Analizar los hábitos de compra de los clientes en tiendas físicas es crucial para mejorar la relación minorista-cliente y aumentar los ingresos del negocio. Sin embargo, puede ser un desafío recopilar datos sobre las actividades de navegación de los clientes en tiendas físicas en comparación con las tiendas en línea. Este estudio sugiere utilizar tecnología RFID en las estanterías de las tiendas y modelos de aprendizaje automático para analizar la actividad de navegación de los clientes en las tiendas minoristas. El estudio utiliza etiquetas RFID para rastrear el movimiento de productos y recopila datos sobre el comportamiento del cliente utilizando la intensidad de la señal recibida (RSS) de las etiquetas. Luego, se extrajeron las características en el dominio del tiempo de los datos RSS y se utilizaron modelos de aprendizaje automático para clasificar diferentes actividades de compra de los clientes. Proponemos la integración de la detección de outliers iForest, el balanceo de datos ADASYN y el Perceptrón Multicapa (MLP). Los resultados indican que el modelo propuesto tuvo un mejor desempeño que otros modelos de aprendizaje supervisado, con mejoras de hasta 97.778% en precisión, 98.008% en precisión, 98.333% en especificidad, 98.333% en recuperación y 97.750% en la puntuación f1. Finalmente, mostramos la integración de este modelo entrenado en una aplicación basada en la web. Este resultado puede ayudar a los gerentes a comprender las preferencias de los clientes y a facilitar la colocación de productos, promociones y recomendaciones a los clientes.