2019), las empresas emplean datos provenientes de redes y plataformas
sociales, encuestas digitales y el registro de compras previas para enriquecer los perfiles de sus
clientes, lo que permite una individualización que incrementa la satisfacción y lealtad con la
marca. Esta personalización incluye también el envío de comunicaciones dirigidas y ofertas
únicas, desarrolladas a la medida, que fortalecen las relaciones entre marcas y consumidores.
Además, el concepto de Big Data ha revolucionado la capacidad de las empresas para
manejar grandes volúmenes de información. Dimitrieska (2018) argumenta que el procesamiento
de estos datos requiere tecnologías sofisticadas, necesarias para segmentar audiencias y crear
estrategias dirigidas a grupos poblacionales muy puntuales. Por ejemplo, Huang y Rust (2020)
señalan que la segmentación precisa basada en datos demográficos y comportamientos permite
adaptar los mensajes a nichos específicos, mejorando la efectividad del marketing. Asimismo,
herramientas como el Big Data permiten analizar las interacciones de los usuarios, brindando
información para predecir tendencias futuras y eventuales cambios en el comportamiento del
consumidor.
La automatización de procesos también ha desempeñado un rol muy importante en el
marketing digital. Las plataformas de Gestión de Relacionamiento con Clientes y herramientas
de automatización, como HubSpot, Salesforce y Adobe Marketo Engage, integran Inteligencia
Artificial para anticipar comportamientos y personalizar contenidos en tiempo real (Alunni,
2022). Estas soluciones al optimizar recursos también mejoran la relación entre las marcas y sus
clientes al ofrecer experiencias multicanal satisfactorias. Esta capacidad de personalización es
importante para mantener la competitividad en mercados saturados y cada vez más exigentes.
Por otro lado, los chatbots, definidos como sistemas de interacción que comprenden y
responden a las necesidades del usuario, representan un avance significativo en la experiencia del
cliente. Adamopoulou y Moussiades (2020) explican que estas herramientas proporcionan
respuestas instantáneas y paralelamente personalizan las interacciones, aumentando la
productividad y eficiencia de las empresas. Los chatbots, además permiten atender consultas de
manera ininterrumpida las 24 horas del día, los 365 días del año; lo que incrementa la satisfacción
del cliente y reduce costos operativos.
La publicidad programática es otro ámbito donde la Inteligencia Artificial tiene un
impacto profundo. Según Bartolomé (2020) el uso de algoritmos para predecir resultados y
personalizar campañas permite a las empresas maximizar su retorno de inversión. A pesar de los
retos relacionados con la privacidad, como la gestión de datos personales de los usuarios, y la
Vol. 12/ Núm. 2 2025 pág. 3822
eliminación de cookies de terceros (Cook García, 2022), esta tecnología sigue siendo un factor
importante para alcanzar audiencias específicas.
Finalmente, el Internet de las Cosas (IoT) amplía las capacidades del marketing al
conectar dispositivos y recopilar datos de forma automática. Pisano (2018) destaca que esta
tecnología mejora la toma de decisiones al identificar tendencias y optimizar estrategias en tiempo
real. Asimismo, el Internet de las Cosas permite que las empresas integren múltiples canales para
ofrecer experiencias novedosas y alineadas con las expectativas de los consumidores modernos.
Dado lo anterior, como objetivo principal para esta investigación se plantea determinar el
aporte de la inteligencia artificial al desarrollo de mercadeo en redes sociales desde la perspectiva
de la literatura científica.
METODOLOGÍA
Este documento busca ser una contribución relevante al campo de conocimiento, para lo
cual emplea la revisión de la literatura como método, la cual se entiende como un proceso que
aplica técnicas sistemáticas a estudios individuales para recopilar información que permita
responder a una pregunta específica, clara y bien formulada (Dekkers et al., 2019). Para ello, se
sigue la propuesta metodológica de Petticrew y Roberts (2006), diseñada para las ciencias
sociales, la cual consta de seis pasos clave. Además, esta metodología se complementa con la
implementación de los ítems incluidos en el protocolo de la declaración PRISMA (2020), tal como
se detalla a continuación:
Paso 1) Formulación de la(s) pregunta(s) de investigación: Se plantea una pregunta
central de investigación, a saber: ¿Cómo aporta la inteligencia artificial al desarrollo de mercadeo
en redes sociales? De igual manera, como pregunta complementaria se plantea ¿Cuáles son las
principales contribuciones de las investigaciones respecto al uso de inteligencia artificial en el
desarrollo de mercadeo en redes sociales?
Paso 2) Selección de base(s) de datos y definición de la(s) ecuación(es) de búsqueda:
La revisión se lleva a cabo utilizando la base de datos de referencias bibliográficas Scopus. Los
términos principales que se emplean en la ecuación de búsqueda se detallan en la tabla 1, de donde
se derivan algunos sinónimos o términos clave similares, junto con sus respectivas traducciones
al inglés, los cuales se utilizan para aumentar la precisión de la búsqueda y, de esta manera,
ampliar el alcance de los resultados.
Tabla 1
Términos para utilizar en la ecuación de búsqueda en la base Scopus
Inteligencia artificial Mercadeo Redes sociales
artificial intelligence Marketing Social media
IA Social networks
eliminación de cookies de terceros (Cook García, 2022), esta tecnología sigue siendo un factor
importante para alcanzar audiencias específicas.
Finalmente, el Internet de las Cosas (IoT) amplía las capacidades del marketing al
conectar dispositivos y recopilar datos de forma automática. Pisano (2018) destaca que esta
tecnología mejora la toma de decisiones al identificar tendencias y optimizar estrategias en tiempo
real. Asimismo, el Internet de las Cosas permite que las empresas integren múltiples canales para
ofrecer experiencias novedosas y alineadas con las expectativas de los consumidores modernos.
Dado lo anterior, como objetivo principal para esta investigación se plantea determinar el
aporte de la inteligencia artificial al desarrollo de mercadeo en redes sociales desde la perspectiva
de la literatura científica.
METODOLOGÍA
Este documento busca ser una contribución relevante al campo de conocimiento, para lo
cual emplea la revisión de la literatura como método, la cual se entiende como un proceso que
aplica técnicas sistemáticas a estudios individuales para recopilar información que permita
responder a una pregunta específica, clara y bien formulada (Dekkers et al., 2019). Para ello, se
sigue la propuesta metodológica de Petticrew y Roberts (2006), diseñada para las ciencias
sociales, la cual consta de seis pasos clave. Además, esta metodología se complementa con la
implementación de los ítems incluidos en el protocolo de la declaración PRISMA (2020), tal como
se detalla a continuación:
Paso 1) Formulación de la(s) pregunta(s) de investigación: Se plantea una pregunta
central de investigación, a saber: ¿Cómo aporta la inteligencia artificial al desarrollo de mercadeo
en redes sociales? De igual manera, como pregunta complementaria se plantea ¿Cuáles son las
principales contribuciones de las investigaciones respecto al uso de inteligencia artificial en el
desarrollo de mercadeo en redes sociales?
Paso 2) Selección de base(s) de datos y definición de la(s) ecuación(es) de búsqueda:
La revisión se lleva a cabo utilizando la base de datos de referencias bibliográficas Scopus. Los
términos principales que se emplean en la ecuación de búsqueda se detallan en la tabla 1, de donde
se derivan algunos sinónimos o términos clave similares, junto con sus respectivas traducciones
al inglés, los cuales se utilizan para aumentar la precisión de la búsqueda y, de esta manera,
ampliar el alcance de los resultados.
Tabla 1
Términos para utilizar en la ecuación de búsqueda en la base Scopus
Inteligencia artificial Mercadeo Redes sociales
artificial intelligence Marketing Social media
IA Social networks
Vol. 12/ Núm. 2 2025 pág. 3823
Con base en lo anterior, para el desarrollo de la búsqueda se emplea la siguiente ecuación:
(Artificial intelligence OR AI) AND (Marketing) AND (social media OR social networks).
Paso 3) Formulación de criterios de inclusión y exclusión: Se establecen los siguientes
criterios de inclusión y exclusión: periodo de revisión, 2015-2023; tipo de documentos: artículos,
libros, capítulos de libros, papeles de conferencias; idioma del documento: inglés. Asimismo,
como criterio de inclusión se considera la disponibilidad de la versión completa del documento.
Paso 4) Análisis bibliométrico: Dada la relevancia del análisis bibliométrico (Ceballos-
Parra et al., 2018), en este caso se utiliza la estadística descriptiva, abordando categorías o factores
como la identificación de la revista, los autores, las instituciones de afiliación, los países, entre
otros, lo que permite identificar tendencias en la generación de conocimiento relacionado con el
objeto de la presente investigación.
Paso 5) Evaluación de la calidad científica de las publicaciones: Para evaluar la calidad
científica de los documentos incluidos en la revisión sistemática, se emplean once criterios
propuestos por Petticrew y Roberts (2006) y adaptados por Gast et al. (2017). Estos criterios
evalúan la claridad del objetivo de investigación, la idoneidad del método seleccionado para
responder a la pregunta de investigación, la suficiencia de los datos procesados y su análisis, la
claridad del contexto del problema de investigación, la presentación de los resultados, la
confiabilidad y validez de la investigación, y si se responde o no a la pregunta de investigación
con base en evidencia empírica (Zabala-Vargas et al., 2020). Cada criterio se puntúa según tres
parámetros: el criterio no está definido (0.0), el criterio se presenta, pero no con total claridad
(0.5), y el criterio se presenta con total claridad (1.0) (Salinas, 2025; Rojas et al. 2025). La escala
de valoración va de 0 a 11, y para que un documento sea incluido en la revisión, debe obtener una
puntuación mínima de 6 (González et al., 2025; Lopera et al. 2025).
Una vez aplicados todos los criterios establecidos para la revisión sistemática, estos se
desarrollan siguiendo lo planteado en la declaración PRISMA (2020), como se ilustra en la figura
1.
Con base en lo anterior, para el desarrollo de la búsqueda se emplea la siguiente ecuación:
(Artificial intelligence OR AI) AND (Marketing) AND (social media OR social networks).
Paso 3) Formulación de criterios de inclusión y exclusión: Se establecen los siguientes
criterios de inclusión y exclusión: periodo de revisión, 2015-2023; tipo de documentos: artículos,
libros, capítulos de libros, papeles de conferencias; idioma del documento: inglés. Asimismo,
como criterio de inclusión se considera la disponibilidad de la versión completa del documento.
Paso 4) Análisis bibliométrico: Dada la relevancia del análisis bibliométrico (Ceballos-
Parra et al., 2018), en este caso se utiliza la estadística descriptiva, abordando categorías o factores
como la identificación de la revista, los autores, las instituciones de afiliación, los países, entre
otros, lo que permite identificar tendencias en la generación de conocimiento relacionado con el
objeto de la presente investigación.
Paso 5) Evaluación de la calidad científica de las publicaciones: Para evaluar la calidad
científica de los documentos incluidos en la revisión sistemática, se emplean once criterios
propuestos por Petticrew y Roberts (2006) y adaptados por Gast et al. (2017). Estos criterios
evalúan la claridad del objetivo de investigación, la idoneidad del método seleccionado para
responder a la pregunta de investigación, la suficiencia de los datos procesados y su análisis, la
claridad del contexto del problema de investigación, la presentación de los resultados, la
confiabilidad y validez de la investigación, y si se responde o no a la pregunta de investigación
con base en evidencia empírica (Zabala-Vargas et al., 2020). Cada criterio se puntúa según tres
parámetros: el criterio no está definido (0.0), el criterio se presenta, pero no con total claridad
(0.5), y el criterio se presenta con total claridad (1.0) (Salinas, 2025; Rojas et al. 2025). La escala
de valoración va de 0 a 11, y para que un documento sea incluido en la revisión, debe obtener una
puntuación mínima de 6 (González et al., 2025; Lopera et al. 2025).
Una vez aplicados todos los criterios establecidos para la revisión sistemática, estos se
desarrollan siguiendo lo planteado en la declaración PRISMA (2020), como se ilustra en la figura
1.
Vol. 12/ Núm. 2 2025 pág. 3824
Figura 1
Esquematización aplicación método establecido en la declaración PRISMA
Fuente. Adaptado de: Yepes-Núñez et al (2021)
Una vez desarrollado el proceso de selección según los parámetros establecidos, de los
245 documentos identificados en la base de datos de referencias bibliográficas Scopus, se obtiene
un total de 88 registros para la revisión. La tabla 3 muestra el listado de documentos incluidos,
relacionando los siguientes datos: ID del documento (número identificador dentro de la presente
revisión), cita del documento, año de publicación, y número de citas.
Tabla 2
Documentos incluidos en la revisión sistemática
ID Cita Año Citas ID Cita Año Citas
1 Bozorgi A. et al. (2017) 2017 109 45 Bello-Orgaz et al. (2015) 2015 8
2 Broséus J. et al. (2016) 2016 100 46 Ali et al. (2023) 2023 6
3 Overgoor G. et al. (2019) 2019 98 47 Alnoor et al. (2022) 2022 6
4 Volkova S. et al. (2015) 2015 97 48 Aljabri y Mohammad (2023) 2023 5
5 Radesky J. et al. (2020) 2020 86 49 Gao et al. (2023) 2023 5
6 Kumar S. et al. (2020) 2020 70 50 Li y Yang (2023) 2023 4
7 Lochter J.V. et al. (2016) 2016 49 51 Chen et al. (2020) 2020 4
8 Montgomery K.C. et al.
(2017) 2017 45 52 Hsu et al. (2017) 2017 4
Figura 1
Esquematización aplicación método establecido en la declaración PRISMA
Fuente. Adaptado de: Yepes-Núñez et al (2021)
Una vez desarrollado el proceso de selección según los parámetros establecidos, de los
245 documentos identificados en la base de datos de referencias bibliográficas Scopus, se obtiene
un total de 88 registros para la revisión. La tabla 3 muestra el listado de documentos incluidos,
relacionando los siguientes datos: ID del documento (número identificador dentro de la presente
revisión), cita del documento, año de publicación, y número de citas.
Tabla 2
Documentos incluidos en la revisión sistemática
ID Cita Año Citas ID Cita Año Citas
1 Bozorgi A. et al. (2017) 2017 109 45 Bello-Orgaz et al. (2015) 2015 8
2 Broséus J. et al. (2016) 2016 100 46 Ali et al. (2023) 2023 6
3 Overgoor G. et al. (2019) 2019 98 47 Alnoor et al. (2022) 2022 6
4 Volkova S. et al. (2015) 2015 97 48 Aljabri y Mohammad (2023) 2023 5
5 Radesky J. et al. (2020) 2020 86 49 Gao et al. (2023) 2023 5
6 Kumar S. et al. (2020) 2020 70 50 Li y Yang (2023) 2023 4
7 Lochter J.V. et al. (2016) 2016 49 51 Chen et al. (2020) 2020 4
8 Montgomery K.C. et al.
(2017) 2017 45 52 Hsu et al. (2017) 2017 4
Vol. 12/ Núm. 2 2025 pág. 3825
ID Cita Año Citas ID Cita Año Citas
9 Kaiser C. et al. (2020) 2020 42 53 Sun y Zhang (2023) 2023 3
10 Iosa M. et al. (2021) 2021 25 54 Villegas-Ch. et al. (2022) 2022 3
11 Lin L.-F. y Li Y.-M. (2021) 2021 25 55 Al-Sammarraie et al. (2022) 2022 3
12 Liu X. et al. (2018) 2018 24 56 Tzafilkou K. et al. (2023) 2023 3
13 Carpentier A. y Valko M.
(2016) 2016 24 57 Kim M.G. et al. (2019) 2019 3
14 Salminen J. et al. (2022) 2022 21 58 Ramos y Hassan (2022) 2022 2
15 Khajehnejad M. et al.
(2020) 2020 20 59 Gera y Sinha (2022) 2022 2
16 Maharani W. y Gozali A.A.
(2015) 2015 20 60 Okazaki y Inoue (2022) 2022 2
17 Wang C. (2022) 2022 19 61 Bello M.J.G. (2019) 2019 2
18 Wang H. et al. (2020) 2020 19 62 Lin S. et al. (2015) 2015 2
19 Salavati C. y Abdollahpouri
A. (2019) 2019 18 63 You Q. et al. (2015) 2015 2
20 Wang S. et al. (2023) 2023 17 64 Hassine M, et al. (2023) 2023 1
21 Tang S. (2018) 2018 17 65 Schierreich (2023) 2023 1
22 Oklander M. et al. (2018) 2018 16 66 Singh, Verma, Vij, y Thakur
(2023) 2023 1
23 Abebe R. et al. (2018) 2018 16 67 Armas-Arias, S., et al (2022) 2022 1
24 Kang J. y Tong H. (2021) 2021 15 68 Cuomo & Foroudi (2023) 2023 1
25 Ballesterías, Llaguno, &
Sainz (2022) 2022 15 69 Jasim, Saeed, y Raewf
(2022) 2022 1
26 Aydin G. y Silahtaroglu G.
(2021) 2021 14 70 Algarni y Ismail (2023) 2023 1
27 Gera S. y Sinha A. (2022) 2022 13 71
DBATM) optimization
algorithm: a computationally
intelligent viral marketing
Approach
2023 1
28 Khean N. et al. (2018) 2018 13 72 Karatas A. y Sahin S. (2022) 2022 1
29 Xu P. et al. (2019) 2019 13 73 Tantisuwankul J. et al.
(2020) 2020 1
30 Quijano-Sánchez L. y
Liberatore F. (2017) 2017 12 74 Hamdan H. et al. (2017) 2017 1
31 Xu et al. (2020) 2020 11 75 Song Y. et al. (2018) 2018 1
ID Cita Año Citas ID Cita Año Citas
9 Kaiser C. et al. (2020) 2020 42 53 Sun y Zhang (2023) 2023 3
10 Iosa M. et al. (2021) 2021 25 54 Villegas-Ch. et al. (2022) 2022 3
11 Lin L.-F. y Li Y.-M. (2021) 2021 25 55 Al-Sammarraie et al. (2022) 2022 3
12 Liu X. et al. (2018) 2018 24 56 Tzafilkou K. et al. (2023) 2023 3
13 Carpentier A. y Valko M.
(2016) 2016 24 57 Kim M.G. et al. (2019) 2019 3
14 Salminen J. et al. (2022) 2022 21 58 Ramos y Hassan (2022) 2022 2
15 Khajehnejad M. et al.
(2020) 2020 20 59 Gera y Sinha (2022) 2022 2
16 Maharani W. y Gozali A.A.
(2015) 2015 20 60 Okazaki y Inoue (2022) 2022 2
17 Wang C. (2022) 2022 19 61 Bello M.J.G. (2019) 2019 2
18 Wang H. et al. (2020) 2020 19 62 Lin S. et al. (2015) 2015 2
19 Salavati C. y Abdollahpouri
A. (2019) 2019 18 63 You Q. et al. (2015) 2015 2
20 Wang S. et al. (2023) 2023 17 64 Hassine M, et al. (2023) 2023 1
21 Tang S. (2018) 2018 17 65 Schierreich (2023) 2023 1
22 Oklander M. et al. (2018) 2018 16 66 Singh, Verma, Vij, y Thakur
(2023) 2023 1
23 Abebe R. et al. (2018) 2018 16 67 Armas-Arias, S., et al (2022) 2022 1
24 Kang J. y Tong H. (2021) 2021 15 68 Cuomo & Foroudi (2023) 2023 1
25 Ballesterías, Llaguno, &
Sainz (2022) 2022 15 69 Jasim, Saeed, y Raewf
(2022) 2022 1
26 Aydin G. y Silahtaroglu G.
(2021) 2021 14 70 Algarni y Ismail (2023) 2023 1
27 Gera S. y Sinha A. (2022) 2022 13 71
DBATM) optimization
algorithm: a computationally
intelligent viral marketing
Approach
2023 1
28 Khean N. et al. (2018) 2018 13 72 Karatas A. y Sahin S. (2022) 2022 1
29 Xu P. et al. (2019) 2019 13 73 Tantisuwankul J. et al.
(2020) 2020 1
30 Quijano-Sánchez L. y
Liberatore F. (2017) 2017 12 74 Hamdan H. et al. (2017) 2017 1
31 Xu et al. (2020) 2020 11 75 Song Y. et al. (2018) 2018 1
Vol. 12/ Núm. 2 2025 pág. 3826
ID Cita Año Citas ID Cita Año Citas
32 Fernández-Gavilanes et al.
(2019) 2019 11 76 Babič F. y Drábiková A.
(2017) 2017 1
33 Buraya et al. (2018) 2018 11 77 Baysal, Ozyurek, Ozarslan,
& Celik (2023) 2023 0
34
DWIM): Influence
Maximization Using Deep
Learning
2023 10 78 Hanif et al. (2023) 2023 0
35 Shi y Wang (2023) 2023 10 79 Erskine et al. (2023) 2023 0
36 Gerlich et al. (2023) 2023 9 80 Giancaterino C.G. (2023) 2023 0
37 Zhang (2022) 2022 9 81 Bardi S. et al. (2023) 2023 0
38 Chen et al. (2016) 2016 9 82 Bastin Thiyagaraj P. y
Aloysius A. (2018) 2018 0
39 Singh et al. (2016) 2016 9 83 Chandler J.D. (2020) 2020 0
40 Liu et al. (2017) 2017 9 84 Wagih H.M. et al. (2019) 2019 0
41 Lu et al. (2015) 2015 9 85 Divya et al. (2021) 2021 0
42 Savytska et al. (2023) 2023 8 86 Suzuki R. et al. (2018) 2018 0
43 Hsieh (2023) 2023 8 87 Bastinthiyagaraj P. y
Aloysius A. (2018) 2018 0
44 Khayrullin et al. (2017) 2017 8 88 Qin Z.T et al. (2018) 2018 0
Paso 6) Análisis de categorías. Las categorías analizadas se derivan de la pregunta de
principal de investigación formulada. Con base en esta pregunta, se proponen las siguientes
categorías, las cuales surgen de manera emergente (no de manera preconcebida, sino del proceso
de lectura del acervo total de conocimiento):
ID Cita Año Citas ID Cita Año Citas
32 Fernández-Gavilanes et al.
(2019) 2019 11 76 Babič F. y Drábiková A.
(2017) 2017 1
33 Buraya et al. (2018) 2018 11 77 Baysal, Ozyurek, Ozarslan,
& Celik (2023) 2023 0
34
DWIM): Influence
Maximization Using Deep
Learning
2023 10 78 Hanif et al. (2023) 2023 0
35 Shi y Wang (2023) 2023 10 79 Erskine et al. (2023) 2023 0
36 Gerlich et al. (2023) 2023 9 80 Giancaterino C.G. (2023) 2023 0
37 Zhang (2022) 2022 9 81 Bardi S. et al. (2023) 2023 0
38 Chen et al. (2016) 2016 9 82 Bastin Thiyagaraj P. y
Aloysius A. (2018) 2018 0
39 Singh et al. (2016) 2016 9 83 Chandler J.D. (2020) 2020 0
40 Liu et al. (2017) 2017 9 84 Wagih H.M. et al. (2019) 2019 0
41 Lu et al. (2015) 2015 9 85 Divya et al. (2021) 2021 0
42 Savytska et al. (2023) 2023 8 86 Suzuki R. et al. (2018) 2018 0
43 Hsieh (2023) 2023 8 87 Bastinthiyagaraj P. y
Aloysius A. (2018) 2018 0
44 Khayrullin et al. (2017) 2017 8 88 Qin Z.T et al. (2018) 2018 0
Paso 6) Análisis de categorías. Las categorías analizadas se derivan de la pregunta de
principal de investigación formulada. Con base en esta pregunta, se proponen las siguientes
categorías, las cuales surgen de manera emergente (no de manera preconcebida, sino del proceso
de lectura del acervo total de conocimiento):
Vol. 12/ Núm. 2 2025 pág. 3827
Tabla 3
Categorías de trabajo
Pregunta Categorías
¿Cómo aporta la inteligencia artificial al
desarrollo de mercadeo en redes
sociales?
En el análisis de grandes volúmenes de información
En el desarrollo de estrategias
En el desarrollo de soluciones a la medida
En el diseño, desarrollo, implementación y medición de
campañas publicitarias
En la optimización de procesos
RESULTADOS
A continuación, compartimos los resultados obtenidos durante el proceso de
investigación, de acuerdo con la metodología planteada. Primero, se muestra el análisis
bibliométrico y, posteriormente, el análisis por categorías.
Análisis bibliométrico
En la base de datos Scopus se identificaron los documentos que fueron publicados cada
año dentro del período establecido para esta revisión, información que se muestra en la figura 2.
Figura 1
Análisis de publicaciones por año
Se observa un crecimiento sostenido en la producción científica desde 2015 hasta 2023.
El punto más bajo se presentó en 2016 con 13 publicaciones, mientras que el crecimiento más
notable se dio en los últimos años, alcanzando su pico en 2023 con 56 publicaciones. Esto refleja
un interés creciente en temas relacionados con inteligencia artificial, redes sociales y mercadeo.
La figura 3 presenta la cantidad publicaciones sobre mercadeo y procesos de inteligencia
artificial por país. En esta se resalta el top 10 permitiendo identificar los países más prolíficos en
el campo de conocimiento.
17 13 21 21 24 23 28
42
56
0
20
40
60
2015 2016 2017 2018 2019 2020 2021 2022 2023
Tabla 3
Categorías de trabajo
Pregunta Categorías
¿Cómo aporta la inteligencia artificial al
desarrollo de mercadeo en redes
sociales?
En el análisis de grandes volúmenes de información
En el desarrollo de estrategias
En el desarrollo de soluciones a la medida
En el diseño, desarrollo, implementación y medición de
campañas publicitarias
En la optimización de procesos
RESULTADOS
A continuación, compartimos los resultados obtenidos durante el proceso de
investigación, de acuerdo con la metodología planteada. Primero, se muestra el análisis
bibliométrico y, posteriormente, el análisis por categorías.
Análisis bibliométrico
En la base de datos Scopus se identificaron los documentos que fueron publicados cada
año dentro del período establecido para esta revisión, información que se muestra en la figura 2.
Figura 1
Análisis de publicaciones por año
Se observa un crecimiento sostenido en la producción científica desde 2015 hasta 2023.
El punto más bajo se presentó en 2016 con 13 publicaciones, mientras que el crecimiento más
notable se dio en los últimos años, alcanzando su pico en 2023 con 56 publicaciones. Esto refleja
un interés creciente en temas relacionados con inteligencia artificial, redes sociales y mercadeo.
La figura 3 presenta la cantidad publicaciones sobre mercadeo y procesos de inteligencia
artificial por país. En esta se resalta el top 10 permitiendo identificar los países más prolíficos en
el campo de conocimiento.
17 13 21 21 24 23 28
42
56
0
20
40
60
2015 2016 2017 2018 2019 2020 2021 2022 2023
Vol. 12/ Núm. 2 2025 pág. 3828
Figura 2
Análisis de países con mayor número de publicaciones
India lidera el ranking mundial con 45 publicaciones, seguido por China con 40 y Estados
Unidos con 32. La presencia del Reino Unido y de Europa es notable, con Italia, España y
Alemania contribuyendo al número de publicaciones a nivel global. Asimismo, Australia, cuenta
con 10 publicaciones y países como Corea del Sur y Taiwán reflejan un notorio interés en estos
temas, sumando cada uno 8 publicaciones.
La figura 4 muestra cuántos documentos han sido publicados según la afiliación
institucional del autor principal, es decir, por parte de las universidades o centros de investigación
que han demostrado interés en los temas de inteligencia artificial, mercadeo y redes sociales.
Figura 3
Número de publicaciones por afiliación
Fuente: Elaboración propia
Aunque la cantidad de documentos por afiliación institucional es modesta, estas
instituciones están demostrando un interés creciente en temas como inteligencia artificial y Redes
Sociales. La Universidad Rey Juan Carlos, de Madrid, España y la Chandigarh University de la
India, son los centros de estudio que más publicaciones tienen en sus registros, con cuatro cada
una; Jaypee Institute Of Information Technology de la India, el Chinese Academy of Sciences de
la China, la Università degli Studi di Salerno de Italia, y la Tsinghua University de China, cuentan
con 3 publicaciones académicas sobre Mercadeo, Redes Sociales e Inteligencia Artificial.
La figura 5 muestra cuántos documentos han sido patrocinados por diferentes entidades.
Estos datos reflejan que el interés por estudiar el mercadeo a través de procesos de inteligencia
artificial y redes sociales está creciendo y ganando cada vez más relevancia a nivel internacional
en el campo de la investigación.
45
40
32
19
14
11
10
8
8
8
0 5 10 15 20 25 30 35 40 45 50
India
China
Estados Unidos
Reino Unido
Italia
España
Australia
Alemania
Corea del Sur
Taiwán
4
4
3
3
3
3
0 1 2 3 4
Universidad Rey Juan Carlos
Chandigarh University
Università degli Studi di Salerno
Chinese Academy of Sciences
Tsinghua University
Jaypee Institute of Information Technology
Figura 2
Análisis de países con mayor número de publicaciones
India lidera el ranking mundial con 45 publicaciones, seguido por China con 40 y Estados
Unidos con 32. La presencia del Reino Unido y de Europa es notable, con Italia, España y
Alemania contribuyendo al número de publicaciones a nivel global. Asimismo, Australia, cuenta
con 10 publicaciones y países como Corea del Sur y Taiwán reflejan un notorio interés en estos
temas, sumando cada uno 8 publicaciones.
La figura 4 muestra cuántos documentos han sido publicados según la afiliación
institucional del autor principal, es decir, por parte de las universidades o centros de investigación
que han demostrado interés en los temas de inteligencia artificial, mercadeo y redes sociales.
Figura 3
Número de publicaciones por afiliación
Fuente: Elaboración propia
Aunque la cantidad de documentos por afiliación institucional es modesta, estas
instituciones están demostrando un interés creciente en temas como inteligencia artificial y Redes
Sociales. La Universidad Rey Juan Carlos, de Madrid, España y la Chandigarh University de la
India, son los centros de estudio que más publicaciones tienen en sus registros, con cuatro cada
una; Jaypee Institute Of Information Technology de la India, el Chinese Academy of Sciences de
la China, la Università degli Studi di Salerno de Italia, y la Tsinghua University de China, cuentan
con 3 publicaciones académicas sobre Mercadeo, Redes Sociales e Inteligencia Artificial.
La figura 5 muestra cuántos documentos han sido patrocinados por diferentes entidades.
Estos datos reflejan que el interés por estudiar el mercadeo a través de procesos de inteligencia
artificial y redes sociales está creciendo y ganando cada vez más relevancia a nivel internacional
en el campo de la investigación.
45
40
32
19
14
11
10
8
8
8
0 5 10 15 20 25 30 35 40 45 50
India
China
Estados Unidos
Reino Unido
Italia
España
Australia
Alemania
Corea del Sur
Taiwán
4
4
3
3
3
3
0 1 2 3 4
Universidad Rey Juan Carlos
Chandigarh University
Università degli Studi di Salerno
Chinese Academy of Sciences
Tsinghua University
Jaypee Institute of Information Technology
Vol. 12/ Núm. 2 2025 pág. 3829
Figura 4
Número de publicaciones por financiador
La figura 5 presenta una lista de entidades que financian las publicaciones científicas
relacionadas con inteligencia artificial, redes sociales y mercadeo. Cada entidad está acompañada
por una cantidad específica de publicaciones financiadas. Las barras representan la frecuencia con
la que estas instituciones han aparecido como fuente de financiación en los documentos revisados.
La entidad con más investigaciones financiadas en el campo de conocimiento es el Natural
Science Fundation of China.
En cuanto a la cantidad de documentos por tipo de publicación, la figura 6 presenta los
resultados obtenidos. Resalta una variedad de tipos que incluye nueve en total donde se identifica
una predominancia de una en particular.
Figura 5
Número de publicaciones por tipo
La figura 6 clasifica los documentos encontrados según su tipo. Las categorías visibles
en el gráfico incluyen: artículos científicos, papeles de conferencias, capítulos de libro, libros,
entre otros. La sección correspondiente a los papeles de conferencias es la más alta, seguida por
los artículos científicos. Las demás categorías muestran valores más bajos, con menos de 15
documentos registrados por tipo, entre los que se encuentran libros, capítulos de libros, reseñas
de conferencias y reseñas de investigación.
La figura 7 muestra las áreas de conocimiento a las que pertenecen las publicaciones
revisadas. Para este caso se han identificado diez en total, entre las que destaca en primer lugar
las “ciencias de la computación”.
11
5 4 3 3 3
0
5
10
15
National Natural
Science Foundation of
China
National Science
Foundation
Japan Society for the
Promotion of Science
Ministry of Education,
Culture, Sports,
Science and
Technology
Ministry of Science and
Technology of the
People's Republic of
China
National Research
Foundation of Korea
Papeles de
conferencia;
128
Artículos
científicos;
70
Reseñas de
conferencias; 13
Libros; 10
Capítulos de libro;
10
Reseñas de
investigación 10
Editorial; 2 Carta; 1Notas; 1
Figura 4
Número de publicaciones por financiador
La figura 5 presenta una lista de entidades que financian las publicaciones científicas
relacionadas con inteligencia artificial, redes sociales y mercadeo. Cada entidad está acompañada
por una cantidad específica de publicaciones financiadas. Las barras representan la frecuencia con
la que estas instituciones han aparecido como fuente de financiación en los documentos revisados.
La entidad con más investigaciones financiadas en el campo de conocimiento es el Natural
Science Fundation of China.
En cuanto a la cantidad de documentos por tipo de publicación, la figura 6 presenta los
resultados obtenidos. Resalta una variedad de tipos que incluye nueve en total donde se identifica
una predominancia de una en particular.
Figura 5
Número de publicaciones por tipo
La figura 6 clasifica los documentos encontrados según su tipo. Las categorías visibles
en el gráfico incluyen: artículos científicos, papeles de conferencias, capítulos de libro, libros,
entre otros. La sección correspondiente a los papeles de conferencias es la más alta, seguida por
los artículos científicos. Las demás categorías muestran valores más bajos, con menos de 15
documentos registrados por tipo, entre los que se encuentran libros, capítulos de libros, reseñas
de conferencias y reseñas de investigación.
La figura 7 muestra las áreas de conocimiento a las que pertenecen las publicaciones
revisadas. Para este caso se han identificado diez en total, entre las que destaca en primer lugar
las “ciencias de la computación”.
11
5 4 3 3 3
0
5
10
15
National Natural
Science Foundation of
China
National Science
Foundation
Japan Society for the
Promotion of Science
Ministry of Education,
Culture, Sports,
Science and
Technology
Ministry of Science and
Technology of the
People's Republic of
China
National Research
Foundation of Korea
Papeles de
conferencia;
128
Artículos
científicos;
70
Reseñas de
conferencias; 13
Libros; 10
Capítulos de libro;
10
Reseñas de
investigación 10
Editorial; 2 Carta; 1Notas; 1
Vol. 12/ Núm. 2 2025 pág. 3830
Figura 6
Número de publicaciones por área de conocimiento
La figura 7 muestra cuáles son las áreas del conocimiento con mayor número de
documentos: Ciencias de la computación (41%), Matemáticas (14%) Ingeniería (13%),
Administración de empresas (10%), Ciencias de la decisión (6%) y Ciencias sociales (4%),
Economía y finanzas (4%) entre otras, con menor frecuencia.
En cuanto al análisis bibliométrico por autor, la figura ocho ilustra cómo se relacionan
entre sí los autores que investigan temas de inteligencia artificial aplicada al mercadeo y a las
redes sociales. En esta, cada punto rojo representa a un autor, y las conexiones entre ellos reflejan
el grado de colaboración o vínculo con otros investigadores.
Figura 7
Análisis de relación de autores
La figura 8 muestra las relaciones de citación entre autores que trabajan en temas de
inteligencia artificial aplicada al mercadeo y redes sociales. Wu Gang es el autor central con el
Figura 6
Número de publicaciones por área de conocimiento
La figura 7 muestra cuáles son las áreas del conocimiento con mayor número de
documentos: Ciencias de la computación (41%), Matemáticas (14%) Ingeniería (13%),
Administración de empresas (10%), Ciencias de la decisión (6%) y Ciencias sociales (4%),
Economía y finanzas (4%) entre otras, con menor frecuencia.
En cuanto al análisis bibliométrico por autor, la figura ocho ilustra cómo se relacionan
entre sí los autores que investigan temas de inteligencia artificial aplicada al mercadeo y a las
redes sociales. En esta, cada punto rojo representa a un autor, y las conexiones entre ellos reflejan
el grado de colaboración o vínculo con otros investigadores.
Figura 7
Análisis de relación de autores
La figura 8 muestra las relaciones de citación entre autores que trabajan en temas de
inteligencia artificial aplicada al mercadeo y redes sociales. Wu Gang es el autor central con el
Vol. 12/ Núm. 2 2025 pág. 3831
mayor número de conexiones. Autores como Cao Xinyu, Zhao Chao, Zhao Jing, Zhang Fan y
Wang Haitao también tienen conexiones importantes, aunque no tan densas como Wu Gang.
En cuanto al análisis de co-concurrencia de palabras clave, la figura 9 presenta los
resultados evidenciados. Esta visualización permite identificar las relaciones entre términos
utilizados en las investigaciones.
Figura 8
Análisis bibliométrico de co-concurrencia de palabras clave
En cuanto al contenido de la figura 9, en esta se encuentran clústeres de relaciones entre
conceptos y palabras claves en diferentes colores, los cuales se describen a continuación:
• Rojo: Está relacionado con conceptos como "análisis de sentimientos", "procesamiento de
lenguaje natural", "aprendizaje profundo" y "marketing digital". Esto sugiere un enfoque
en el uso de la Inteligencia Artificial para realizar análisis de datos textuales y la
implementación de campañas de mercadeo.
• Verde: Incluye términos como "redes sociales", "comportamiento del consumidor",
“publicidad” y "privacidad". Está más relacionado con el impacto social y el uso de la
Inteligencia Artificial en plataformas digitales.
• Azul: Se centra en conceptos que provienen de las ciencias de la computación y hacen
referencia al análisis de grandes volúmenes de información, conceptos como
“maximización de influencia", "redes complejas" y "computación". Indican un interés en
el estudio de algoritmos avanzados para modelar y analizar redes sociales.
mayor número de conexiones. Autores como Cao Xinyu, Zhao Chao, Zhao Jing, Zhang Fan y
Wang Haitao también tienen conexiones importantes, aunque no tan densas como Wu Gang.
En cuanto al análisis de co-concurrencia de palabras clave, la figura 9 presenta los
resultados evidenciados. Esta visualización permite identificar las relaciones entre términos
utilizados en las investigaciones.
Figura 8
Análisis bibliométrico de co-concurrencia de palabras clave
En cuanto al contenido de la figura 9, en esta se encuentran clústeres de relaciones entre
conceptos y palabras claves en diferentes colores, los cuales se describen a continuación:
• Rojo: Está relacionado con conceptos como "análisis de sentimientos", "procesamiento de
lenguaje natural", "aprendizaje profundo" y "marketing digital". Esto sugiere un enfoque
en el uso de la Inteligencia Artificial para realizar análisis de datos textuales y la
implementación de campañas de mercadeo.
• Verde: Incluye términos como "redes sociales", "comportamiento del consumidor",
“publicidad” y "privacidad". Está más relacionado con el impacto social y el uso de la
Inteligencia Artificial en plataformas digitales.
• Azul: Se centra en conceptos que provienen de las ciencias de la computación y hacen
referencia al análisis de grandes volúmenes de información, conceptos como
“maximización de influencia", "redes complejas" y "computación". Indican un interés en
el estudio de algoritmos avanzados para modelar y analizar redes sociales.
Vol. 12/ Núm. 2 2025 pág. 3832
• Amarillo: Representa términos más técnicos como "minería de datos", "algoritmos de
aprendizaje" y "sistemas de aprendizaje". Este grupo destaca aplicaciones de aprendizaje
automático en diversos contextos.
Los puntos o nodos más grandes, como "inteligencia artificial", "redes sociales" y
"mercadeo", se representan como conceptos centrales conectados con otros, indicando su
importancia y frecuencia en los textos analizados. Las conexiones más densas entre los nodos
sugieren una interrelación significativa y persistente entre temas como "redes sociales en línea",
"comercio" y "análisis de datos".
Análisis de categorías según hallazgos
En cuanto a la pregunta ¿Cómo aporta la inteligencia artificial al desarrollo de mercadeo
en redes sociales? Al consultar los documentos que fueron seleccionados para la revisión, se
identificaron cinco categorías que emergen en el desarrollo del mismo proceso, las cuales se
relacionan en la tabla 4.
Tabla 4
Aporta la inteligencia artificial al desarrollo de mercadeo en redes sociales
Aporte de la IA Número de
documentos ID
En la optimización de procesos 34
3, 5, 6, 8, 11, 12, 13, 14, 15, 17, 18, 19,
22, 26, 27, 28, 29, 48, 53, 56, 57, 59, 61,
63, 64, 66, 70, 72, 74, 75, 76, 80, 84, 86
En el diseño, desarrollo,
implementación y medición de
campañas publicitarias
23
2, 4, 21, 31, 32, 34, 35, 36, 37, 38, 39,
40, 41, 44, 45, 46, 49, 51, 52, 54, 55, 58,
83
En el desarrollo de estrategias 19 1, 10, 16, 23, 24, 30, 62, 65, 67, 71, 73,
77, 78, 79, 81, 82, 85, 87, 88
En el análisis de grandes volúmenes
de información 11 7, 9, 20, 25, 33, 42, 43, 47, 60, 68, 69
En el desarrollo de soluciones a la
medida 1 50
Se puede observar que la inteligencia artificial ejerce un gran impacto sobre el desarrollo
de mercadeo en redes sociales, especialmente, en lo que tiene que ver con el tema de optimización
de procesos (39% de la totalidad de documentos consultados). Del mismo modo, se puede apreciar
que es relevante en el diseño, desarrollo, implementación y medición de campañas publicitarias
(26%). Se identifica que hay un efecto notable de la IA en el desarrollo de estrategias (22%), no
quedándose muy lejos de este el análisis de grandes volúmenes de información (12%).
• Amarillo: Representa términos más técnicos como "minería de datos", "algoritmos de
aprendizaje" y "sistemas de aprendizaje". Este grupo destaca aplicaciones de aprendizaje
automático en diversos contextos.
Los puntos o nodos más grandes, como "inteligencia artificial", "redes sociales" y
"mercadeo", se representan como conceptos centrales conectados con otros, indicando su
importancia y frecuencia en los textos analizados. Las conexiones más densas entre los nodos
sugieren una interrelación significativa y persistente entre temas como "redes sociales en línea",
"comercio" y "análisis de datos".
Análisis de categorías según hallazgos
En cuanto a la pregunta ¿Cómo aporta la inteligencia artificial al desarrollo de mercadeo
en redes sociales? Al consultar los documentos que fueron seleccionados para la revisión, se
identificaron cinco categorías que emergen en el desarrollo del mismo proceso, las cuales se
relacionan en la tabla 4.
Tabla 4
Aporta la inteligencia artificial al desarrollo de mercadeo en redes sociales
Aporte de la IA Número de
documentos ID
En la optimización de procesos 34
3, 5, 6, 8, 11, 12, 13, 14, 15, 17, 18, 19,
22, 26, 27, 28, 29, 48, 53, 56, 57, 59, 61,
63, 64, 66, 70, 72, 74, 75, 76, 80, 84, 86
En el diseño, desarrollo,
implementación y medición de
campañas publicitarias
23
2, 4, 21, 31, 32, 34, 35, 36, 37, 38, 39,
40, 41, 44, 45, 46, 49, 51, 52, 54, 55, 58,
83
En el desarrollo de estrategias 19 1, 10, 16, 23, 24, 30, 62, 65, 67, 71, 73,
77, 78, 79, 81, 82, 85, 87, 88
En el análisis de grandes volúmenes
de información 11 7, 9, 20, 25, 33, 42, 43, 47, 60, 68, 69
En el desarrollo de soluciones a la
medida 1 50
Se puede observar que la inteligencia artificial ejerce un gran impacto sobre el desarrollo
de mercadeo en redes sociales, especialmente, en lo que tiene que ver con el tema de optimización
de procesos (39% de la totalidad de documentos consultados). Del mismo modo, se puede apreciar
que es relevante en el diseño, desarrollo, implementación y medición de campañas publicitarias
(26%). Se identifica que hay un efecto notable de la IA en el desarrollo de estrategias (22%), no
quedándose muy lejos de este el análisis de grandes volúmenes de información (12%).
Vol. 12/ Núm. 2 2025 pág. 3833
Finalmente, se encuentra que solo el 1% del total de los documentos registra resultados de aportes
de la inteligencia artificial en cuanto al desarrollo de soluciones a la medida.
En cuanto a la pregunta ¿Cuáles son las principales contribuciones de las investigaciones
respecto al uso de inteligencia artificial en el desarrollo de mercadeo en redes sociales? Al
consultar los documentos elegidos en la revisión se identificó que las principales contribuciones
son:
• Aplicación de estrategias de marketing
• Concienciación sobre impactos de salud y psicológicos
• Construcción de metodologías para analizar la influencia de la opinión pública
• Creación de conjuntos de datos
• Desarrollo de algoritmos para maximizar la influencia en redes.
• Desarrollo de estrategias de negocio
• Desarrollo de modelos predictivos
• Identificación de patrones en el análisis de datos
• Uso de análisis digital para mapear las redes de distribución.
• Uso y combinación de clasificadores de datos
En resumen, la IA está transformando el marketing en redes sociales al optimizar
algoritmos, predecir comportamientos, mejorar la recopilación de datos y descubrir patrones, lo
que ayuda a las marcas a personalizar y mejorar sus campañas, y a tomar decisiones.
DISCUSIÓN
La revisión de la literatura muestra que la IA ha adquirido un papel determinante en la
evolución del mercadeo en redes sociales, particularmente en la optimización de procesos, lo que
respalda lo planteado por Armstrong & Kotler (2013) y Cruz et al. (2017) respecto a la necesidad
de generar valor mediante la eficiencia en la gestión de las relaciones con los consumidores. A su
vez, confirma lo señalado por Melo (2003) y Marrugo-Mendoza (2022) sobre la obligación de
responder a los cambios del entorno con herramientas actualizadas que permitan mantener la
competitividad. En este sentido, el uso de IA permite cerrar la brecha entre el marketing
convencional y el actual, automatizando decisiones que antes dependían de procesos lentos y
manuales, alineándose así con las exigencias de un consumidor digital, activo y emocionalmente
conectado, como afirman Sicilia et al. (2021) y Lies (2019).
Por otro lado, el hallazgo de que el 26% de los estudios ubica a la IA en el diseño,
desarrollo e implementación de campañas publicitarias, y el 22% en el desarrollo de estrategias,
evidencia cómo el marketing está dejando de ser únicamente funcional para transformarse en una
práctica altamente estratégica. Este punto se articula con los planteamientos de Londoño et al.
(2018) y Branding (2021) quienes destacan el valor de las redes sociales no solo como canales de
difusión, sino como espacios de interacción, fidelización y conexión emocional. La IA, al integrar
Finalmente, se encuentra que solo el 1% del total de los documentos registra resultados de aportes
de la inteligencia artificial en cuanto al desarrollo de soluciones a la medida.
En cuanto a la pregunta ¿Cuáles son las principales contribuciones de las investigaciones
respecto al uso de inteligencia artificial en el desarrollo de mercadeo en redes sociales? Al
consultar los documentos elegidos en la revisión se identificó que las principales contribuciones
son:
• Aplicación de estrategias de marketing
• Concienciación sobre impactos de salud y psicológicos
• Construcción de metodologías para analizar la influencia de la opinión pública
• Creación de conjuntos de datos
• Desarrollo de algoritmos para maximizar la influencia en redes.
• Desarrollo de estrategias de negocio
• Desarrollo de modelos predictivos
• Identificación de patrones en el análisis de datos
• Uso de análisis digital para mapear las redes de distribución.
• Uso y combinación de clasificadores de datos
En resumen, la IA está transformando el marketing en redes sociales al optimizar
algoritmos, predecir comportamientos, mejorar la recopilación de datos y descubrir patrones, lo
que ayuda a las marcas a personalizar y mejorar sus campañas, y a tomar decisiones.
DISCUSIÓN
La revisión de la literatura muestra que la IA ha adquirido un papel determinante en la
evolución del mercadeo en redes sociales, particularmente en la optimización de procesos, lo que
respalda lo planteado por Armstrong & Kotler (2013) y Cruz et al. (2017) respecto a la necesidad
de generar valor mediante la eficiencia en la gestión de las relaciones con los consumidores. A su
vez, confirma lo señalado por Melo (2003) y Marrugo-Mendoza (2022) sobre la obligación de
responder a los cambios del entorno con herramientas actualizadas que permitan mantener la
competitividad. En este sentido, el uso de IA permite cerrar la brecha entre el marketing
convencional y el actual, automatizando decisiones que antes dependían de procesos lentos y
manuales, alineándose así con las exigencias de un consumidor digital, activo y emocionalmente
conectado, como afirman Sicilia et al. (2021) y Lies (2019).
Por otro lado, el hallazgo de que el 26% de los estudios ubica a la IA en el diseño,
desarrollo e implementación de campañas publicitarias, y el 22% en el desarrollo de estrategias,
evidencia cómo el marketing está dejando de ser únicamente funcional para transformarse en una
práctica altamente estratégica. Este punto se articula con los planteamientos de Londoño et al.
(2018) y Branding (2021) quienes destacan el valor de las redes sociales no solo como canales de
difusión, sino como espacios de interacción, fidelización y conexión emocional. La IA, al integrar
Vol. 12/ Núm. 2 2025 pág. 3834
estas dinámicas mediante análisis de datos y personalización, responde a la necesidad de generar
experiencias significativas y diferenciadoras, reafirmando la idea expuesta de que el marketing
moderno busca vender experiencias más que productos.
Finalmente, aunque solo el 1% de los estudios analizados reportan aportes de la IA en
soluciones a la medida, esta brecha confirma la urgencia que deben tener las empresas de
adaptarse a un entorno de alta segmentación y personalización. La baja presencia de
investigaciones centradas en este tema, muestra que aún existe una asimetría entre la promesa
teórica del marketing personalizado y su ejecución práctica, lo que invita a retomar los retos
éticos, técnicos y estratégicos que plantea el uso intensivo de la IA. Este desfase abre un espacio
importante para futuras investigaciones que profundicen en el diseño de experiencias únicas
alineadas con los valores del consumidor, como sugieren Benedetti (2017) y Gkikas &
Theodoridis (2022), fortaleciendo así el vínculo emocional y el posicionamiento de marca en el
ecosistema digital.
CONCLUSIONES
Para dar cumplimiento al objetivo que corresponde a la identificación de la forma en que
la inteligencia artificial aporta al desarrollo de mercadeo en redes sociales, se llevó a cabo un
proceso de recolección, clasificación e interpretación de datos. Es así como, se logró establecer
que elementos tales como Big Data, el Internet de las Cosas (IoT) y los sistemas de recomendación
personalizados se han convertido en pieza fundamental del marketing digital. Puesto que,
contribuyen de manera significativa en la interacción de las empresas con los clientes. Conforme
a ello, se hace posible identificar que la inteligencia artificial realiza un gran aporte al desarrollo
de mercadeo en redes sociales dados sus procesos, los cuales incluyen automatización
segmentación y optimización en cada una de sus diversas aplicaciones.
Los resultados obtenidos a partir del análisis de 88 documentos seleccionados en esta
revisión sistemática, permiten concluir que la IA ha transformado significativamente el mercadeo
en redes sociales al convertirse en un agente de optimización, personalización y automatización
en los procesos estratégicos de comunicación digital.
En primer lugar, el mayor impacto de la IA se evidencia en la optimización de procesos,
donde tecnologías como los sistemas de gestión de relaciones con clientes (CRM), la
automatización de contenidos y los chatbots han permitido mejorar la eficiencia operativa, reducir
costos y generar experiencias multicanal personalizadas. Este hallazgo reafirma la tendencia de
utilizar IA como catalizador de eficiencia y productividad en el entorno digital, pero también abre
la posibilidad a futuras investigaciones sobre el equilibrio entre eficiencia tecnológica y calidez
humana en la interacción con los usuarios.
Por otra parte, se destacan los aportes en publicidad programática, análisis de
sentimientos y predicción de resultados; que permiten desarrollar campañas más dinámicas,
estas dinámicas mediante análisis de datos y personalización, responde a la necesidad de generar
experiencias significativas y diferenciadoras, reafirmando la idea expuesta de que el marketing
moderno busca vender experiencias más que productos.
Finalmente, aunque solo el 1% de los estudios analizados reportan aportes de la IA en
soluciones a la medida, esta brecha confirma la urgencia que deben tener las empresas de
adaptarse a un entorno de alta segmentación y personalización. La baja presencia de
investigaciones centradas en este tema, muestra que aún existe una asimetría entre la promesa
teórica del marketing personalizado y su ejecución práctica, lo que invita a retomar los retos
éticos, técnicos y estratégicos que plantea el uso intensivo de la IA. Este desfase abre un espacio
importante para futuras investigaciones que profundicen en el diseño de experiencias únicas
alineadas con los valores del consumidor, como sugieren Benedetti (2017) y Gkikas &
Theodoridis (2022), fortaleciendo así el vínculo emocional y el posicionamiento de marca en el
ecosistema digital.
CONCLUSIONES
Para dar cumplimiento al objetivo que corresponde a la identificación de la forma en que
la inteligencia artificial aporta al desarrollo de mercadeo en redes sociales, se llevó a cabo un
proceso de recolección, clasificación e interpretación de datos. Es así como, se logró establecer
que elementos tales como Big Data, el Internet de las Cosas (IoT) y los sistemas de recomendación
personalizados se han convertido en pieza fundamental del marketing digital. Puesto que,
contribuyen de manera significativa en la interacción de las empresas con los clientes. Conforme
a ello, se hace posible identificar que la inteligencia artificial realiza un gran aporte al desarrollo
de mercadeo en redes sociales dados sus procesos, los cuales incluyen automatización
segmentación y optimización en cada una de sus diversas aplicaciones.
Los resultados obtenidos a partir del análisis de 88 documentos seleccionados en esta
revisión sistemática, permiten concluir que la IA ha transformado significativamente el mercadeo
en redes sociales al convertirse en un agente de optimización, personalización y automatización
en los procesos estratégicos de comunicación digital.
En primer lugar, el mayor impacto de la IA se evidencia en la optimización de procesos,
donde tecnologías como los sistemas de gestión de relaciones con clientes (CRM), la
automatización de contenidos y los chatbots han permitido mejorar la eficiencia operativa, reducir
costos y generar experiencias multicanal personalizadas. Este hallazgo reafirma la tendencia de
utilizar IA como catalizador de eficiencia y productividad en el entorno digital, pero también abre
la posibilidad a futuras investigaciones sobre el equilibrio entre eficiencia tecnológica y calidez
humana en la interacción con los usuarios.
Por otra parte, se destacan los aportes en publicidad programática, análisis de
sentimientos y predicción de resultados; que permiten desarrollar campañas más dinámicas,
Vol. 12/ Núm. 2 2025 pág. 3835
segmentadas y centradas en la experiencia del consumidor. A futuro, se sugiere explorar cómo
integrar principios éticos en estos sistemas de segmentación para evitar sesgos algorítmicos y
sobreexposición de la información personal del usuario.
Asimismo, el rol de la IA en el desarrollo de estrategias evidencia la creación de modelos
predictivos y algoritmos para maximizar la influencia en redes sociales; lo que representa una
transformación del marketing tradicional hacia una práctica basada en datos. Esta categoría, abre
líneas de investigación relacionadas con la toma de decisiones estratégicas automatizadas y su
impacto en la sostenibilidad de la marca.
Finalmente, a pesar de encontrar pocos estudios sobre la creación de soluciones
personalizadas a la medida, esta representa una oportunidad de gran valor para futuras
investigaciones. La baja proporción de investigaciones en esta área, contrasta con la creciente
demanda de experiencias individualizadas en los ecosistemas digitales, lo que invita a desarrollar
nuevas propuestas de marketing centradas en la personalización emocional, ética y cultural.
segmentadas y centradas en la experiencia del consumidor. A futuro, se sugiere explorar cómo
integrar principios éticos en estos sistemas de segmentación para evitar sesgos algorítmicos y
sobreexposición de la información personal del usuario.
Asimismo, el rol de la IA en el desarrollo de estrategias evidencia la creación de modelos
predictivos y algoritmos para maximizar la influencia en redes sociales; lo que representa una
transformación del marketing tradicional hacia una práctica basada en datos. Esta categoría, abre
líneas de investigación relacionadas con la toma de decisiones estratégicas automatizadas y su
impacto en la sostenibilidad de la marca.
Finalmente, a pesar de encontrar pocos estudios sobre la creación de soluciones
personalizadas a la medida, esta representa una oportunidad de gran valor para futuras
investigaciones. La baja proporción de investigaciones en esta área, contrasta con la creciente
demanda de experiencias individualizadas en los ecosistemas digitales, lo que invita a desarrollar
nuevas propuestas de marketing centradas en la personalización emocional, ética y cultural.
Vol. 12/ Núm. 2 2025 pág. 3836
REFERENCIAS
Accenture. (2021). AI in Financial Services: The Transformation of Customer Engagement.
https://www.accenture.com
Adamopoulou, E., & Moussiades, L. (2020). An overview of chatbot technology. In I.
Maglogiannis, L. Iliadis, & E. Pimenidis (Eds.), Artificial Intelligence Applications and
Innovations (pp. 373–383). Springer. https://doi.org/10.1007/978-3-030-49186-
4_31SpringerLink
Aggarwal, K., & Arora, A. (2023). Influence maximization in social networks using discrete
BAT-modified (DBATM) optimization algorithm: A computationally intelligent viral
marketing approach.
Algarni, A., & Ismail, W. (2023). Applications of artificial intelligence for information diffusion
prediction: Regression-based key features models.
Ali, A., Khan, M., & Others. (2023). On the fairness of time-critical influence maximization in
social networks.
Aljabri, A., & Mohammad, F. (2023). Click fraud detection for online advertising using machine
learning.
Alnoor, A., Al-Mamary, Y., & Others. (2022). Artificial neural networks and structural equation
modeling: Marketing and consumer research applications.
Al-Sammarraie, M., et al. (2022). Image captions and hashtags generation using deep learning
approach.
Alunni, L. (2022). Inteligencia artificial aplicado al marketing digital: El futuro ya llegó
[Whitepaper]. Cámara Argentina de Comercio Electrónico (CACE).
https://cace.org.ar/wp-content/uploads/2022/11/Whitepaper-Inteligencia-Artificial-
aplicado-al-Marketing-Digital.pdfCACE+1CACE+1
Ardila-Sánchez, S. F. y Calderón-Serrano, E. (2022). Generalidades del mercadeo y su
importancia en el sector agropecuario. Research. 1-12. DOI
10.13140/RG.2.2.26218.80324.
Armas-Arias, S., et al. (2022). Decision trees for the analysis of digital marketing in the tourism
industry: Tungurahua case study.
Armstrong, G. & Kotler, P. (2013). Marketing: Generación y captación del valor del cliente.
Fundamentos de marketing Decimoprimera edición (pp. 2-35). Pearson.
Aydin, G., & Silahtaroglu, G. (2021). Insights into mobile health application market via a content
analysis of marketplace data with machine learning.
Babič, F., & Drábiková, A. (2017). Prediction of topics popularity on online social networks.
Baby, J. y Londoño, J. (2008). Las P´s de Mercadeo; Algunas precisiones. ADMINISTER, (12),
149-161.
REFERENCIAS
Accenture. (2021). AI in Financial Services: The Transformation of Customer Engagement.
https://www.accenture.com
Adamopoulou, E., & Moussiades, L. (2020). An overview of chatbot technology. In I.
Maglogiannis, L. Iliadis, & E. Pimenidis (Eds.), Artificial Intelligence Applications and
Innovations (pp. 373–383). Springer. https://doi.org/10.1007/978-3-030-49186-
4_31SpringerLink
Aggarwal, K., & Arora, A. (2023). Influence maximization in social networks using discrete
BAT-modified (DBATM) optimization algorithm: A computationally intelligent viral
marketing approach.
Algarni, A., & Ismail, W. (2023). Applications of artificial intelligence for information diffusion
prediction: Regression-based key features models.
Ali, A., Khan, M., & Others. (2023). On the fairness of time-critical influence maximization in
social networks.
Aljabri, A., & Mohammad, F. (2023). Click fraud detection for online advertising using machine
learning.
Alnoor, A., Al-Mamary, Y., & Others. (2022). Artificial neural networks and structural equation
modeling: Marketing and consumer research applications.
Al-Sammarraie, M., et al. (2022). Image captions and hashtags generation using deep learning
approach.
Alunni, L. (2022). Inteligencia artificial aplicado al marketing digital: El futuro ya llegó
[Whitepaper]. Cámara Argentina de Comercio Electrónico (CACE).
https://cace.org.ar/wp-content/uploads/2022/11/Whitepaper-Inteligencia-Artificial-
aplicado-al-Marketing-Digital.pdfCACE+1CACE+1
Ardila-Sánchez, S. F. y Calderón-Serrano, E. (2022). Generalidades del mercadeo y su
importancia en el sector agropecuario. Research. 1-12. DOI
10.13140/RG.2.2.26218.80324.
Armas-Arias, S., et al. (2022). Decision trees for the analysis of digital marketing in the tourism
industry: Tungurahua case study.
Armstrong, G. & Kotler, P. (2013). Marketing: Generación y captación del valor del cliente.
Fundamentos de marketing Decimoprimera edición (pp. 2-35). Pearson.
Aydin, G., & Silahtaroglu, G. (2021). Insights into mobile health application market via a content
analysis of marketplace data with machine learning.
Babič, F., & Drábiková, A. (2017). Prediction of topics popularity on online social networks.
Baby, J. y Londoño, J. (2008). Las P´s de Mercadeo; Algunas precisiones. ADMINISTER, (12),
149-161.
Vol. 12/ Núm. 2 2025 pág. 3837
Ballesterías, J., Llaguno, M., & Sainz, J. (2022). An artificial intelligence analysis of climate-
change influencers' marketing on Twitter.
Bardi, S., et al. (2023). Social honeypot for humans: Luring people through self-managed
Instagram pages.
Bartolomé Noriega, E. (2020). El impacto de la IA y los datos en el marketing digital [Trabajo de
fin de grado, Universidad Pontificia Comillas].
https://repositorio.comillas.edu/xmlui/handle/11531/54792EAIEndorsedTransactions+2
RepositorioComillas+2Repositorio Comillas+2
Bastin Thiyagaraj, P., & Aloysius, A. (2018). An approach for truth discovery by resolving the
conflicts on categorical data.
Bastinthiyagaraj, P., & Aloysius, A. (2018). Distance-based measurement approach for truth
discovery by resolving the conflicts in big data.
Baysal, M., Ozyurek, H., Ozarslan, E., & Celik, S. (2023). The role of Internet of Things, machine
learning, artificial neural networks and Industry 5.0 in business research: Trends and
future insights.
Bello, M. J. G. (2019). Cloud-based conversational agents for user acquisition and engagement.
Bello-Orgaz, G., Javier-de-Quiles, O., & Camacho, D. (2015). A survey of social web mining
applications for disease outbreak detection.
Benedetti, A. M. (2017). Marketing en Redes Sociales Detrás de Escena. Buenos Aires: AMDIA.
Boyd, D., & Ellison, N. (2008). Social Network Sites: Definition, History, and Scholarship.
Journal of Computer-Mediated Communication.
Bozorgi, A., et al. (2017). Community-based influence maximization in social networks under a
competitive linear threshold model.
Branding, M. (2021). Marketing en Redes Sociales 2021. Babelcube INC.
Broséus, J., et al. (2016). Studying illicit drug trafficking on darknet markets: Structure and
organization from a Canadian perspective.
Buraya, I., et al. (2018). Multi-view personality profiling based on longitudinal data.
Bygrave, W., & Minniti, M. (2000). The Social dynamics of Entrepreneurship. Entrepreneur- ship
Theory and Practice, 25-42.
Carpentier, A., & Valko, M. (2016). Revealing graph bandits for maximizing local influence.
Ceballos-Parra, P.J.; W. A. Sarache y D.M. Gómez, Un Análisis Bibliométrico de las Tendencias
en Logística Humanitaria, doi: 10.4067/S0718-07642018000100091, Información
Tecnológica, 29(1), 91-104 (2018)
Chandler, J. D. (2020). Innovation, social networks, and service ecosystems: Managing value in
the digital economy.
Chen, H., et al. (2016). Business-aware visual concept discovery from social media for
multimodal business venue recognition.
Ballesterías, J., Llaguno, M., & Sainz, J. (2022). An artificial intelligence analysis of climate-
change influencers' marketing on Twitter.
Bardi, S., et al. (2023). Social honeypot for humans: Luring people through self-managed
Instagram pages.
Bartolomé Noriega, E. (2020). El impacto de la IA y los datos en el marketing digital [Trabajo de
fin de grado, Universidad Pontificia Comillas].
https://repositorio.comillas.edu/xmlui/handle/11531/54792EAIEndorsedTransactions+2
RepositorioComillas+2Repositorio Comillas+2
Bastin Thiyagaraj, P., & Aloysius, A. (2018). An approach for truth discovery by resolving the
conflicts on categorical data.
Bastinthiyagaraj, P., & Aloysius, A. (2018). Distance-based measurement approach for truth
discovery by resolving the conflicts in big data.
Baysal, M., Ozyurek, H., Ozarslan, E., & Celik, S. (2023). The role of Internet of Things, machine
learning, artificial neural networks and Industry 5.0 in business research: Trends and
future insights.
Bello, M. J. G. (2019). Cloud-based conversational agents for user acquisition and engagement.
Bello-Orgaz, G., Javier-de-Quiles, O., & Camacho, D. (2015). A survey of social web mining
applications for disease outbreak detection.
Benedetti, A. M. (2017). Marketing en Redes Sociales Detrás de Escena. Buenos Aires: AMDIA.
Boyd, D., & Ellison, N. (2008). Social Network Sites: Definition, History, and Scholarship.
Journal of Computer-Mediated Communication.
Bozorgi, A., et al. (2017). Community-based influence maximization in social networks under a
competitive linear threshold model.
Branding, M. (2021). Marketing en Redes Sociales 2021. Babelcube INC.
Broséus, J., et al. (2016). Studying illicit drug trafficking on darknet markets: Structure and
organization from a Canadian perspective.
Buraya, I., et al. (2018). Multi-view personality profiling based on longitudinal data.
Bygrave, W., & Minniti, M. (2000). The Social dynamics of Entrepreneurship. Entrepreneur- ship
Theory and Practice, 25-42.
Carpentier, A., & Valko, M. (2016). Revealing graph bandits for maximizing local influence.
Ceballos-Parra, P.J.; W. A. Sarache y D.M. Gómez, Un Análisis Bibliométrico de las Tendencias
en Logística Humanitaria, doi: 10.4067/S0718-07642018000100091, Información
Tecnológica, 29(1), 91-104 (2018)
Chandler, J. D. (2020). Innovation, social networks, and service ecosystems: Managing value in
the digital economy.
Chen, H., et al. (2016). Business-aware visual concept discovery from social media for
multimodal business venue recognition.
Vol. 12/ Núm. 2 2025 pág. 3838
Chen, W., et al. (2020). Gradient method for continuous influence maximization with budget-
saving considerations.
Chintalapati, S., & Pandey, S. K. (2022). Artificial intelligence in marketing: A systematic
literature review. International Journal of Market Research, 64(1), 38–68.
https://doi.org/10.1177/14707853211018428Wjarr+4ResearchGate+4proceedings.emac
-online.org+4
Cook García, C. (2022). Inteligencia artificial y Big Data en el marketing: Publicidad
programática y el uso de datos personales. Revista ICADE, (117), 17–45.
https://repositorio.comillas.edu/xmlui/handle/11531/63245EAIEndorsedTransactions+4
EAIEndorsedTransactions+4Repositorio Comillas+4
Cruz Zubieta, C., Enciso Granados, G., Forero Molina, S., Garzón Medina, C., Hoyos Ballesteros,
R., Leyva Vallejo, K., Linero Bocanegra, J., López Arrázola, S., Maguiña Rivero, O.,
Neme Chaves, S., Pereira Fernández, C., Riveros Polanía, G. y Zitzmann Betancourt, J.
(2017). Fundamentos de mercadeo. Ecoe ediciones.
Cuomo, M. T., & Foroudi, P. (2023). Digital transformation and corporate branding:
Opportunities and pitfalls for identity and reputation management.
Dekkers, O. M., Vandenbroucke, J. P., Cevallos, M., Renehan, A. G., Altman, D. G., & Egger,
M. (2019). COSMOS-E: guidance on conducting systematic reviews and meta-analyses
of observational studies of etiology. PLoS medicine, 16(2), e1002742.
Deloitte. (2021). AI in Retail: Opportunities and Challenges. https://www.deloitte.com
Dimitrieska, S., Stankovska, A., & Efremova, T. (2018). The Fourth Industrial Revolution –
Advantages and Disadvantages. Economics and Management, 14(2), 182–187.
https://doi.org/10.23939/ep2018.02.182DNTB
Divya, M., et al. (2021). A novel efficient method for tracking evolution of communities in
dynamic networks.
Elfring, T. &. (2003). Networks In En- Trepreneurship: The Case Of High-Technolo- Gy Firms.
Small Bussiness Economic, 409-422.
Erskine, A., et al. (2023). Digital uncertainty: Exploring source credibility in the context of
generative artificial intelligence.
Fernández-Gavilanes, M., et al. (2019). Differentiating users by language and location estimation
in sentiment analysis of informal text during major public events.
Gao, J., et al. (2023). The social media big data analysis for demand forecasting in the context of
globalization: Development and case implementation of innovative frameworks.
Gast, I.; K. Schildkamp y J.T. van der Veen, Team-Based Professional Development
Interventions in Higher Education: A Systematic Review, doi:
/10.3102/0034654317704306, Review of Educational Research, 87(4), 736–767 (2017).
Chen, W., et al. (2020). Gradient method for continuous influence maximization with budget-
saving considerations.
Chintalapati, S., & Pandey, S. K. (2022). Artificial intelligence in marketing: A systematic
literature review. International Journal of Market Research, 64(1), 38–68.
https://doi.org/10.1177/14707853211018428Wjarr+4ResearchGate+4proceedings.emac
-online.org+4
Cook García, C. (2022). Inteligencia artificial y Big Data en el marketing: Publicidad
programática y el uso de datos personales. Revista ICADE, (117), 17–45.
https://repositorio.comillas.edu/xmlui/handle/11531/63245EAIEndorsedTransactions+4
EAIEndorsedTransactions+4Repositorio Comillas+4
Cruz Zubieta, C., Enciso Granados, G., Forero Molina, S., Garzón Medina, C., Hoyos Ballesteros,
R., Leyva Vallejo, K., Linero Bocanegra, J., López Arrázola, S., Maguiña Rivero, O.,
Neme Chaves, S., Pereira Fernández, C., Riveros Polanía, G. y Zitzmann Betancourt, J.
(2017). Fundamentos de mercadeo. Ecoe ediciones.
Cuomo, M. T., & Foroudi, P. (2023). Digital transformation and corporate branding:
Opportunities and pitfalls for identity and reputation management.
Dekkers, O. M., Vandenbroucke, J. P., Cevallos, M., Renehan, A. G., Altman, D. G., & Egger,
M. (2019). COSMOS-E: guidance on conducting systematic reviews and meta-analyses
of observational studies of etiology. PLoS medicine, 16(2), e1002742.
Deloitte. (2021). AI in Retail: Opportunities and Challenges. https://www.deloitte.com
Dimitrieska, S., Stankovska, A., & Efremova, T. (2018). The Fourth Industrial Revolution –
Advantages and Disadvantages. Economics and Management, 14(2), 182–187.
https://doi.org/10.23939/ep2018.02.182DNTB
Divya, M., et al. (2021). A novel efficient method for tracking evolution of communities in
dynamic networks.
Elfring, T. &. (2003). Networks In En- Trepreneurship: The Case Of High-Technolo- Gy Firms.
Small Bussiness Economic, 409-422.
Erskine, A., et al. (2023). Digital uncertainty: Exploring source credibility in the context of
generative artificial intelligence.
Fernández-Gavilanes, M., et al. (2019). Differentiating users by language and location estimation
in sentiment analysis of informal text during major public events.
Gao, J., et al. (2023). The social media big data analysis for demand forecasting in the context of
globalization: Development and case implementation of innovative frameworks.
Gast, I.; K. Schildkamp y J.T. van der Veen, Team-Based Professional Development
Interventions in Higher Education: A Systematic Review, doi:
/10.3102/0034654317704306, Review of Educational Research, 87(4), 736–767 (2017).
Vol. 12/ Núm. 2 2025 pág. 3839
Gera, S., & Sinha, A. (2022). C-ANN: A deep learning model for detecting black-marketed
colluders in Twitter social network.
Gera, S., & Sinha, A. (2022). T-Bot: AI-based social media bot detection model for trend-centric
Twitter network.
Gerlich, R., et al. (2023). Artificial intelligence as toolset for analysis of public opinion and social
interaction in marketing: Identification of micro and nano influencers.
Giancaterino, C. G. (2023). NLP and insurance – Workshop results at SwissText 2022.
Gkikas, D., & Theodoridis, P. (2022). AI in consumer behavior. In L. C. Virvou, M. Tsihrintzis,
G. A. Tsoukalas, & L. H. Jain (Eds.), Advances in Artificial Intelligence-Based
Technologies: Learning and Analytics in Intelligent Systems (pp. 147–176). Springer.
https://doi.org/10.1007/978-3-030-80571-5_10Özgür Yayınları
Hamdan, H., et al. (2017). Data representation in sentiment analysis task.
Hanif, M., et al. (2023). Refining the smart linkage across two fields: Artificial intelligence and
social media marketing using LDA and bibliographic coupling.
Hassine, M., et al. (2023). A non-overlapping community detection approach based on α-
structural similarity.
Hsieh, P. J. (2023). Determinants of physicians’ intention to use AI-assisted diagnosis: An
integrated readiness perspective.
Hsu, C.-H., et al. (2017). Guest editorial special issue on hybrid intelligence for Internet of
Vehicles.
Huang, M.-H., & Rust, R. T. (2020). A strategic framework for artificial intelligence in marketing.
Journal of the Academy of Marketing Science, 49(1), 30–50.
https://doi.org/10.1007/s11747-020-00749-
9ACMDigitalLibrary+3SpringerLink+3IDEAS/RePEc+3
Iosa, M., et al. (2021). Artificial neural network analyzing wearable device gait data for
identifying patients with stroke unable to return to work.
Jasim, H., Saeed, L., & Raewf, M. (2022). Analyzing social media sentiment: Twitter as a case
study.
Johannison, B. (2000). The Blackwell Handbook Of Entrepreneurship. Oxford: Blac- kwell
Publishers., 47-87.
Kaiser, C., et al. (2020). Social media monitoring: What can marketers learn from Facebook brand
photos?
Kang, J., & Tong, H. (2021). Fair graph mining.
Karatas, A., & Sahin, S. (2022). A novel efficient method for tracking evolution of communities
in dynamic networks.
Khajehnejad, M., et al. (2020). Adversarial graph embeddings for fair influence maximization
over social networks.
Gera, S., & Sinha, A. (2022). C-ANN: A deep learning model for detecting black-marketed
colluders in Twitter social network.
Gera, S., & Sinha, A. (2022). T-Bot: AI-based social media bot detection model for trend-centric
Twitter network.
Gerlich, R., et al. (2023). Artificial intelligence as toolset for analysis of public opinion and social
interaction in marketing: Identification of micro and nano influencers.
Giancaterino, C. G. (2023). NLP and insurance – Workshop results at SwissText 2022.
Gkikas, D., & Theodoridis, P. (2022). AI in consumer behavior. In L. C. Virvou, M. Tsihrintzis,
G. A. Tsoukalas, & L. H. Jain (Eds.), Advances in Artificial Intelligence-Based
Technologies: Learning and Analytics in Intelligent Systems (pp. 147–176). Springer.
https://doi.org/10.1007/978-3-030-80571-5_10Özgür Yayınları
Hamdan, H., et al. (2017). Data representation in sentiment analysis task.
Hanif, M., et al. (2023). Refining the smart linkage across two fields: Artificial intelligence and
social media marketing using LDA and bibliographic coupling.
Hassine, M., et al. (2023). A non-overlapping community detection approach based on α-
structural similarity.
Hsieh, P. J. (2023). Determinants of physicians’ intention to use AI-assisted diagnosis: An
integrated readiness perspective.
Hsu, C.-H., et al. (2017). Guest editorial special issue on hybrid intelligence for Internet of
Vehicles.
Huang, M.-H., & Rust, R. T. (2020). A strategic framework for artificial intelligence in marketing.
Journal of the Academy of Marketing Science, 49(1), 30–50.
https://doi.org/10.1007/s11747-020-00749-
9ACMDigitalLibrary+3SpringerLink+3IDEAS/RePEc+3
Iosa, M., et al. (2021). Artificial neural network analyzing wearable device gait data for
identifying patients with stroke unable to return to work.
Jasim, H., Saeed, L., & Raewf, M. (2022). Analyzing social media sentiment: Twitter as a case
study.
Johannison, B. (2000). The Blackwell Handbook Of Entrepreneurship. Oxford: Blac- kwell
Publishers., 47-87.
Kaiser, C., et al. (2020). Social media monitoring: What can marketers learn from Facebook brand
photos?
Kang, J., & Tong, H. (2021). Fair graph mining.
Karatas, A., & Sahin, S. (2022). A novel efficient method for tracking evolution of communities
in dynamic networks.
Khajehnejad, M., et al. (2020). Adversarial graph embeddings for fair influence maximization
over social networks.
Vol. 12/ Núm. 2 2025 pág. 3840
Khayrullin, R., et al. (2017). Predicting psychology attributes of a social network user.
Khean, N., et al. (2018). Learning machine learning as an architect, how to? Presenting and
evaluating a Grasshopper-based platform to teach architecture students machine learning.
Kim, M. G., et al. (2019). Analysis of issues and future trends impacting drug safety in South
Korea.
Kumar, S., et al. (2020). Exploring impact of age and gender on sentiment analysis using machine
learning.
Li, S., & Yang, C. (2023). Place-bound memory and people-bound memory affecting destination
loyalty in the food tourism industry.
Lideros, E., Ahumada, S., & Sánchez, M. (2024). Inteligencia Arficial Para el marketing. Madrid:
ESIC Editorial.
Lies, J. (2019). Enhancing customer profiles through data analysis. Journal of Strategic
Marketing, 27(6), 523–540. https://doi.org/10.1080/0965254X.2018.1466823
Lin, L.-F., & Li, Y.-M. (2021). An efficient approach to identify social disseminators for timely
information diffusion.
Lin, S., et al. (2015). Discovering audience groups and group-specific influencers.
Liu, T., et al. (2017). Learning concise representations of users' influences through online
behaviors.
Liu, X., et al. (2018). Active opinion maximization in social networks.
Lochter, J. V., et al. (2016). Short text opinion detection using ensemble of classifiers and
semantic indexing.
Londoño, S., Mora, Y. J. y Valencia, M. (2018). Modelos estadísticos sobre la eficacia del
marketing digital. EAN, (84), 167-186. DOI
https://doi.org/10.21158/01208160.n84.2018.1923
Lopera, N. A. L., Angarita, R. S. J., Cañas, Y. A. F., & Lievano, J. A. B. (2025). The contribution
of corporate social responsibility to the sustainability of small and medium-sized
enterprises: A systematic review. Edelweiss Applied Science and Technology, 9(6), 441-
458.
Lu, X., et al. (2015). Influence maximization in big networks: An incremental algorithm for
streaming subgraph influence spread estimation.
Maharani, W., & Gozali, A. A. (2015). Collaborative social network analysis and content-based
approach to improve the marketing strategy of SMEs in Indonesia.
Malecki, J., & Veldhoen, M. (1993). Network Acti- Vities, Information and Competitiveness in
Small Firms. Geografiska Annaler: Serie B, Geografía humana, 131-147.
Marrugo-Mendoza, L. (2022). Mercadeo digital como herramienta de posicionamiento de las
empresas colombianas. Una revisión de la literatura. Revista Científica Anfibios, 5(2),
72-86. https://doi.org/10.37979/afb.2022v5n2.114
Khayrullin, R., et al. (2017). Predicting psychology attributes of a social network user.
Khean, N., et al. (2018). Learning machine learning as an architect, how to? Presenting and
evaluating a Grasshopper-based platform to teach architecture students machine learning.
Kim, M. G., et al. (2019). Analysis of issues and future trends impacting drug safety in South
Korea.
Kumar, S., et al. (2020). Exploring impact of age and gender on sentiment analysis using machine
learning.
Li, S., & Yang, C. (2023). Place-bound memory and people-bound memory affecting destination
loyalty in the food tourism industry.
Lideros, E., Ahumada, S., & Sánchez, M. (2024). Inteligencia Arficial Para el marketing. Madrid:
ESIC Editorial.
Lies, J. (2019). Enhancing customer profiles through data analysis. Journal of Strategic
Marketing, 27(6), 523–540. https://doi.org/10.1080/0965254X.2018.1466823
Lin, L.-F., & Li, Y.-M. (2021). An efficient approach to identify social disseminators for timely
information diffusion.
Lin, S., et al. (2015). Discovering audience groups and group-specific influencers.
Liu, T., et al. (2017). Learning concise representations of users' influences through online
behaviors.
Liu, X., et al. (2018). Active opinion maximization in social networks.
Lochter, J. V., et al. (2016). Short text opinion detection using ensemble of classifiers and
semantic indexing.
Londoño, S., Mora, Y. J. y Valencia, M. (2018). Modelos estadísticos sobre la eficacia del
marketing digital. EAN, (84), 167-186. DOI
https://doi.org/10.21158/01208160.n84.2018.1923
Lopera, N. A. L., Angarita, R. S. J., Cañas, Y. A. F., & Lievano, J. A. B. (2025). The contribution
of corporate social responsibility to the sustainability of small and medium-sized
enterprises: A systematic review. Edelweiss Applied Science and Technology, 9(6), 441-
458.
Lu, X., et al. (2015). Influence maximization in big networks: An incremental algorithm for
streaming subgraph influence spread estimation.
Maharani, W., & Gozali, A. A. (2015). Collaborative social network analysis and content-based
approach to improve the marketing strategy of SMEs in Indonesia.
Malecki, J., & Veldhoen, M. (1993). Network Acti- Vities, Information and Competitiveness in
Small Firms. Geografiska Annaler: Serie B, Geografía humana, 131-147.
Marrugo-Mendoza, L. (2022). Mercadeo digital como herramienta de posicionamiento de las
empresas colombianas. Una revisión de la literatura. Revista Científica Anfibios, 5(2),
72-86. https://doi.org/10.37979/afb.2022v5n2.114
Vol. 12/ Núm. 2 2025 pág. 3841
McKinsey & Company. (2021). The Digital Transformation of Retail: How AI is Reshaping
Retailing. https://www.mckinsey.com
Melo, Y. (2003). Cibermarketing: un nuevo enfoque mercadológico desde la perspectiva de la
Revolución Industrial 4.0. El caso de República Dominicana. Dialnet, 57-63.
Merejo, A. (2013). La nación dominicana en la era del cibermundo. Dialnet, 229-240
Montgomery, K. C., et al. (2017). Children's privacy in the big data era: Research opportunities.
Okazaki, S., & Inoue, Y. (2022). Explainable model fusion for customer journey mapping.
Oklander, M., et al. (2018). Analysis of technological innovations in digital marketing.
Overgoor, G., et al. (2019). Letting the computers take over: Using AI to solve marketing
problems.
Peña, G., Caicedo, Y. y Delgado, S. (2018). Importancia de implementar el marketing digital en
las pymes colombianas frente al tratado de libre comercio con Estados Unidos. ECACEN,
(1), 1-9. DOI: https://doi.org/10.22490/ECACEN.2558
Phelan, S. D. (2006). The Development Of Entrepreneurial Net- Works: A Necessary Condition
For International New Ventures? Obtenido de Strategic Manage- Ment Review:
http://www.strategicmanagementreview.com/ojs/index.php/smr/article/view/1/9
Pisano, P. (2018). Internet of Things applications in marketing. In A. G. Woodside (Ed.),
Advances in Business Marketing and Purchasing (Vol. 24, pp. 1–25). Emerald Publishing
Limited. https://doi.org/10.1108/S1069-096420180000024001
Premaratne, S. (2001). Networks, Resources, and Small Business Growth: The Experience in Sri
Lanka. Journal of Small Business Management, 363-371.
Prieto, A., Martínez, M., Rincón, Y. y Carbonell, D. (2007). Importancia de la posventa en la
mezcla de mercadeo actual. Negotium, 3(7), 47-64
PRISMA (2020). PRISMA translations policy. Disponible en: http://www.prisma-
statement.org/Translations/TranslationsPolicy.aspx . Consultado 7/12/2023.
Puente, R. (2005). Del mercadeo de servicios a la gerencia de servicios. Researchgate, 10 (3), 13-
16.
PwC. (2020). How AI is Transforming Marketing and Sales. https://www.pwc.com
Qin, Z. T., et al. (2018). Large-scale targeted marketing by supervised PageRank with seeds.
Quijano-Sánchez, L., & Liberatore, F. (2017). The BIG CHASE: A decision support system for
client acquisition applied to financial networks.
Radesky, J., et al. (2020). Digital advertising to children.
Ramos, R., & Hassan, M. (2022). The role of ICT applied to tourism and marketing in Asia.
Rojas, E. A. M., López, D. A. P., Mosquera, M. O., & Lievano, J. A. B. (2025). Influencia de las
Competencias Emocionales en la Efectividad de las Habilidades Gerenciales en el
Entorno Corporativo. Estudios y Perspectivas Revista Científica y Académica, 5(2),
1297-1325.
McKinsey & Company. (2021). The Digital Transformation of Retail: How AI is Reshaping
Retailing. https://www.mckinsey.com
Melo, Y. (2003). Cibermarketing: un nuevo enfoque mercadológico desde la perspectiva de la
Revolución Industrial 4.0. El caso de República Dominicana. Dialnet, 57-63.
Merejo, A. (2013). La nación dominicana en la era del cibermundo. Dialnet, 229-240
Montgomery, K. C., et al. (2017). Children's privacy in the big data era: Research opportunities.
Okazaki, S., & Inoue, Y. (2022). Explainable model fusion for customer journey mapping.
Oklander, M., et al. (2018). Analysis of technological innovations in digital marketing.
Overgoor, G., et al. (2019). Letting the computers take over: Using AI to solve marketing
problems.
Peña, G., Caicedo, Y. y Delgado, S. (2018). Importancia de implementar el marketing digital en
las pymes colombianas frente al tratado de libre comercio con Estados Unidos. ECACEN,
(1), 1-9. DOI: https://doi.org/10.22490/ECACEN.2558
Phelan, S. D. (2006). The Development Of Entrepreneurial Net- Works: A Necessary Condition
For International New Ventures? Obtenido de Strategic Manage- Ment Review:
http://www.strategicmanagementreview.com/ojs/index.php/smr/article/view/1/9
Pisano, P. (2018). Internet of Things applications in marketing. In A. G. Woodside (Ed.),
Advances in Business Marketing and Purchasing (Vol. 24, pp. 1–25). Emerald Publishing
Limited. https://doi.org/10.1108/S1069-096420180000024001
Premaratne, S. (2001). Networks, Resources, and Small Business Growth: The Experience in Sri
Lanka. Journal of Small Business Management, 363-371.
Prieto, A., Martínez, M., Rincón, Y. y Carbonell, D. (2007). Importancia de la posventa en la
mezcla de mercadeo actual. Negotium, 3(7), 47-64
PRISMA (2020). PRISMA translations policy. Disponible en: http://www.prisma-
statement.org/Translations/TranslationsPolicy.aspx . Consultado 7/12/2023.
Puente, R. (2005). Del mercadeo de servicios a la gerencia de servicios. Researchgate, 10 (3), 13-
16.
PwC. (2020). How AI is Transforming Marketing and Sales. https://www.pwc.com
Qin, Z. T., et al. (2018). Large-scale targeted marketing by supervised PageRank with seeds.
Quijano-Sánchez, L., & Liberatore, F. (2017). The BIG CHASE: A decision support system for
client acquisition applied to financial networks.
Radesky, J., et al. (2020). Digital advertising to children.
Ramos, R., & Hassan, M. (2022). The role of ICT applied to tourism and marketing in Asia.
Rojas, E. A. M., López, D. A. P., Mosquera, M. O., & Lievano, J. A. B. (2025). Influencia de las
Competencias Emocionales en la Efectividad de las Habilidades Gerenciales en el
Entorno Corporativo. Estudios y Perspectivas Revista Científica y Académica, 5(2),
1297-1325.
Vol. 12/ Núm. 2 2025 pág. 3842
Salavati, C., & Abdollahpouri, A. (2019). Identifying influential nodes based on ant colony
optimization to maximize profit in social networks.
Salminen, J., et al. (2022). Detecting pain points from user-generated social media posts using
machine learning.
Savytska, N., et al. (2023). Digitalization of business development marketing tools in the B2C
market.
Schierreich, T. (2023). Maximizing influence spread through a dynamic social network.
Shi, L., & Wang, D. (2023). An AI-enabled approach for improving advertising identification and
promotion in social networks.
Sicilia, M., Palazón, M., López, I., & López, M. (2021). Marketing en Redes Sociales. Madrid:
Esid Editorial.
Singh, P., et al. (2016). Followers or fraudulents? An analysis and classification of Twitter
followers market merchants.
Singh, V., Verma, V., Vij, M., & Thakur, R. (2023). Implications and impact of artificial
intelligence in digital media: With special focus on social media marketing.
Song, Y., et al. (2018). Topics’ popularity prediction based on ARMA model.
Sonia, M., et al. (2023). DeepWalk-based influence maximization (DWIM): Influence
maximization using deep learning.
Sun, Y., & Zhang, J. (2023). Opinion optimization in directed social networks.
Suzuki, R., et al. (2018). Characterization of consumers’ behavior in medical insurance market
with agent parameters’ estimation process using Bayesian network.
Tang, S. (2018). When social advertising meets viral marketing: Sequencing social
advertisements for influence maximization.
Tantisuwankul, J., et al. (2020). Identifying influencers in Thai internet forum based on topic-
oriented gravity model.
Tzafilkou, K., et al. (2023). You look like you’ll buy it! Purchase intent prediction based on
facially detected emotions in social media campaigns for food products.
Van Dijck, J. (2016). La Cultura de la Conectividad. Buenos Aires: Siglo XXI Editores.
Volkova, S., et al. (2015). Inferring latent user properties from texts published in social media.
Wagih, H. M., et al. (2019). StruM: A semantic trust-based miner model for detecting influential
spreaders in social networks.
Wang, C. (2022). Efficient customer segmentation in digital marketing using deep learning with
swarm intelligence approach.
Wang, H., et al. (2020). Social influence does matter: User action prediction for in-feed
advertising.
Wang, S., et al. (2023). The effect of supply chain finance on sustainability performance:
Empirical analysis and fsQCA.
Salavati, C., & Abdollahpouri, A. (2019). Identifying influential nodes based on ant colony
optimization to maximize profit in social networks.
Salminen, J., et al. (2022). Detecting pain points from user-generated social media posts using
machine learning.
Savytska, N., et al. (2023). Digitalization of business development marketing tools in the B2C
market.
Schierreich, T. (2023). Maximizing influence spread through a dynamic social network.
Shi, L., & Wang, D. (2023). An AI-enabled approach for improving advertising identification and
promotion in social networks.
Sicilia, M., Palazón, M., López, I., & López, M. (2021). Marketing en Redes Sociales. Madrid:
Esid Editorial.
Singh, P., et al. (2016). Followers or fraudulents? An analysis and classification of Twitter
followers market merchants.
Singh, V., Verma, V., Vij, M., & Thakur, R. (2023). Implications and impact of artificial
intelligence in digital media: With special focus on social media marketing.
Song, Y., et al. (2018). Topics’ popularity prediction based on ARMA model.
Sonia, M., et al. (2023). DeepWalk-based influence maximization (DWIM): Influence
maximization using deep learning.
Sun, Y., & Zhang, J. (2023). Opinion optimization in directed social networks.
Suzuki, R., et al. (2018). Characterization of consumers’ behavior in medical insurance market
with agent parameters’ estimation process using Bayesian network.
Tang, S. (2018). When social advertising meets viral marketing: Sequencing social
advertisements for influence maximization.
Tantisuwankul, J., et al. (2020). Identifying influencers in Thai internet forum based on topic-
oriented gravity model.
Tzafilkou, K., et al. (2023). You look like you’ll buy it! Purchase intent prediction based on
facially detected emotions in social media campaigns for food products.
Van Dijck, J. (2016). La Cultura de la Conectividad. Buenos Aires: Siglo XXI Editores.
Volkova, S., et al. (2015). Inferring latent user properties from texts published in social media.
Wagih, H. M., et al. (2019). StruM: A semantic trust-based miner model for detecting influential
spreaders in social networks.
Wang, C. (2022). Efficient customer segmentation in digital marketing using deep learning with
swarm intelligence approach.
Wang, H., et al. (2020). Social influence does matter: User action prediction for in-feed
advertising.
Wang, S., et al. (2023). The effect of supply chain finance on sustainability performance:
Empirical analysis and fsQCA.
Vol. 12/ Núm. 2 2025 pág. 3843
Xu, P., et al. (2019). A unified approach to online matching with conflict-aware constraints.
Xu, Z., et al. (2020). Opinion maximization in social trust networks.
Yepes-Núñez, J. J., Urrutia, G., Romero-García, M., & Alonso-Fernández, S. (2021). The
PRISMA 2020 statement: an updated guideline for reporting systematic reviews
Declaración PRISMA 2020: una guía actualizada para la publicación de revisiones
sistemáticas. Revista española de cardiología, 74(9), 790-799.
You, Q., et al. (2015). Influence maximization in human-intervened social networks.
Zhang, W. (2022). Research on precision marketing based on consumer portrait from the
perspective of machine learning.
Xu, P., et al. (2019). A unified approach to online matching with conflict-aware constraints.
Xu, Z., et al. (2020). Opinion maximization in social trust networks.
Yepes-Núñez, J. J., Urrutia, G., Romero-García, M., & Alonso-Fernández, S. (2021). The
PRISMA 2020 statement: an updated guideline for reporting systematic reviews
Declaración PRISMA 2020: una guía actualizada para la publicación de revisiones
sistemáticas. Revista española de cardiología, 74(9), 790-799.
You, Q., et al. (2015). Influence maximization in human-intervened social networks.
Zhang, W. (2022). Research on precision marketing based on consumer portrait from the
perspective of machine learning.