Métodos de machine learning con algoritmos de clúster no supervisados, una alternativa de segmentación de las pymes colombianas para plantear estrategias de acuerdo con sus condiciones económicas

Ramírez Mendoza, Durley Yalile

Métodos de machine learning con algoritmos de clúster no supervisados, una alternativa de segmentación de las pymes colombianas para plantear estrategias de acuerdo con sus condiciones económicas

dc.contributor.advisor	Orozco Echeverry, César Augusto	spa
dc.contributor.author	Ramírez Mendoza, Durley Yalile
dc.coverage.spatial	Medellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degrees	eng
dc.creator.degree	Magíster en Administración Financiera	spa
dc.creator.email	dyramirezm@eafit.edu.co	spa
dc.date.accessioned	2022-08-06T00:11:57Z
dc.date.available	2022-08-06T00:11:57Z
dc.date.issued	2022
dc.description	Esta investigación creó una nueva alternativa de agrupación utilizando herramientas de machine learning como son los modelos K-means y el clúster aglomerativo, tomando como base la información financiera de 2016 a 2019 de 10.001 pymes colombianas. A partir de estos modelos, se originaron doce clústeres que tienen el 98,44% de los datos evaluados y se determinó que el modelo que presentó mejores resultados de agrupación fue el modelo aglomerativo, el cual genera los siguientes grupos principales: un primer grupo con márgenes negativos y un endeudamiento superior al 61%, un segundo grupo que inicia con un intervalo entre el -10% hasta el 40% de sus márgenes y un endeudamiento inferior al 60%, y un tercer grupo con márgenes positivos y un endeudamiento entre el 11 y 80%. Finalmente, desde estos grupos se crean estrategias de acuerdo con las condiciones económicas de cada uno de ellos.	spa
dc.description.abstract	This research created a new grouping alternative using machine learning tools such as K-means and agglomerative clustering models, based on financial information from 2016 to 2019 of 10,001 Colombian SMEs. From these models twelve clusters originated that have 98.44% of the evaluated data and it was determined that the model that presented the best clustering result was the agglomerative model which generates the following main groups: a first group with negative margins and a debt exceeding 61%, a second group starting with a range between -10% to 40% of its margins and a debt below 60%, and a third group with positive margins and a debt between 11 and 80%. Finally, these groups create strategies according to the economic conditions of each of them.	spa
dc.format	application/pdf	eng
dc.identifier.ddc	338.642 R173
dc.identifier.uri	http://hdl.handle.net/10784/31580
dc.language.iso	spa	spa
dc.publisher	Universidad EAFIT	spa
dc.publisher.department	Escuela de Economía y Finanzas	spa
dc.publisher.place	Bogotá	spa
dc.publisher.program	Maestría en Administración Financiera	spa
dc.rights	Todos los derechos reservados	spa
dc.rights.accessrights	info:eu-repo/semantics/openAccess	spa
dc.rights.local	Acceso abierto	spa
dc.rights.uri	https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Pymes	spa
dc.subject	Algoritmos no supervisados	spa
dc.subject	Clúster	spa
dc.subject	Clúster K-means	spa
dc.subject	Clúster aglomerativo	spa
dc.subject.keyword	SMEs	spa
dc.subject.keyword	Machine learning	spa
dc.subject.keyword	Unsupervised algorithms	spa
dc.subject.keyword	Cluster	spa
dc.subject.keyword	K-means clustering	spa
dc.subject.keyword	Agglomerative clustering	spa
dc.subject.lemb	PEQUEÑA Y MEDIANA EMPRESA	spa
dc.subject.lemb	FINANZAS CORPORATIVAS	spa
dc.subject.lemb	TECNOLOGÍA - ASPECTOS ECONÓMICOS	spa
dc.subject.lemb	ADMINISTRACIÓN FINANCIERA	spa
dc.title	Métodos de machine learning con algoritmos de clúster no supervisados, una alternativa de segmentación de las pymes colombianas para plantear estrategias de acuerdo con sus condiciones económicas	spa
dc.type	masterThesis	eng
dc.type	info:eu-repo/semantics/masterThesis	eng
dc.type.hasVersion	acceptedVersion	eng
dc.type.local	Tesis de Maestría	spa
dc.type.spa	Otro	spa