Modelo predictivo de insolvencia empresarial para las pymes en Colombia

Vista sencilla de ítem
dc.contributor.advisorMartínez Vargas, Juan David
dc.contributor.advisorSepúlveda Cano, Lina María
dc.contributor.authorCastro Espitia, Camilo
dc.coverage.spatialMedellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degreeseng
dc.creator.degreeMagíster en Ciencias de Datos y Analíticaspa
dc.creator.emailccastroe1@eafit.edu.co
dc.date.accessioned2024-11-01T17:52:19Z
dc.date.available2024-11-01T17:52:19Z
dc.date.issued2024
dc.descriptionLa insolvencia empresarial repercute económicamente en la empresa afectada y, de forma directa e indirecta, en sus proveedores de bienes y servicios. Esto termina afectando a la población en general, quienes son los consumidores de estos bienes y servicios. Por ende, es importante analizar y estudiar los posibles factores que llevan a una empresa a entrar en situación de insolvencia económica. De acuerdo con lo anterior, el presente trabajo tiene como objetivo predecir la insolvencia empresarial en el contexto colombiano para las Pymes. Asimismo, se hará uso de los datos financieros disponibles de la Superintendencia de Sociedades en el año 2021 y las empresas que entraron en situación de insolvencia económica en el año 2023. De esta manera, a través de indicadores financieros, será posible construir las variables explicativas de la insolvencia económica y lograr un modelo predictivo de insolvencia económica. El presente trabajo se aborda de la siguiente manera: primero, se extrae la información de la Superintendencia de Sociedades para las pymes en el año 2021 y las empresas que entraron en insolvencia económica en 2023 para obtener nuestra variable objetivo. Después, con base en los datos obtenidos, se calculan los índices financieros necesarios para el presente estudio, utilizando los estados financieros de estas empresas correspondientes al año 2021. A continuación, se realiza el análisis exploratorio de datos para obtener un conocimiento más amplio del conjunto de datos y analizar temas de correlación entre variables, entre otros aspectos. Finalmente, se diseñan varios modelos de machine learning para determinar cuál es el más apropiado para el caso de estudio. Finalmente, los resultados del presente trabajo nos indican que los modelos Random Forest y CatBoost son los más adecuados para predecir la insolvencia económica en Colombia, teniendo en cuenta que estos modelos son de gran utilidad en variables categóricas y para efectos del trabajo la variable objetivo es categórica.
dc.description.abstractBusiness insolvency has an economic impact on the affected company and, directly and indirectly, on its suppliers of goods and services. This ends up affecting the general population, who are the consumers of these goods and services. Therefore, it is important to analyze and study the possible factors that lead a company to enter a situation of economic insolvency. In accordance with the above, the objective of this work is to predict business insolvency in the Colombian context for SMEs. Likewise, use will be made of the financial data available from the Superintendency of Companies in the year 2021 and the companies that entered into a situation of economic insolvency in the year 2023. In this way, through financial indicators, it will be possible to construct the explanatory variables. of economic insolvency and achieve a predictive model of economic insolvency. This work is approached as follows: first, information is extracted from the Superintendency of Companies for SMEs in 2021 and companies that entered economic insolvency in 2023 to obtain our objective variable. Then, based on the data obtained, the financial ratios necessary for this study are calculated, using the financial statements of these companies corresponding to the year 2021. Next, the exploratory data analysis is carried out to obtain a broader knowledge of the set. of data and analyze correlation issues between variables, among other aspects. Finally, several machine learning models are designed to determine which one is most appropriate for the case study
dc.identifier.urihttps://hdl.handle.net/10784/34764
dc.language.isospaspa
dc.publisherUniversidad EAFITspa
dc.publisher.departmentEscuela de Ciencias Aplicadas e Ingeniería. Área Computación y Analíticaspa
dc.publisher.placeMedellín
dc.publisher.programMaestría en Ciencias de los Datos y Analíticaspa
dc.rightsTodos los derechos reservadosspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccesseng
dc.rights.localAcceso abiertospa
dc.subjectInsolvencia económica
dc.subjectPymes
dc.subjectModelo predictivo
dc.subject.keywordEconomic Insolvency
dc.subject.keywordSMEs
dc.subject.keywordPredictive Model
dc.subject.lembCIENCIA DE LA INFORMACIÓN
dc.subject.lembPEQUEÑA Y MEDIANA EMPRESA
dc.subject.lembQUIEBRA
dc.subject.lembFRACASOS COMERCIALES
dc.titleModelo predictivo de insolvencia empresarial para las pymes en Colombia
dc.typemasterThesiseng
dc.typeinfo:eu-repo/semantics/masterThesiseng
dc.type.hasVersionacceptedVersioneng
dc.type.localTesis de Maestríaspa
dc.type.spaOtro

Archivos

Bloque original
Mostrando 1 - 3 de 3
No hay miniatura disponible
Nombre:
Camilo_CastroEspitia_2024.pdf
Tamaño:
888.13 KB
Formato:
Adobe Portable Document Format
Descripción:
Trabajo de grado
Descargar
No hay miniatura disponible
Nombre:
formulario_autorizacion_publicacion_obras.pdf
Tamaño:
517.65 KB
Formato:
Adobe Portable Document Format
Descripción:
Formulario de autorización de publicación de obras
Descargar
No hay miniatura disponible
Nombre:
carta_aprobacion_trabajo_grado_eafit.pdf
Tamaño:
115.96 KB
Formato:
Adobe Portable Document Format
Descripción:
Carta de aprobación de tesis de grado
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
2.5 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Maestría en Ciencias de los Datos y Analítica (tesis)