Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 4, Número 6 (Edición especial) ISSN: 2697-3456  
Aplicación de reglas de asociación sobre microservicios en las microempresas.  
DOI: https://doi.org/10.46296/yc.v4i6edesp.0029  
APLICACIÓN DE REGLAS DE ASOCIACIÓN SOBRE  
MICROSERVICIOS EN LAS MICROEMPRESAS.  
APPLICATION OF ASSOCIATION RULES ON MICRO-SERVICES IN  
MICRO-ENTERPRISES.  
1
2
3
Cevallos-Macías John *; Solórzano-Cadena Rubén ; Palma-Menéndez Susana ;  
4
Verduga-Urdánigo Fabricio  
1
Universidad Laica “Eloy Alfaro” de Manabí. Manta, Ecuador.  
Universidad Laica “Eloy Alfaro” de Manabí. Manta, Ecuador.  
Universidad Laica “Eloy Alfaro” de Manabí. Manta, Ecuador.  
Universidad Laica “Eloy Alfaro” de Manabí. Manta, Ecuador.  
2
3
4
*Correo: john.cevallos@uleam.edu.ec  
Resumen  
Las microempresas son un grupo tecnológicamente desatendido debido a sus recursos limitados  
y carencia de conocimiento tecnológico que en muchos casos impide su crecimiento como  
negocio. En la presente investigación se diseña una estructura de minería de datos que basada  
en reglas de asociación ofrece sugerencias de compras mediante un dispositivo móvil  
implementando tácticas de up-selling y cross-selling. El diseño de la propuesta se basa en el  
proceso de generación de modelos de minería de datos y culmina con la validación e  
implementación de modelos de reglas de asociación como microservicios orquestados por un  
Web Service, esta arquitectura de servicios se encuentra desarrollada en Node.js, y se conecta  
con una base de datos PostgreSQL, mientras que la aplicación móvil se desarrolló en Ionic  
Framework que le permite estar disponible para varias plataformas. La herramienta móvil  
presenta un aporte a los negocios informales, en los que un vendedor atiende directamente a los  
clientes y brinda alternativas de compra incrementando sus ventas en un porcentaje cercano al  
2
5%, además de otros beneficios menos tangibles como la mejora en la atención al cliente en  
los negocios que carecen de infraestructura tecnológica.  
Palabras clave: reglas de decisión, sistemas de recomendación, microempresa, microservicios.  
Abstract  
The microenterprises are a technologically neglected group due to their limited resources and  
lack of technological knowledge that in many cases prevent their growth as a business. This  
research is based in a data mining structure with association rules that offers shopping  
suggestions using a mobile device and implementing up-selling and cross-selling tactics, given  
those points, the design of the proposal is based on the process of generation of data mining  
models and culminates with the validation and implementation of rules for the association of  
microservices or servers by a web service, this service architecture is developed in Node. js, and  
it connects with a PostgreSQL database, while the mobile application was developed on Ionic  
framework, such that it is available for several platforms. Additionally, the mobile tool presents a  
contribution to informal businesses, where a seller serves customers directly and provides  
purchase alternatives increasing their sales by a percentage close to 25%. Similarly, other less  
tangible benefits such as improving customer service in the businesses without technological  
infrastructure.  
Keywords: Association rules, recommender system, engine, microservices.  
Información del manuscrito:  
Fecha de recepción: 21 de febrero de 2020  
Fecha de aceptación: 20 de abril de 2020  
Fecha de publicación: 05 de mayo de 2020  
54  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 4, Número 6 (Edición especial) ISSN: 2697-3456  
Aplicación de reglas de asociación sobre microservicios en las microempresas.  
1
. Introducción  
a las ventas con una herramienta de  
alta usabilidad, e instalable sobre  
todo tipo de dispositivo que soporte  
la implementación de servicios web.  
Existen una gran variedad de  
algoritmos orientados a relacionar  
hechos en común  
y
entregar  
conocimiento a los sistemas de  
recomendación, aquellos algoritmos  
son utilizados de diversas formas y  
en algunos casos mejorados según  
la situación en particular. Los  
campos comerciales a los que se  
puede aplicar los sistemas de  
recomendación son cada vez más, lo  
que se podría presentar como una  
idea a reutilizar y difundir sin tener  
que entrar en detalles técnicos.  
La solución propuesta es un servicio  
web de tipo REST que abstraiga y  
encapsule  
la  
lógica  
e
implementación de los algoritmos de  
aprendizaje automático, necesarios  
para realizar recomendaciones de  
productos afines; este servicio web  
recibe como parámetros datos que  
respetan una jerarquía de atributos  
genéricos previamente definidos,  
además de la ubicación de los datos  
que serán contrastados con los  
algoritmos de asociación como  
Apriori, fp-growth, Eclat, etc. (School,  
La heterogeneidad de los hechos y  
atributos que pueden afectar la toma  
de decisiones, representa que se  
realicen soluciones parciales y poco  
reutilizables; por lo que normalizar  
los parámetros de los algoritmos en  
una estructura jerárquica, y abstraer  
el funcionamiento de los algoritmos  
2017).  
Para monitorear, analizar y validar  
los resultados, se implementará el  
web service como un módulo de  
soporte sobre 3 líneas distintas: ropa  
de bebe, accesorios maternos y  
productos de higiene. Para el  
análisis de la efectividad se  
implementa una solución móvil que  
utilizan los vendedores como apoyo  
a las tácticas de marketing cross-  
selling y up-selling, midiendo los  
aciertos de las recomendaciones y la  
usabilidad de la aplicación al  
de decisión orientados  
a
la  
recomendación de opciones en un  
servicio web, nos va a permitir  
constatar si los sistemas de  
recomendación pueden expandir su  
uso a múltiples empresas medianas  
y
pequeñas, con productos  
y
servicios  
de  
características  
diferenciables y líneas variadas; así  
apoyar el recurso humano dedicado  
55  
Cevallos-Macías John et al., (2020)  
momento  
de  
solicitar  
una  
solicitante y el grado de certeza de  
las alternativas.  
recomendación.  
1
.1. Importancia del Problema  
La arquitectura más utilizada para  
sistemas heterogéneos se orienta a  
servicios web, ya que utilizándolos  
se pueden servir datos a múltiples  
plataformas y tecnologías que los  
implementan, así también brindar  
estandarización a múltiples clientes y  
mejorar la productividad a nivel  
Las aplicaciones plataformas  
y
desarrolladas para la venta de  
productos y servicios, son muy  
utilizadas en pequeñas y medianas  
empresas a nivel latinoamericano, se  
ha convertido en un nicho de  
mercado, tanto para las empresas  
que emprenden en el desarrollo de  
software y necesitan capitalizar  
obteniendo ganancias a corto plazo,  
como para las grandes empresas  
desarrolladoras de software, que  
elaboran sofisticados sistemas de  
macro.  
Este  
trabajo  
integra  
algoritmos  
de aprendizaje  
automático en esta arquitectura y  
encapsula  
colaterales  
muchas  
al  
decisiones  
de  
momento  
recomendar un producto o un  
servicio. Replicando la utilización de  
planificación  
de  
(ERP)  
recursos  
y/o  
este  
servicio  
web,  
podemos  
empresariales  
garantizar que una gran cantidad de  
desarrolladores puedan contar con  
algoritmos de inteligencia en sus  
aplicaciones con características  
escalables y recursos centralizados.  
aplicaciones de venta en línea sobre  
plataformas tanto web como móvil.  
Muy pocas de estas aplicaciones  
cuentan  
con  
módulos  
para  
recomendación de productos, y las  
que lo poseen, presentan un  
algoritmo orientado al marketing y la  
fidelización de clientes. Estos  
algoritmos no se encuentran  
estandarizados, ni existe una  
formalidad al momento de evaluar  
que atributos ni en que formato son  
enviados, así mismo sus resultados,  
los productos recomendados a su  
Las tecnologías de la información  
influyen  
positivamente  
en  
la  
productividad, gestión de los  
procesos y sobre todo en la gestión  
de los clientes (Edgar Juliꢀn Gꢀlvez  
Albarracín, 2014) en las micro,  
pequeñas y medianas empresas  
(MIPYMES), en dicho estudio  
desarrollado en Colombia se  
muestra mediante datos estadísticos  
56  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 4, Número 6 (Edición especial) ISSN: 2697-3456  
Aplicación de reglas de asociación sobre microservicios en las microempresas.  
la mejora significativa en la  
satisfacción del cliente los  
arriendos  
que acrecientan el  
y
problema, carecen de una estructura  
organizacional, buscan la calidad  
como estrategia para mejorar sus  
negocios, pero no se incluye la  
tecnología para alcanzarla.  
procesos en general al incluir  
tecnologías de la información. Una  
conclusión relevante es que tanto la  
edad como el tamaño de la empresa  
al momento de beneficiarse de  
entornos web no son factores para  
considerar, indicando que estas  
aplicaciones pueden beneficiar de  
manera general a todo tipo de  
empresas por más pequeñas y  
nuevas que sean. La siguiente  
investigación (Mireya Flores Jaꢁn,  
Otro  
de  
los  
inconvenientes  
encontrados en el comercio, cuando  
interactuamos como un mercado  
informal es la alta rotación tanto  
laboral como de productos (Ignacio  
Apella, 2008), provocando que los  
artículos como tal no tengan un  
historial constante (Chris Cornelis,  
2016) realizada a empresas en la  
2007) y necesiten entrar en los  
ciudad de Quevedo detalla algunas  
características que frecuentemente  
son causas en la escasez de  
productos tecnológicos dirigidos a  
este medio. Entre los principales  
sistemas de recomendación  
basados en el contenido, en este  
caso el contenido está apoyado en  
atributos, características y medidas  
de similitud. Una de las medidas  
tomadas por las microempresas para  
mantener la competitividad es  
pertenecer a una red de cooperación  
problemas  
de  
crecimiento  
tecnológico se encuentra la falta de  
financiamiento, la escasez de  
recurso humano con conocimiento  
informático, mucha competencia  
local y en muchas ocasiones la  
carencia de interés en este tipo de  
inversión. En este artículo se  
presenta adicionalmente un análisis  
sectorial relevante en el que  
sintetizando podemos deducir que la  
mayoría de las pymes presentan  
(
Benito Hernández, 2009), estas  
redes o grupos de empresas se  
apoyan en diversos campos  
incluyendo el tecnológico, y se ha  
comprobado que este tipo de  
cooperación  
realmente  
puede  
incrementar el porcentaje de  
implementación de tecnologías de la  
información, siendo la mejorar  
arquitectura tecnológica la de  
informalidad  
contable,  
capital  
limitado y gastos corrientes como  
57  
Cevallos-Macías John et al., (2020)  
servicios en un escenario de  
cooperación.  
4200 comerciantes sufrió graves  
daños estructurales, impidiéndoles  
seguir utilizando el sector para sus  
ventas y sin poder contar con un  
crédito para reactivarse por falta de  
capital, creando una brecha muy  
El 82% de las pequeñas y medianas  
empresas (PYMES) en el Ecuador  
tienen acceso a Internet (Mónica  
Orozco, 2015), pero no le sacan el  
provecho adecuado, implementando  
aplicaciones que incrementen la  
calidad de sus servicios, por lo que el  
hardware sería el costo de inversión  
difícil  
de  
superar  
para  
los  
microempresarios y emprendedores.  
Estos problemas fueron aplacados  
creando una nueva zona comercial  
al  
que  
debemos  
disminuir,  
denominada  
(Comercio,  
Nuevo  
2017),  
Tarqui  
encontrando una opción económica,  
pero con el desempeño adecuado,  
como es el uso de tabletas de bajo  
costo; existen tabletas consideradas  
generando  
nuevas plazas de desarrollo tanto  
para el comercio minorista como al  
mayorista.  
económicas(Navarro,  
mucho más accesible que otro tipo  
de hardware. Adquiriendo  
dispositivos móviles y utilizando el  
2018),  
y
La arquitectura y sus servicios serán  
aplicados como una solución dirigida  
al sector comercial minorista y  
mayorista en desarrollo, teniendo en  
cuenta que en este caso de estudio  
los comerciantes están en proceso  
de resurgimiento y valorando la  
importante de este sector a la  
economía de la provincia (López,  
internet  
podemos  
implementar  
tecnológicas  
aplicaciones  
actualizadas, de bajo costo y de gran  
utilidad empresarial.  
1.2. Caso de estudio  
2
017), ya que según los datos de la  
INEC el 93% de las empresas que  
sostienen la economía son  
Manabí provincia de Ecuador, sufrió  
un fuerte impacto comercial con el  
terremoto del 16 de abril del 2017  
microempresas y un 36% de estas  
son comerciales. En la figura 1,  
tomado del artículo, podemos  
observar la distribución de empresas  
en la provincia, siendo Manta y  
Portoviejo pilares de la economía y  
de mayor relevancia para las cifras  
(Universo, 2016), provocando un  
problema económico muy graveen la  
provincia y generando pérdidas de al  
menos $860 millones al 49% del  
sector productivo. En Manta, el  
sector de Tarqui donde se asentaban  
58  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 4, Número 6 (Edición especial) ISSN: 2697-3456  
Aplicación de reglas de asociación sobre microservicios en las microempresas.  
económicas locales, sector que fue  
el más afectado con la disminución  
del 29% de compras de sus clientes  
a nivel de Manabí.  
aplicando algoritmos personalizados  
al entorno es factible  
y
recomendable al sector comercial de  
las micro, pequeñas y medianas  
empresas.  
Figura 1. Número de empresas por  
Cantón en Manabí.  
2. Metodología.  
De forma general los componentes,  
el desarrollo y las herramientas  
utilizadas para generar un servicio  
web que implemente los algoritmos  
de aprendizaje y sirva a la aplicación  
cliente las recomendaciones sobre  
Fuente: INEC.  
que  
plasmados en las siguientes etapas:  
elección de algoritmos  
producto  
ofertar  
están  
La herramienta creada toma a este  
sector comercial afectado por un  
terremoto como caso de estudio,  
comercio ahora ubicado en el parque  
comercial Nuevo Tarqui, este  
escenario careció de créditos e  
inyecciones de capital para retomar  
sus actividades, por lo que la  
tecnología a pesar de ser necesaria  
para reactivarse y brindar una nueva  
cara a los clientes no es de fácil  
acceso; el trabajo desarrollado  
a
implementar, personalización de  
algoritmos, pruebas de ejecución de  
los servicios y sus algoritmos,  
implementación de servicios web,  
herramienta y  
evaluación de recomendaciones y  
metodología utilizada en la  
evaluación de la herramienta.  
de  
aplicación  
2.1. Elección de algoritmos  
Para la elección de los algoritmos se  
ha revisado la librería propuesta en  
la investigación (Philippe Fournier-  
Viger A. G.-W., 2014), la cual  
presenta un gran número de  
soluciones implementadas en Java  
como software libre y enfocándose  
en la clasificación Frequent Itemset  
brinda  
una  
aplicación  
las ventas,  
que  
y
sistematiza  
recomendaciones apoyándose en  
servicios web alojados en el internet.  
La utilización de esta herramienta en  
este escenario demuestra que la  
implementación de microservicios,  
como un motor de recomendaciones,  
59  
Cevallos-Macías John et al., (2020)  
Mining que presta la solución  
del contexto. La elección de  
candidatos también puede ser  
modificada como en el caso de (Jie  
Bao, 2012) donde se plantea un  
algoritmo que tiene como dato de  
entrada la región espacial en adición  
a el usuario con sus selecciones  
previas.  
utilizada  
en  
software  
de  
recomendación de productos. Esta  
librería se encuentra actualizada  
(Philippe Fournier-Viger J. C.-W.,  
2016) y cuenta con una interfaz  
gráfica, así como conjunto de datos  
para pruebas en formato texto plano.  
Los algoritmos de mayor utilización  
El formato y la estructura como se  
trabaja la información es también  
relevante como en el trabajo de  
son fp-growth  
modificaciones  
y
apriori, con  
en sus  
implementaciones basado en el  
entorno y el problema al que va  
dirigido. Por ejemplo (Youcef  
Djenouri, 2017) el algoritmo SS-FIM  
que tiene una gran similitud con  
Apriori puede obtener mejores  
resultados en conjuntos de datos  
grandes/ muy grandes disminuyendo  
el número de pasadas por las  
transacciones a una sola.  
(
CHANG TAN, 2014) al utilizar el par  
de atributo valor para definir las  
características de los elementos y  
proponiendo redes bayesianas para  
las similitudes entre estos; también  
la estructura de árbol es utilizada en  
conjuntos de datos más difusos  
(
Dianshuang Wu G. Z., 2013) siendo  
los métodos de similitud entre sus  
nodos, los más estudiados  
y
Aunque existen trabajos en los que  
el filtrado colaborativo por sí solo no  
relevantes al momento de desarrollar  
un algoritmo.  
representan  
definitiva  
una  
herramienta  
brindar  
Tomando en cuenta que los  
algoritmos más utilizada en los  
sistemas de recomendación siguen  
siendo los de filtrado colaborativo y  
para  
recomendaciones  
útiles  
(Chris  
la  
Cornelis, 2007), debido  
a
existencia de ítems sin regularidad,  
que provocan carencia total de  
que  
la  
variación  
en  
la  
implementación radica en el contexto  
y sus problemas subyacentes, se  
llegó a la conclusión que los  
algoritmos a implementar en el motor  
desarrollado serán los mismos que  
historial  
preferencias.  
soluciones que no pueden ser  
aisladas, más bien son  
complementarias como la utilización  
y
seguimiento  
de  
Presentando  
60  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 4, Número 6 (Edición especial) ISSN: 2697-3456  
Aplicación de reglas de asociación sobre microservicios en las microempresas.  
Tabla 1. Llamadas a servicio principal  
se han estudiado por su nivel de  
relevancia, pero con modificaciones  
enfocadas al momento de comparar  
los ítems. Además, se considera el  
formato que en este caso sería  
JSON, con objetos y sus atributos  
Identif  
icador  
Parámetros  
Explicación  
{
{
{
listaItem:[{iditem:133}, Se envía la lista de  
idItem:255},  
idItem:900}],  
ítems de la canasta  
de compras del  
cliente hasta el  
momento, también  
la lista de grupos  
que el vendedor  
seleccione con la  
interacción con el  
cliente.  
listaGrupoFiltro:  
{idGrupo:2},  
{idGrupo:3}]}  
[
15  
para  
realizar  
comparaciones  
utilizando funciones del lenguaje  
JavaScript.  
{
listaItem:[{idItem:133}, La lista de ítems, y  
idItem:900}], adicionalmente una  
{
2
.2. Pruebas de ejecución de los  
listaCaracteristica:  
{idGrupoItem:2},  
idGrupoItem:4}]}  
lista  
de  
1
7
8
[
características  
relevantes.  
servicios  
{
Para una mayor explicación de cómo  
funcionan los microservicios, se  
detallan pruebas realizadas sobre  
{listaItem:[{idItem:255}], Lista de ítems,  
y
listaCaracteristicaMapa  
: características de  
1
[{ idGrupoItemMapa:3 }, mapeo relevante.  
idGrupoItemMapa:4}]}  
{
los servicios  
responden dependiendo de los  
parámetros suministrados. Las  
y
como estos  
Fuente: Autores.  
llamadas al servicio principal son  
realizadas sobre el método POST,  
utilizando el método recomendar.  
Estos llamados funcionan como una  
sobrecarga de métodos, al recibir  
parámetros distintos en el cuerpo de  
las opciones que deben ir luego de la  
lista de ítems como parámetro  
obligatoriamente ubicado en el  
primer lugar. A continuación, la Tabla  
En el primer caso con el identificador  
15 asignado, el servicio principal  
según sus condiciones al validar los  
atributos del segundo parámetro  
direcciona los parámetros al primer  
microservicio. El funcionamiento del  
servicio se detalla en Tabla 2, donde  
luego de ejecutar el algoritmo  
devuelve al servicio principal los  
ítems sugeridos según los datos  
frecuentes con soporte mayor  
preconfigurado como se muestra en  
la Tabla 3.  
1, muestra valores de ejemplo para  
los parámetros y la explicación de lo  
que representan para el servicio  
principal.  
61  
Cevallos-Macías John et al., (2020)  
Tabla 2. Llamada al primer microservicio.  
Tabla 4. Llamada al segundo microservicio.  
Método Parámetro  
Respuesta Explicación  
[{id:200, Se envía los  
Método Parámetro  
Respuest Explicación  
[{id:335,  
Se envía los  
POST - {listaItem:  
POST - {listaItem:  
Llamar [{iditem:133},  
descripción: identificadores  
Llamar [{iditem:133},  
descripció identificadores  
{
idItem:255},  
idItem:900}],  
‘Cuna BBs de los ítems  
{
idItem:900}], n: de los ítems  
{
Rojo-  
seleccionados  
por el cliente y  
grupos que en  
este caso es  
una madre  
embarazada y  
primeriza. El  
método  
listaCaracterist ‘Andador  
seleccionados  
por el cliente y  
las  
listaGrupoFiltro:  
Violeta’}]  
ica:  
{idGrupoItem:  
},  
idGrupoItem:  
de bebe  
azul  
[
{idGrupo:2},  
idGrupo:3}]}  
[
{
2
características  
más relevantes  
seleccionadas.  
El método  
Mickey –  
seguro  
plꢀstico’}]  
{
4}]}  
retorna un  
retorna un  
arreglo de  
arreglo de  
ítems que  
ítems que  
cumplen con  
las reglas de  
frecuencia en  
el árbol.  
cumplen las  
reglas de  
asociación.  
GET - No presenta  
(Estado:  
Verdadero)  
GET -  
Prueba  
No presenta  
parámetros de  
entrada  
{Estado:  
Verdadero}  
Prueba  
parámetros de  
entrada  
Fuente: Autores.  
Tabla 3. Conjunto de datos frecuente.  
Fuente: Autores.  
Por último, el caso del identificador  
18 explicado en la Tabla 5 se  
diferencia por el nombre de los  
atributos, ya que también requiere  
Conjunto de datos  
Soporte  
{
{
133,255,900,126}  
133,255,900,200}  
7
2
Fuente: Autores.  
una  
lista  
de  
características  
relevantes con la diferencia de que  
estos atributos serán mapeados  
utilizando un esquema equivalente al  
de la Tabla 6.  
El identificador 17 detalla un ejemplo  
con diferentes parámetros al  
anterior, en el caso mostrado en la  
Tabla 4 se envía como parámetro la  
lista de características que se  
consideran relevantes para la  
Tabla 5. Llamada al tercer microservicio.  
Método Parámetro  
Respuesta Explicación  
POST - {listaItem:[{idI [{id:15,  
Se envía los  
Llamar tem:255}],  
listaCaracteri  
descripción identificadores  
comparación  
entre  
ítems,  
:
de los ítems  
sticaMapa:  
‘Juguete  
Muñeca  
seleccionados  
por el cliente y  
devolviendo un arreglo de ítems que  
cumplen la frecuencia de nodos a  
recomendar.  
[
{
idGrupoItem Maxi Perla’}] las  
Mapa:3 }, características  
idGrupoIte  
mMapa:4}]}  
{
que deben ser  
mapeadas  
para encontrar  
el  
Nivel de  
similitud.  
El  
62  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 4, Número 6 (Edición especial) ISSN: 2697-3456  
Aplicación de reglas de asociación sobre microservicios en las microempresas.  
método retorna  
un arreglo de  
ítems que  
Figura 2. Arquitectura de microservicios.  
cumplen  
el  
porcentajede  
similitud  
configurado.  
GET -  
No presenta {Estado:  
Prueba  
Verdadero}  
parámetros de  
entrada  
Fuente: Autores  
Fuente: Autores.  
Tabla 6. Mapa de similitud en atributos.  
La arquitectura es altamente  
escalable y tiene encomendadas 2  
tareas principales: Escoger el  
Atributo A  
Atributo B  
Porcentaje de  
similitud  
Rosado  
Rojo  
Rosa  
100  
algoritmo según parámetros  
y
Marrón  
Azul  
90  
ejecutarlo, teniendo como entradas  
los ítems escogidos y los parámetros  
personalizados para la sugerencia.  
Estos parámetros o indicaciones son  
brindados por los vendedores en  
base a la observación, como en el  
caso de las características del  
cliente, o sistematizadas como la  
regularidad y fidelidad de un cliente.  
Como podemos ver en la Figura 3,  
otra de las salidas obtenidas es una  
traza en base al algoritmo ejecutado  
y el proceso llevado a cabo.  
Violeta  
60  
Enconchado  
Bordado  
70  
Fuente: Autores.  
2.3. Implementación de servicios  
web  
La herramienta creada cuenta con  
un servicio web principal que recibe  
los artículos seleccionados por el  
cliente, e indicaciones por parte del  
vendedor que serán útiles según el  
algoritmo, como el tipo de cliente y  
su regularidad, estas indicaciones  
ayudan a tomar una decisión sobre  
que algoritmo se necesita y que  
microservicio utilizar. A continuación,  
en la Figura 2, podemos observar  
como el servicio de recomendación  
Figura 3. Tareas del servicio.  
utiliza  
microservicios  
como  
bibliotecas para resolver sus  
requerimientos.  
Fuente: Autores.  
63  
Cevallos-Macías John et al., (2020)  
A
continuación, se detalla la  
para aquello es necesario que el  
vendedor incluya como parámetros  
algunas características como grupos  
de los clientes. También existe otro  
método que devuelve el estado del  
servicio, informando si este se  
encuentra disponible para su  
utilización.  
definición de los microservicios,  
tanto el principal que funciona como  
Gateway como el de los algoritmos  
enmascarados como microservicios.  
El servicio REST principal que se  
muestra en la Tabla 7 tiene 2  
métodos: el método recomendar que  
redirecciona a los otros servicios  
según los parámetros suministrados  
y el método Mostrar Traza que se  
encarga de mostrar información  
técnica de la recomendación  
previamente realizada.  
Tabla 8. Servicio para algoritmo 1.  
Métodos  
Recurso  
Descripción  
permitidos  
Llamar  
POST  
Llamada de algoritmo Apriori,  
tiene como parámetros los  
grupos de personas que el  
vendedor  
considera  
aproximaciones con formato:  
listaItem: arreglo de {iditem},  
listaGrupoFiltro: arreglo de  
{
idGrupo} Devuelve la lista de  
Tabla 7. Servicio principal.  
recomendaciones en formato  
arreglo: [idItem,descripcion]  
Métodos  
Recurso  
Descripción  
permitidos  
Prueba  
GET  
Devuelve Verdadero si el  
Recomendar POST  
Permite obtener la lista de  
recomendaciones a partir  
de un arreglo de ítems  
escogidos previamente por  
el cliente y una  
servicio  
seencuentra  
disponible y Falso si no lo  
está.  
Fuente: Autores.  
lista  
de  
opciones  
adicionales tomadas del  
entorno o asignadas por el  
vendedorlistaItem:arreglo  
de{iditem},  
arreglo de  
Devuelve un arreglo con las  
recomendaciones  
identificador  
El segundo algoritmo está inmerso  
en la llamada al servicio descrito en  
la Tabla 9, presenta un método que  
opciones:  
{parámetro}  
y
un  
la  
de  
recomendación Id:entero,  
{iditem: entero, descripción:  
devuelve  
las  
recomendaciones  
[
texto}]  
según los ítems previamente  
escogidos por el cliente y las  
características relevantes para la  
comparación utilizando el algoritmo.  
Presenta adicionalmente un método  
de prueba que se encarga de  
informar si este algoritmo se  
encuentra funcional.  
MostrarTraza  
Obtiene en base a un id de  
recomendación información  
técnica del proceso {fecha,  
horainicio,  
algoritmoescogido}  
GET  
horafin,  
Fuente: Autores.  
El primero algoritmo se encuentra  
incluido en la llamada al  
microservicio descrito en Tabla 8,  
64  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 4, Número 6 (Edición especial) ISSN: 2697-3456  
Aplicación de reglas de asociación sobre microservicios en las microempresas.  
Prueba  
GET  
Devuelve Verdadero si el  
servicio se encuentra  
Tabla 9. Servicio para algoritmo 2.  
disponible y Falso si no lo  
esta  
Métodos  
permitidos  
Recurso  
Descripción  
Llamar  
POST  
Llamada de algoritmo 2, tiene  
como parámetros la lista de  
ítems que el cliente escogió  
Fuente: Autores.  
con anterioridad  
característicasque  
vendedor  
relevantes: listaItem:arreglo  
de{idItem},  
y
las  
el  
2
.4. Herramienta de evaluación de  
considera  
recomendaciones.  
listaCaracteristica:arreglo  
de{idGrupoItem}  
Actualmente, la aplicación que se  
Devuelve  
la  
lista  
de  
recomendaciones en formato  
arreglo deidItem: entero,  
descripción: texto  
utiliza  
para  
evaluar  
las  
recomendaciones se encuentra  
desarrollada para ser ejecutado en el  
sistema operativo Android. No  
obstante, ha sido desarrollada de tal  
forma que puede ser portada al  
sistema operativo Apple iOS, así  
como a cualquier navegador web.  
Esta desarrollada utilizando Ionic  
Prueba  
GET  
Devuelve Verdadero si el  
servicio  
se  
encuentra  
disponible y Falso si no lo  
esta.  
Fuente: Autores.  
El servicio para el algoritmo 3 se  
encuentra descrito en la Tabla 10,  
con una estructura muy parecida al  
servicio anterior, ya que la diferencia  
radica en los pasos realizados por el  
algoritmo, más que en sus entradas  
y salidas. También presenta el  
método que prueba si el algoritmo se  
encuentra disponible y funcionando  
correctamente.  
(Dryfty, 2017), que integra algunas  
tecnologías como Angular,  
Typescripty las tecnologías por  
defecto para frontend.  
Como característica de seguridad  
utiliza OAuth, implementada como  
se indica en la figura 4, en una  
interfaz de acceso  
a
usuario,  
Tabla 10. Servicio para algoritmo 3.  
podemos notar como se abstrae la  
complejidad, ingresando únicamente  
usuario y clave.  
Métodos  
permitidos  
Recurso  
Descripción  
Llamar  
POST  
Llamada de algoritmo 3, tiene  
como parámetros la lista de  
ítems que el cliente escogió  
con anterioridad y la lista de  
Figura 4. Autenticación de usuario.  
características  
ordenadas  
por nivel de importancia con  
formato: listaItem: arreglo de  
{idItem},  
listaCaracteristicaMapa:  
arreglo  
de  
de  
{idGrupoItemMapa}  
Devuelve la lista  
recomendaciones en formato  
arreglo de idItem: entero,  
descripción: texto  
Fuente: Autores.  
65  
Cevallos-Macías John et al., (2020)  
La interfaz está diseñada para  
dispositivos móviles, sobre todo  
tabletas que serán las herramientas  
utilizadas por los vendedores. A  
continuación, en la figura 5 se  
muestra la interfaz principal de la  
aplicación, la cual permite escoger el  
vendedor que va a realizar la venta y  
la funcionabilidad para realizar un  
pedido de cliente.  
Para  
poder  
realizar  
recomendaciones en negocios en los  
que la mayor cantidad de clientes  
tienen una frecuencia de ventas muy  
reducida, y otra parte de los clientes  
nunca han realizado un pedido, se  
categorizan los clientes según  
características visuales según se  
muestran en la figura 7, que pueden  
ser captadas por los vendedores al  
momento de empezar la venta.  
Figura 5. Interfaz de pedidos.  
Figura 7. Categorización de clientes.  
Fuente: Autores.  
Fuente: Autores.  
En la interfaz que se muestra en la  
figura 6, podemos apreciar como al  
ingresar el código de un ítem para la  
venta, se muestran en un proceso  
asincrónico las recomendaciones  
según los factores de cada algoritmo  
o según el tipo de cliente escogido.  
Al desear cambiar el vendedor actual  
se visualiza según la figura 8, una  
interfaz que muestra las fotos de los  
vendedores acompañados de un  
gráfico  
estadístico  
con  
las  
Figura 6. Consulta de recomendaciones.  
comisiones generadas a partir de las  
recomendaciones. Esta interfaz fue  
creada para estimular el uso de las  
recomendaciones al personal de  
ventas, y la competencia entre ellos.  
Fuente: Autores.  
66  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 4, Número 6 (Edición especial) ISSN: 2697-3456  
Aplicación de reglas de asociación sobre microservicios en las microempresas.  
Figura 8. Escoger vendedor.  
Las características que han sido  
consideradas para la evaluación son:  
Inteligibilidad (Tabla 11),  
Operabilidad (Tabla 12) y Protección  
frente a errores de usuario (Tabla  
13).  
Tabla 11. Inteligibilidad.  
Fuente: Autores.  
Característica  
Atríbuto  
Significado  
Actualización de  
Componentes  
¿
Sus  
3
. Resultados y discusión.  
componentes son  
actualizables a  
provoca  
nivel  
no  
Se midió la usabilidad y la efectividad  
de los servicios web como  
herramienta de los sistemas de  
caídas en todo independiente?  
el sistema  
Carga de  
trabajo  
Mantenibilidad  
de software  
¿Su software se  
mantiene con  
uso de internet?  
recomendación,  
utilizando  
metodologías y estándares definidos  
a continuación.  
Fuente: Autores.  
Tabla 12. Operabilidad.  
3
.1. Usabilidad  
Característica  
Atributo  
Significado  
Para medir la usabilidad, se ha  
tomado como referencia la ISO  
Tiempo de  
respuesta  
Tiempo de  
Respuesta  
al usuario  
¿Es el tiempo de  
respuesta óptimo  
para satisfacer la  
necesidad del  
usuario?  
2
5010 (25010, 2017), con su modelo  
para medir la calidad de un producto  
de software; tomando como  
Posibilidades Nivel de  
¿Nivel de  
de  
parametriza parametrización de  
ción  
customización  
opciones?  
referencia la característica de  
usabilidad y sus sub-características.  
El producto evaluado es el servicio  
web, y la aplicación móvil es el  
medio. Por aquello que se han  
considerado las características más  
orientadas al recurso obtenido, por  
parte del motor de recomendación y  
no a las interfaces. Por esto no son  
Fuente: Autores.  
Tabla 13. Protección a errores de usuario.  
Característica  
Atributo  
Significado  
¿Presenta  
Recuperación Proceso de  
procesos de  
recuperación al  
suceder errores o  
fallas?  
deerrores  
Recuperación  
errores y fallas  
Interfaz de  
error  
Mensajes de  
error  
amigables a  
nivel de  
¿Muestra errores  
explícitos y  
amigables en el  
caso de existir?  
objeto  
de  
consideración  
aplicación  
características como: Accesibilidad y  
Estéticas de la interfaz.  
Fuente: Autores.  
67  
Cevallos-Macías John et al., (2020)  
Tabla 15. Usuarios encuestados.  
Las métricas han sido consideradas  
en base al significado de las  
características escogidas en el  
modelo, formando un cuestionario  
con respuestas cerradas tipo Si o  
No. A continuación, en la Tabla 14,  
se detallan las preguntas de la  
encuesta realizada, en base a las  
características y sub-características  
definidas según la ISO 25010:  
Cargo del  
usuario  
Número de Influencia de  
usuarios  
la aplicación  
Vendedor  
5
1
2
Alto  
Bajo  
Alto  
Técnico  
Administrador  
Negocio  
Fuente: Autores.  
Los resultados generados para los  
usuarios son satisfactorios, en  
especial  
a
los vendedores;  
se detallan  
a
Tabla 14. Preguntas de la encuesta.  
continuación,  
los  
resultados en la Tabla 16, con  
respuestas tabuladas por usuario.  
Cuerpo de la encuesta  
¿Cuándo se realizan cambios en los  
algoritmos o actualizaciones al sistema  
se presentan problemas de uso en  
la aplicación móvil?  
Pregunta 1  
Tabla 16. Respuestas tabuladas por  
usuarios.  
¿Las  
actualizaciones  
o
mejores  
Pregunta 2 requieren intervención humana sobre el  
dispositivo móvil?  
¿El tiempo de respuesta en que se  
Pregunta 3 presentan las recomendaciones no  
afecta la atención al cliente?  
Vendedor # 1  
Vendedor # 2  
Vendedor # 3  
Vendedor # 4  
Vendedor # 5  
Técnico #1  
No No No Si  
No No No Si  
No Si  
¿
Es posible enviar parámetros desde la  
No No  
Pregunta 4 aplicación que ayuden a que se realicen  
No No No No No Si  
mejores recomendaciones?  
No No No Si  
No No No Si  
No No No Si  
No No No Si  
No Si  
No Si  
No Si  
No Si  
¿Cuándo se presentan errores en la  
Pregunta 5 aplicación se suspende en tiempos  
prolongados el uso de la aplicación?  
Administrador #1  
Administrador #2  
¿Los mensajes obtenidos desde la  
No No Si  
No No Si  
Pregunta 6 aplicación cuando se desea realizar  
alguna recomendación es comprensible?  
Fuente: Autores.  
Fuente: Autores.  
3.2. Efectividad  
La encuesta diseñada fue realizada  
a los usuarios mostrados en la Tabla  
Para medir la efectividad se agregó  
una opción en la aplicación móvil,  
para que sea el vendedor en el  
15, que muestra el número de  
usuarios por cargo y la influencia que  
tiene la aplicación en su trabajo:  
momento  
de  
obtener  
las  
recomendaciones desde el motor,  
quien seleccione alguna de ellas, si  
le fue de interés al usuario alguna de  
68  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 4, Número 6 (Edición especial) ISSN: 2697-3456  
Aplicación de reglas de asociación sobre microservicios en las microempresas.  
0
2
0
2
1
2
1
2
1
8- diciembre-  
017  
9- diciembre-  
017  
0- diciembre-  
017  
1- diciembre-  
017  
2- diciembre-  
39  
99  
9
25  
6
las recomendaciones o producto afín  
queda a potestad del vendedor con  
un clic reconocerla como efectiva.  
Debemos tener en cuenta que el  
inventario es muy variable y los  
productos carecen de un historial  
extenso, por lo que es más valioso  
tener en cuenta las características  
de los ítems recomendados, que los  
productos en sí.  
36  
42  
8
32  
7
2017  
3- diciembre-  
2017  
1
48  
8
1
2
1
2
1
2
1
2
1
2
4- diciembre-  
017  
5- diciembre-  
017  
6- diciembre-  
017  
7- diciembre-  
017  
8- diciembre-  
017  
29  
6
54  
11  
45  
23  
22  
20  
31  
33  
40  
99  
84  
3
147  
97  
72  
La medición fue realizada por fecha,  
según el número de clics realizados  
sobre los ítems recomendados por el  
servicio en contraste al número de  
ventas de esa fecha en particular,  
esto debido a que existen fechas de  
ventas muy superiores a otras. En la  
Tabla 17, que se muestra a  
19- diciembre-  
017  
20- diciembre-  
71  
2
96  
2
2
2
2
2
2
2
2
2
2
2
2
017  
1- diciembre-  
017  
2- diciembre-  
017  
3- diciembre-  
017  
4- diciembre-  
017  
5- diciembre-  
017  
103  
141  
251  
265  
17  
6- diciembre-  
34  
6
2017  
7- diciembre-  
2017  
2
37  
8
continuación,  
se  
detallan  
los  
2
2
2
2
3
2
3
2
8- diciembre-  
017  
9- diciembre-  
017  
0- diciembre-  
017  
83  
39  
19  
56  
61  
resultados de la medición sobre las  
ventas, en el lapso de un mes.  
63  
166  
179  
Posteriormente procederemos  
evaluar dichos resultados.  
a
1- diciembre-  
017  
Fuente: Autores.  
Tabla 17. Resultado de recomendaciones  
Los resultados muestran un nivel de  
correlación positiva como se puede  
observar en la figura 9 mostrado a  
continuación, con un porcentaje  
cercano al 25% en el incremento de  
efectivas.  
Número de  
Número de  
ventas  
Fecha  
recomendaciones  
efectivas  
01-diciembre-  
33  
6
7
4
3
5
4
5
2
0
2
0
2
0
2
0
2
0
2
0
2
017  
2- diciembre-  
017  
3- diciembre-  
017  
4- diciembre-  
017  
5- diciembre-  
017  
6- diciembre-  
017  
7- diciembre-  
017  
64  
32  
la  
cantidad  
de  
ventas  
por  
21  
recomendaciones efectivas; también  
existe una mejora significativa en la  
atención al cliente, la cual, aunque  
no es medible de forma absoluta es  
23  
21  
31  
69  
Cevallos-Macías John et al., (2020)  
importante indicar que el cliente  
recibe opciones cuya aceptación o  
rechazo permitirá mejorar los  
modelos desarrollados y en el  
camino brindar siempre opciones al  
cliente.  
desarrolladores de software. En  
cuanto a soluciones con aprendizaje  
automático; son un soporte a las  
decisiones que, con una arquitectura  
orientada  
a
servicios, pueden  
desde cualquier  
accederse  
dispositivo con acceso a internet y  
soporte a servicios web, y entregar  
múltiples beneficios al sector  
comercial e investigativo.  
Figura 9. Comparación de Ventas efectivas  
con ventas generales  
La implementación de los algoritmos  
utilizando microservicios mejora la  
disponibilidad del servicio como un  
todo, aislando la funcionabilidad y  
abriendo las posibilidades a estudios  
futuros de rendimiento, aplicación y  
Fuente: Autores.  
usabilidad de los métodos  
algoritmos implementados.  
y
Conclusiones  
Para la implementación de los  
algoritmos que normalmente se  
incluyen en un sistema de  
Bibliografía.  
2
5010,  
I. ISO25000.  
ISO25000) Recuperado el 01  
de 09 de 2017, de  
(2017).  
(
recomendación  
es  
necesario  
trabajar con diversidad de formatos y  
atributos. En el caso de las  
empresas de tipo retail, se elaboró  
una estructura jerárquica válida para  
poder manejar líneas de negocios  
varías sin tener que reestructurar la  
herramienta.  
http://iso25000.com/index.ph  
p/normas-iso-25000/iso-  
25010  
Benito Hernández, S. (2009). Las  
redes de cooperación de  
microempresas en España y  
la utilización de las TIC's.  
CIRIEC-España, Revista de  
Economía Pública, Social y  
Cooperativa, 59-84.  
Los algoritmos publicados como un  
servicio web contribuyen a un nicho  
de mercado estratégicamente no  
atendido  
por  
las  
empresas  
70  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 4, Número 6 (Edición especial) ISSN: 2697-3456  
Aplicación de reglas de asociación sobre microservicios en las microempresas.  
CHANG TAN, Q. L. (2014). Object-  
Oriented Travel Package  
pequeꢃas  
y
medianas  
empresas  
colombianas.  
Recommendation.  
ACM  
Estudios Gerenciales, 355–  
364.  
Transactions on  
Chris Cornelis, J. L. (2007). One-  
and-only item  
Ignacio Apella, O. A. (2008). Aportes  
a una nueva visiꢀn de la  
informalidad laboral en la  
Argentina. Buenos Aires:  
Banco Mundial; Ministerio de  
Trabajo, Empleo y Seguridad  
Social. Intelligent Systems  
and Technology, 43.  
recommendation with fuzzy  
logic techniques. Information  
Sciences, 906–4921.  
Comercio, E. (8 de junio de 2017).  
Nuevo Tarqui, en la ciudad de  
Manta, cambió el rostro al  
comercio. Obtenido de El  
Comercio:  
Jie Bao, Y. Z. (2012). Location-based  
and  
Preference-Aware  
http://www.elcomercio.com/ac  
tualidad/tarqui-manta-  
Recommendation  
UsingSparse  
Networking  
Geo-Social  
Data.  
comercio-terremoto-  
vendedores.html  
Proceedings of the 20th  
international conference on  
Dianshuang Wu, G. Z. (2013). A  
Fuzzy  
Tree  
Similarity  
advances  
in  
geographic  
Measure and Its Application in  
TelecomProduct  
information systems (págs.  
199-208). Redondo Beach,  
CA, USA: ACM.  
Recommendation.  
IEEE  
International  
Conference,  
Lꢂpez, H. R. (2017). Estudio del  
Comportamiento en Compras  
de Clientes de Manabí en una  
Empresa de Retail un aꢃo  
3483-3488.  
Dryfty. (01 de 09 de 2017). Ionic  
Framework. (Ionic Enterprise)  
Obtenido  
de  
despuꢁs  
del  
terremoto.  
https://ionicframework.com/  
INNOVA Research Journal,  
126-134.  
Edgar JuliꢀnGꢀlvez Albarracín, S. C.  
2014). Influencia de las  
tecnologías de la información  
comunicaciꢂn en el  
rendimiento de las micro,  
(
Mireya Flores Jaꢁn, L. R. (2016).  
Características de las Pymes  
familiares en la ciudad de  
Quevedo. Ecuador. 494-508.  
y
71  
Cevallos-Macías John et al., (2020)  
Monica Orozco, G. Q. (19 de 07 de  
Universo:  
2
015). El 82% de pymes de  
https://www.eluniverso.com/n  
oticias/2016/07/29/nota/5714  
052/comercio-fue-mas-  
Ecuador accede a Internet,  
pero su uso se limitaa enviar  
correos  
y
tareas  
afectado-tras-sismo-78  
administrativas. pág. 23.  
Youcef Djenouri, M. C. (2017). SS-  
FIM: Single Scan for Frequent  
Navarro, P. (03 de 01 de 2018). las  
10 mejores tablets baratas  
Itemsets  
Mining  
in  
2018. Obtenido de Comprar  
Transactional  
Databases.  
Una  
Tablet:  
PAKDD (págs. 644–654).  
Jeju, South Korea: Springer  
International Publishing.  
https://comprarunatablet.net/t  
ablets-baratas/  
Philippe Fournier-Viger, A. G.-W.  
(2014). SPMF: A Java Open-  
Source Pattern Mining  
Library. Journal of Machine  
Learning Research, 3569-  
3
573.  
Philippe Fournier-Viger, J. C.-W.  
2016). The SPMF open-  
(
source data mining library  
version 2. ECML PKDD (págs.  
36-40). Conference Center,  
Riva del Garda: Springer  
International Publishing.  
School, X. Y. (2017). An improved  
Apriori algorithm for mining  
association  
rules. AIP  
Proceedings,  
Conference  
080005(1820), 1-6.  
Universo, E. (29 de Julio de 2016). El  
comercio fue el más afectado  
tras el sismo de 7,8 en  
Ecuador. Obtenido de El  
72