Modelado Predictivo de Propensión a la Contratación de Préstamos

Empréstimos, Modelagem Preditiva de Propensão à Contratação de

doi:10.22167/2675-6528-202602667

Artículo

30 de septiembre de 2026

Modelado Predictivo de Propensión a la Contratación de Préstamos

Modelado Predictivo de Propensión a la Contratación de Préstamos

Andressa de Souza; Ana Julia Righetto

DOI: 10.22167/2675-6528-202602667

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

Ante el desafío del sector financiero de mejorar la eficiencia en la oferta de crédito, se desarrollaron y compararon modelos predictivos de machine learning para estimar la propensión de los clientes a contratar préstamos personales. La metodología adoptada fue cuantitativa y aplicada, basada en un conjunto de datos público con 5.000 registros, obtenido en la plataforma Kaggle. Se entrenaron y evaluaron cuatro algoritmos de clasificación: Regresión Logística, Random Forest, XGBoost y LightGBM, con división en conjuntos de entrenamiento y prueba. La evaluación de desempeño se fundamentó en las métricas de AUC, Precisión, Sensibilidad (Recall) y F1-Score, lo que permitió un análisis técnico robusto. Los resultados indicaron que los modelos de ensemble presentaron un desempeño superior al modelo de referencia, con mayor capacidad discriminatoria en la identificación de clientes con mayor propensión a la contratación de préstamos personales. El análisis de importancia de las variables evidenció que factores como la renta del cliente, el gasto medio con tarjeta de crédito y el nivel de escolaridad estuvieron entre los principales asociados a la decisión de contratación de préstamos. La aplicación de modelos de machine learning demostró potencial para mejorar estrategias en instituciones financieras, promoviendo mayor eficiencia en la asignación de recursos y competitividad en el mercado.

Palabras clave: instituciones financieras; machine learning; modelos de clasificación.

1. Introducción

El sector financiero se enfrenta al desafío constante de mejorar la eficiencia en la oferta de crédito y en la adquisición de clientes. A pesar de los avances tecnológicos, las instituciones financieras todavía encuentran limitaciones prácticas en la conducción de estrategias eficaces, especialmente en lo que respecta a la predicción de la probabilidad de contratación de productos, como préstamos personales (Špicas et al., 2023).

La ausencia de mecanismos de predicción robustos y una segmentación de clientes poco refinada resultan en estrategias de fijación de precios menos diferenciadas y en la dificultad para identificar clientes con mayor propensión a la contratación de productos financieros. Esto limita el direccionamiento de ofertas personalizadas e impacta directamente en la rentabilidad, ya que la identificación previa de la propensión a la contratación es crucial para una conversión eficiente.

En este escenario, la adopción de modelos de machine learning emerge como una solución prometedora para mitigar tales problemas. Estos modelos permiten un análisis predictivo del comportamiento del cliente, subsidiando decisiones estratégicas más eficaces (Khodabandehlou y Rahman, 2017). La aplicación de técnicas de Data Science en el entorno corporativo es fundamental para mitigar riesgos y extraer información relevante de grandes bases de datos, proporcionando análisis robustos para decisiones estratégicas (Fávero y Belfiore, 2019).

La evolución del uso de modelos de machine learning en el sector financiero ha sido notable. Inicialmente, modelos más simples como Regresión Logística y Árbol de Decisión eran predominantes. Con la madurez del área, se incorporaron métodos más sofisticados, como Random Forest y Support Vector Machines, ofreciendo ganancias en precisión y eficiencia. Más recientemente, técnicas de ensemble, como XGBoost y LightGBM, se destacan por su capacidad para manejar bases de datos complejas y con gran volumen de registros (Khodabandehlou y Rahman, 2017).

La literatura también resalta la influencia de factores personales, socioeconómicos y conductuales en la decisión de contratación de productos de crédito (Contreras Pinochet et al., 2019). Factores como edad, ingresos, nivel educativo y tiempo de relación con la institución financiera se asocian frecuentemente con esta decisión. Adicionalmente, aspectos de marketing, incluyendo características del producto, políticas de precios y estrategias promocionales, son relevantes en la percepción de valor y en la diferenciación entre instituciones financieras en mercados competitivos (Baumann et al., 2007).

La capacidad de predecir la propensión a la contratación de productos de crédito contribuye significativamente a la eficiencia en la adquisición de clientes. Esto permite la priorización de leads con mayor probabilidad de conversión, la reducción de gastos en campañas de marketing ineficaces y la optimización de las estrategias de fijación de precios. De esta manera, la predicción precisa del comportamiento del cliente favorece una asignación más eficiente de recursos y fortalece la competitividad de las instituciones financieras (Romanenko et al., 2024). Ante este contexto, el presente trabajo tuvo como objetivo implementar y comparar el rendimiento de diferentes algoritmos de clasificación supervisada aplicados a la predicción de la propensión de clientes a la contratación de préstamos, utilizando una base de datos pública que simula características observadas en datos reales del sector financiero, e identificar las variables que poseen mayor influencia en la decisión de la contratación de préstamos con el análisis de importancia de variables, proporcionando insights relevantes para la optimización de estrategias de fijación de precios y segmentación de clientes en instituciones financieras.

2. Material y Métodos

El presente estudio se caracterizó por un enfoque cuantitativo y de naturaleza aplicada, con el objetivo de implementar y comparar el rendimiento de algoritmos de clasificación supervisada. El objetivo fue predecir la propensión de los clientes a contratar préstamos e identificar las variables de mayor influencia en esta decisión, proporcionando subsidios para la optimización de estrategias en instituciones financieras.

La base de datos utilizada, titulada “Bank Personal Loan Modelling”, se obtuvo públicamente en la plataforma Kaggle (Kaggle, 2017). El conjunto de datos, disponible en 2017, contenía 5.000 registros. Estos registros incluían información demográfica, financiera y conductual de clientes de una institución financiera, siendo la variable objetivo, “Personal Loan”, un indicador binario de la contratación (1) o no contratación (0) de un préstamo personal.

Inicialmente, se realizó un análisis exploratorio de los datos para comprender la estructura de la base, identificar patrones de comportamiento y la distribución de las variables. Esta etapa también permitió evaluar posibles inconsistencias antes de la fase de modelado predictivo, garantizando la calidad y la adecuación de los datos para los análisis subsecuentes.

Las variables consideradas en el estudio abarcaban datos demográficos como edad, experiencia profesional, número de personas en la familia y nivel de escolaridad. La información financiera incluía ingresos, gasto promedio con tarjeta de crédito, monto del financiamiento inmobiliario y la posesión de cuenta de inversiones, certificado de depósito o tarjeta de crédito. La variable objetivo, “Personal Loan”, indicaba la contratación o no de préstamo personal.

En la etapa de preprocesamiento, se estandarizaron los nombres de las variables, eliminando espacios y convirtiendo a minúsculas, a fin de evitar inconsistencias. Se verificó la existencia de valores ausentes y la necesidad de exclusión de variables sin valor predictivo. Las variables se clasificaron en numéricas y categóricas, incluso si ya estaban codificadas numéricamente en la base de origen.

A continuación, los datos se separaron en conjuntos de entrenamiento (70%) y de prueba (30%), utilizando el enfoque de validación por conjunto de prueba (James et al., 2023). Esta proporción se adoptó para equilibrar el número de observaciones para el entrenamiento de los modelos y el mantenimiento de datos suficientes para la evaluación. La distribución original y desequilibrada de los datos se mantuvo durante el entrenamiento.

Para la modelización predictiva, se implementaron cuatro algoritmos de clasificación supervisada. Se utilizaron la Regresión Logística, como modelo de referencia (Hosmer et al., 2013), y técnicas de ensemble más avanzadas, como Random Forest (Breiman, 2001), XGBoost (Chen y Guestrin, 2016) y LightGBM (Ke et al., 2017). Para la definición de los hiperparámetros, se optó por los parámetros por defecto de las bibliotecas, con el objetivo de garantizar la comparabilidad y evitar el sobreajuste a los datos (Fávero y Belfiore, 2019).

La estabilidad de los resultados se evaluó utilizando diferentes semillas aleatorias, probando dos semillas distintas para verificar la consistencia de los algoritmos. El procesamiento de los datos y la implementación de los algoritmos se realizaron en el lenguaje de programación Python, en el entorno Visual Studio Code (VS Code). Las bibliotecas Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn, XGBoost y LightGBM se emplearon para la manipulación de datos, la visualización y la modelización predictiva.

Tras la implementación de los modelos, se realizó un análisis comparativo de rendimiento basado en las métricas de Precisión (Accuracy), Precisión (Precision), Sensibilidad (Recall) y F1-Score. Adicionalmente, se utilizaron la Curva ROC y el Área bajo la Curva (AUC), consideradas adecuadas para problemas de clasificación binaria con clases desbalanceadas (Fawcett, 2006). Estas métricas se derivaron de la Matriz de Confusión, según lo descrito por Fávero y Belfiore (2019).

La Precisión midió la proporción de predicciones correctas en relación con el total de observaciones. La Exactitud cuantificó la proporción de predicciones positivas que se hicieron correctamente, indicando la probabilidad de que un cliente clasificado como propenso realmente contrate el préstamo. La Sensibilidad, o Recall, midió la proporción de casos positivos reales identificados correctamente, reflejando la capacidad del algoritmo para encontrar clientes que de hecho contratarían el préstamo. El F1-Score, a su vez, representó la media armónica entre Exactitud y Sensibilidad, siendo una métrica fundamental para evaluar el modelo en bases de datos desbalanceadas (Fávero y Belfiore, 2019).

Adicionalmente, se analizó la importancia de las variables (“feature importance”) estimada a partir de los modelos basados en árbol. El objetivo fue identificar los atributos que ejercieron mayor influencia en la estimación de la propensión a la contratación de préstamos, proporcionando subsidios para la toma de decisiones en instituciones financieras.

3. Resultados y Discusión

El análisis exploratorio de los datos reveló características importantes del conjunto utilizado para la modelización predictiva. Inicialmente, se identificó una inconsistencia en la variable “experience”, que presentaba valores negativos en aproximadamente el 1% de los registros. Este hallazgo se interpretó como un error de registro y los valores se ajustaron a cero, representando a clientes sin experiencia profesional. Adicionalmente, la variable objetivo, “personal_loan”, que indica la contratación de un préstamo personal, demostró una distribución desequilibrada, con un 90,4% de los clientes sin contratar el producto y un 9,6% realizándolo. Esta asimetría subrayó la necesidad de priorizar métricas de evaluación de rendimiento adecuadas para problemas de clasificación con clases desequilibradas, como Precisión, Sensibilidad y F1-Score, en lugar de depender exclusivamente de la Exactitud, como se discute en Fawcett (2006).

Los histogramas de las variables numéricas, como “income” (ingresos del cliente) y “ccavg” (gasto medio en tarjeta de crédito), indicaron asimetría en sus distribuciones, con concentración de observaciones en rangos específicos y la presencia de valores extremos. Este patrón es común en bases de datos del sector financiero y refuerza la importancia de modelos robustos capaces de manejar esta estructura. El análisis de las distribuciones de estas variables en relación con la contratación de préstamos personales reveló diferencias significativas entre los grupos. Los clientes que contrataron préstamos presentaron, en promedio, ingresos y gasto con tarjeta de crédito más elevados, sugiriendo que estos factores poseen un potencial discriminatorio relevante en la identificación de la propensión a la contratación del producto.

La matriz de correlación entre las variables numéricas identificó una fuerte correlación positiva entre “experience” (tiempo de experiencia profesional) y “age” (edad del cliente), un resultado esperado, ya que el tiempo de experiencia profesional tiende a aumentar con la edad. También se observó una correlación positiva moderada entre “income” y “ccavg”, lo cual es consistente con el comportamiento financiero, donde la capacidad de gasto con tarjeta de crédito generalmente acompaña a los ingresos. Aunque la presencia de multicolinealidad puede influir en la interpretabilidad de los coeficientes en modelos lineales como la Regresión Logística, los algoritmos basados en árboles de decisión, como Random Forest, XGBoost y LightGBM, demostraron robustez a esta característica, minimizando su impacto en el rendimiento predictivo.

La evaluación del rendimiento de los modelos predictivos se realizó con base en métricas como AUC, Precisión, Sensibilidad (Recall) y F1-Score, consideradas más adecuadas para escenarios con clases desbalanceadas, como el observado en este estudio. La Acurácia, aunque calculada, fue analizada con cautela, ya que puede presentar valores elevados incluso con baja capacidad de identificar la clase minoritaria, llevando a interpretaciones imprecisas. La Sensibilidad, que mide la proporción de verdaderos positivos identificados, fue crucial para evaluar la capacidad del modelo de capturar clientes con real propensión a la contratación, directamente ligada a la potencial generación de ingresos. Por otro lado, la Precisión, que indica la proporción de predicciones positivas correctas, fue fundamental para evaluar la eficiencia operativa, minimizando contactos innecesarios.

La comparación entre los algoritmos de clasificación reveló la superioridad de los modelos basados en técnicas de “ensemble” en la identificación de clientes con mayor propensión a la contratación de préstamos. La Regresión Logística, utilizada como modelo de referencia, presentó la menor Sensibilidad, alcanzando el 64,6%. Esto significa que el modelo falló en identificar el 35,4% de los clientes que realmente contratarían el préstamo, resultando en una pérdida significativa de oportunidades comerciales. En contraste, los modelos LightGBM, XGBoost y Random Forest demostraron un desempeño sustancialmente superior en todas las métricas evaluadas, confirmando la eficacia de los enfoques de ensemble para este tipo de problema de clasificación, conforme observado en la literatura por Khodabandehlou y Rahman (2017).

Entre los modelos de ensemble, LightGBM y XGBoost destacaron con los mayores valores de Precisión y F1-Score. Ambos algoritmos alcanzaron un 95,6% de Precisión y un 93,2% de F1-Score, lo que indica que sus predicciones positivas fueron altamente confiables y que presentaron un excelente equilibrio entre Precisión y Sensibilidad. El Random Forest también exhibió un rendimiento robusto, con un 97,0% de Precisión y un 93,1% de F1-Score, ligeramente por debajo de los otros dos en Sensibilidad. Estos resultados demuestran que LightGBM y XGBoost son particularmente adecuados para su uso en campañas de marketing y estrategias de fijación de precios, ya que minimizan el desperdicio de recursos operativos al mismo tiempo que maximizan la identificación de clientes potenciales.

Las curvas ROC y los valores de AUC corroboraron la superioridad de los modelos de ensemble. La Regresión Logística obtuvo un AUC del 95,1%, mientras que Random Forest y XGBoost alcanzaron el 99,7%, y LightGBM presentó el valor más elevado, con el 99,8%. Estos valores cercanos al 100% indican una alta capacidad discriminatoria de los modelos de ensemble en la distinción entre clientes que contratan y no contratan préstamos. Sin embargo, es importante considerar que este elevado rendimiento puede atribuirse parcialmente a las características de la base de datos utilizada, que posee una naturaleza simplificada y una estructura relativamente bien definida, con variables fuertemente relacionadas con la variable objetivo, lo que puede no reflejar el mismo rendimiento en entornos reales más complejos, según lo señalado por Fawcett (2006).

La superioridad de LightGBM en Sensibilidad y Precisión tiene un impacto gerencial significativo, especialmente en escenarios de oferta activa de préstamos. En un escenario hipotético de una campaña de oferta de préstamo personal para 100.000 clientes, con una tasa de conversión real del 10% (10.000 clientes con propensión a la contratación), el modelo LightGBM, con una Sensibilidad del 91,0%, identificaría aproximadamente 9.100 de estos clientes. En contraste, la Regresión Logística, con una Sensibilidad del 64,6%, identificaría solo unos 6.460 clientes. Esta diferencia representa la pérdida de aproximadamente 2.640 clientes potenciales que no serían abordados, impactando directamente la generación de ingresos. Financieramente, asumiendo un valor promedio de préstamo de R$ 4.000 por cliente, esta brecha se traduce en un potencial adicional de aproximadamente R$ 10,56 millones en volumen de crédito concedido.

En términos de eficiencia operativa, la mayor Precisión del LightGBM (95,6%) en comparación con la Regresión Logística (83,0%) garantiza una asignación más eficaz del presupuesto de la campaña. Considerando las predicciones positivas, el LightGBM generaría aproximadamente un 4,4% de falsos positivos, lo que resultaría en unos 440 contactos ineficientes por cada 10.000 clientes abordados. La Regresión Logística, por su parte, resultaría en aproximadamente un 17,0% de falsos positivos, es decir, unas 1.700 abordajes sin retorno. Esta diferencia evidencia un desperdicio significativamente mayor de recursos operativos y un potencial desgaste en la relación con los clientes al utilizar el modelo de referencia. Así, la mayor complejidad computacional de los modelos basados en árbol se traduce en una mayor eficiencia económica, un mejor aprovechamiento de las oportunidades comerciales y una ventaja competitiva para las instituciones financieras, tal como lo destacan Fávero y Belfiore (2019).

El análisis de importancia de las variables (“feature importance”), estimado por los modelos Random Forest, XGBoost y LightGBM, reveló consistencia en los principales factores explicativos de la propensión a la contratación de préstamos. Las variables “income” (renta del cliente), “ccavg” (gasto medio con tarjeta de crédito) y “education” (nivel de escolaridad) aparecieron consistentemente entre las más relevantes en todos los modelos de ensemble. Estos resultados refuerzan la coherencia de los modelos con el comportamiento esperado en el contexto de negocios, ya que características financieras y socioeconómicas son ampliamente reconocidas en la literatura como influyentes directas de la decisión de contratación de productos de crédito (Contreras Pinochet et al., 2019). La identificación de estos factores permite a las instituciones financieras refinar sus estrategias de segmentación y personalización de ofertas.

A pesar de los resultados prometedores y del alto poder predictivo de los modelos seleccionados, el estudio presentó algunas limitaciones metodológicas que merecen consideración. La principal de ellas reside en la utilización de una base de datos pública con un número relativamente bajo de registros (5.000), lo que pudo haber contribuido a los valores elevados de AUC, que podrían no ser replicables en entornos reales más complejos. Además, la base de datos era estática, no capturando la evolución del comportamiento de los clientes a lo largo del tiempo ni el impacto de variables macroeconómicas dinámicas, como fluctuaciones en la tasa de interés (Selic), inflación o niveles de desempleo, que afectan directamente la propensión a la contratación de préstamos. Esta característica limita la generalización de los resultados a escenarios de mercado más volátiles.

Otra limitación importante fue la no aplicación de técnicas de balanceo de clases, como SMOTE, lo que pudo haber restringido el rendimiento del modelo de referencia, la Regresión Logística, y representa una oportunidad de mejora para estudios futuros. Para validar la robustez y estabilidad de los algoritmos de machine learning en diferentes escenarios económicos, trabajos futuros podrían beneficiarse de la utilización de bases de datos más amplias, incluyendo una gama mayor de variables e indicadores económicos temporales. Adicionalmente, la exploración de técnicas de optimización de hiperparámetros, como GridSearchCV, podría maximizar la capacidad predictiva de los algoritmos de “ensemble” en escenarios reales, mejorando aún más la aplicabilidad práctica de los modelos en instituciones financieras.

En resumen, los resultados obtenidos demuestran que los modelos de machine learning basados en técnicas de “ensemble”, especialmente LightGBM y XGBoost, superaron significativamente al modelo de Regresión Logística en la predicción de la propensión de los clientes a contratar préstamos. Esta superioridad se evidenció por métricas de rendimiento robustas, como AUC, Precisión, Sensibilidad y F1-Score, que indicaron una mayor capacidad discriminatoria y eficiencia en la identificación de clientes potenciales. El análisis de importancia de las variables confirmó que factores como ingresos, gasto con tarjeta de crédito y escolaridad son determinantes en esta decisión, proporcionando información valiosa para la optimización de estrategias de fijación de precios y segmentación de clientes. La aplicación de estos modelos ofrece un potencial considerable para mejorar la eficiencia en la asignación de recursos y fortalecer la competitividad de las instituciones financieras, contribuyendo a una toma de decisiones más informada y estratégica.

4. Conclusión

El presente estudio buscó implementar y comparar algoritmos de clasificación supervisada para predecir la propensión de los clientes a contratar préstamos, además de identificar las variables más influyentes en esta decisión, con el objetivo de optimizar las estrategias de fijación de precios y segmentación en instituciones financieras. Se verificó que los modelos basados en técnicas de ensemble, notablemente LightGBM y XGBoost, presentaron un rendimiento predictivo superior en comparación con la Regresión Logística, el modelo de referencia. Esta superioridad se evidenció por métricas como AUC, Precisión, Sensibilidad y F1-Score, que indicaron una mayor capacidad discriminatoria en la identificación de clientes con alta propensión a la contratación. El análisis de importancia de las variables reveló que los ingresos del cliente, el gasto promedio con tarjeta de crédito y el nivel de escolaridad estuvieron consistentemente entre los factores más relevantes. La aplicación de estos modelos demuestra un potencial significativo para mejorar la eficiencia en la adquisición de clientes, optimizar la asignación de recursos y fortalecer la competitividad en el sector financiero, al permitir una toma de decisiones más informada y estratégica.

Sin embargo, los resultados deben interpretarse con cautela, dadas las limitaciones metodológicas del estudio. La principal de ellas reside en la utilización de una base de datos pública, con un número relativamente bajo de registros y de naturaleza estática, lo que puede haber contribuido a los valores elevados de AUC y no refleja la complejidad de entornos reales, que incluyen la evolución del comportamiento del cliente y variables macroeconómicas dinámicas. Además, la no aplicación de técnicas de balanceo de clases representó una restricción. Para estudios futuros, se sugiere la utilización de bases de datos más amplias, que incorporen una gama mayor de variables e indicadores económicos temporales, a fin de validar la robustez y estabilidad de los algoritmos en escenarios más realistas. La exploración de técnicas de optimización de hiperparámetros también puede maximizar la capacidad predictiva de los modelos de ensemble, mejorando su aplicabilidad práctica.

Referencias Bibliográficas

Baumann, C.; Burton, S.; Elliott, G. 2007. Predicting consumer behavior in retail banking. Journal of Business and Management 2(3): 79-96.

Breiman, L. 2001. Random forests. Machine Learning 45(1): 5-32.

Chen, T.; Guestrin, C. 2016. XGBoost: a scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco, CA, USA. Anais… p. 765-794.

Contreras Pinochet, L. H.; Diogo, G. T.; Lopes, E. L.; Herrero, E.; Bueno, R. L. P. 2019. Propensity of contracting loans services from FinTech’s in Brazil. International Journal of Bank Marketing 37(5): 1056-1077.

Fawcett, T. 2006. An introduction to ROC analysis. Pattern Recognition Letters 27(8): 861-874.

Fávero, L. P.; Belfiore, P. 2019. Data Science for Business and Decision Making. Academic Press, London, UK.

Hosmer, D. W.; Lemeshow, S.; Sturdivant, R. X. 2013. Applied Logistic Regression. 3. ed. John Wiley & Sons, Hoboken, NJ, USA.

James, G.; Witten, D.; Hastie, T.; Tibshirani, R.; Taylor, J. 2023. An Introduction to Statistical Learning: with Applications in Python. Springer, New York, NY, USA.

Kaggle. 2017. Bank Personal Loan Modelling. Disponível em: https://www.kaggle.com/datasets/itsmesunil/bank-loan-modelling. Acesso em: 28 nov. 2025.

Ke, G.; Meng, Q.; Finley, T.; Wang, T.; Chen, W.; Ma, W.; Ye, Q.; Liu, T. Y. 2017. LightGBM: A highly efficient gradient boosting decision tree. In: Advances in Neural Information Processing Systems, 2017, Long Beach, CA, USA. Anais… p. 3146-3154.

Khodabandehlou, S.; Rahman, M. Z. 2017. Comparison of supervised machine learning techniques for customer churn prediction based on analysis of customer behavior. Journal of Systems and Information Technology 19(1/2): 65-93.

Romanenko, N.; Sharma, K.; Verma, S. 2024. Prediction of financial customer buying behavior based on machine learning. Journal of Artificial Intelligence General Science JAIGS 5(01): 125-131.

Špicas, R.; Neifaltas, A.; Kanapickienė, R.; Keliuotytė-Staniulėnienė, G.; Vasiliauskaitė, D. 2023. Estimating the acceptance probabilities of consumer loan offers in an online loan comparison and brokerage platform. Risks 11: 138.

Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy

Más recientes

22 de octubre de 2026

Desafíos y Posibilidades del Primer Año Escolar de Niños con TEA para el Trabajo Docente

22 de octubre de 2026

Viaje del Consumidor en la Decisión de Compra de Infoproductos en el Entorno Digital

22 de octubre de 2026

Riesgos Psicosociales y Salud Mental en el Trabajo en una Institución Bancaria

22 de octubre de 2026

Observatorio Digital de la Amazonía: Ciencia de Datos Aplicada al Análisis de Indicadores Sociales, Económicos, Ambientales y de Salud

22 de octubre de 2026

Aprendizaje Continuo como Factor de Crecimiento Organizacional en la Percepción de los Colaboradores

22 de octubre de 2026

Regresión Estadística en Microrredes para Estimación de Desempeño Operacional: Caso Campusgrid

22 de octubre de 2026

Previsión de la Morosidad de Pago Agregada en el Sistema Financiero Brasileño por Modelo Sarimax con Variables Macroeconómicas

22 de octubre de 2026

Factores de Compromiso de las Partes Interesadas en la Transferencia Internacional de Tecnología a un Hospital Público

22 de octubre de 2026

Combate a las Pérdidas Comerciales de Energía Eléctrica Utilizando Modelo de Series Temporales

También te puede interesar

22 de octubre de 2026

Desafíos y Posibilidades del Primer Año Escolar de Niños con TEA para el Trabajo Docente

La inserción de niños con Trastorno del Espectro Autista (TEA) en la Educación Infantil presenta desafíos significativos, dada la dificultad de adaptación a nuevos entornos y la intensidad de estímulos. El objetivo fue analizar la actuación docente en la Educación Infantil en el proceso de escolarización inicial de niños con TEA. Se realizó un estudio de caso, utilizando la entrevista narrativa como técnica de producción de datos. Los resultados revelaron que la actuación docente se caracterizó por prácticas de mediación y afecto, con la flexibilización de la rutina y el uso de recursos lúdicos como estrategias esenciales para el desarrollo y la organización sensorial del niño. También se destacó la importancia del profesional de apoyo escolar para el éxito del trabajo pedagógico. El desarrollo integral del niño fue promovido por medio de acciones docentes intencionales que priorizaron la adaptación ambiental, el fortalecimiento de vínculos y la atención a las necesidades específicas del TEA. Como contribución, se elaboró una guía de estrategias pedagógicas orientada a la acogida de niños con TEA en guarderías públicas.

Palabras clave: Educación Infantil; Inclusión Escolar; Narrativas Docentes; Prácticas Pedagógicas Inclusivas; Trastorno del Espectro Autista.

22 de octubre de 2026

Viaje del Consumidor en la Decisión de Compra de Infoproductos en el Entorno Digital

La expansión del comercio electrónico y la transformación tecnológica impulsaron la necesidad de comprender el comportamiento del consumidor de infoproductos, cuya experiencia percibida se ha vuelto crucial para el desarrollo profesional. El estudio tuvo como objetivo analizar los factores que influyeron en la decisión de compra de infoproductos en el entorno digital, considerando las etapas del viaje del consumidor. Se realizó una investigación aplicada, cuantitativa y descriptiva, a través de un estudio de campo con 100 consumidores de la Serra Gaúcha. La recopilación de datos se realizó mediante un cuestionario estructurado, utilizando muestreo no probabilístico. Los resultados revelaron un público cualificado y con un fuerte comportamiento “mobile-first”. Se constató que la disponibilidad de información detallada y la aprobación social fueron los principales desencadenantes de atracción en la fase de precompra. En las etapas transaccionales y posteriores, la minimización de fricciones operativas, la agilidad del acceso inmediato y la seguridad sistémica demostraron ser cruciales para la conversión y la satisfacción, aunque se identificaron lagunas en la eficiencia del soporte humano. La retención se fundamentó en la confianza generada por experiencias anteriores positivas, superando el factor precio. Se concluyó que el viaje del consumidor de infoproductos opera como un sistema integrado, exigiendo alineación entre infraestructura tecnológica, curaduría de contenido y humanización del soporte para asegurar el compromiso.

Palabras clave: Comercio electrónico; Comportamiento del consumidor; Experiencia del consumidor; Fidelización; Negocios virtuales.

22 de octubre de 2026

Riesgos Psicosociales y Salud Mental en el Trabajo en una Institución Bancaria

La salud mental en el entorno laboral es un tema de creciente relevancia, que impacta el desarrollo profesional y el bienestar de los colaboradores. Se realizó un estudio para identificar aspectos y situaciones que pueden influir en los niveles de absentismo en una institución bancaria. La investigación involucró a 108 participantes y utilizó un cuestionario estructurado, basado en la versión corta del COPSOQ II de Gonçalves (2021), que contenía 45 preguntas cerradas en escala Likert y dos preguntas abiertas. Los datos se recopilaron a través de una plataforma en línea y se analizaron con un enfoque descriptivo y cuantitativo. Los resultados revelaron un escenario que indicó la necesidad de ajustes en la distribución de las actividades y en la percepción de los gerentes sobre comportamientos y señales de trastornos. Se identificaron evidencias importantes en las respuestas abiertas de los participantes. Se concluyó que el estudio contribuyó a la promoción de la percepción de un ambiente seguro para la salud mental en la organización.

Palabras clave: Ausencias por trastornos; Desarrollo profesional; Liderazgo operativo; Licencia médica; Salud mental.

22 de octubre de 2026

Observatorio Digital de la Amazonía: Ciencia de Datos Aplicada al Análisis de Indicadores Sociales, Económicos, Ambientales y de Salud

El estado de Amazonas ha enfrentado desafíos históricos en la consolidación del Sistema Único de Salud (SUS), derivados de barreras geográficas, desigualdades socioeconómicas y limitaciones estructurales. En este estudio se describió el desarrollo e implementación de un geoportal de información en salud, concebido para apoyar el monitoreo, la evaluación y la planificación en el contexto amazónico. Se adoptó un enfoque de estudio de caso descriptivo, basado en análisis documental y datos secundarios, abarcando el mapeo de funcionalidades, la infraestructura técnica y las etapas de validación de la herramienta. El Portal fue desarrollado con tecnologías abiertas e integró múltiples bases de datos nacionales, ofreciendo dashboards interactivos, mapas temáticos y repositorio digital de documentos. Entre los resultados, destacaron la visualización georreferenciada de indicadores clave, la posibilidad de análisis comparativos temporales y la utilización de la plataforma en la revisión de planes de salud y en el redireccionamiento de acciones estratégicas. El portal puede representar un avance en la gobernanza digital y en la gestión basada en evidencia, con potencial de replicabilidad para otros territorios de alta complejidad, siempre que vaya acompañado de inversiones en infraestructura tecnológica, capacitación profesional y articulación interinstitucional.

Palabras clave: Amazonía; Evaluación en Salud; Salud Digital; Sistemas de Información en Salud.

22 de octubre de 2026

Aprendizaje Continuo como Factor de Crecimiento Organizacional en la Percepción de los Colaboradores

El impacto del aprendizaje continuo y la gestión del conocimiento en el crecimiento de las organizaciones fue estudiado en un escenario de globalización y constantes cambios. El objetivo del estudio fue analizar la percepción de los colaboradores sobre la cultura de aprendizaje y su importancia para el desarrollo personal y profesional. Los datos se obtuvieron a través de una encuesta anónima, de enfoque cuantitativo, utilizando un formulario con preguntas tipo “survey” aplicado a 87 profesionales de los sectores de tecnología, salud, educación, comercio y servicios. Los resultados indicaron que los colaboradores tenían una percepción positiva sobre la contribución del aprendizaje continuo al crecimiento personal y organizacional, reconociendo sus beneficios para el desarrollo de nuevas habilidades, la innovación y la competitividad. Sin embargo, se observó que el incentivo al intercambio de conocimiento interno y la oferta de capacitaciones prácticas aún presentaban medias moderadas de acuerdo. Se concluyó que el aprendizaje continuo contribuye significativamente al desarrollo individual y organizacional, sugiriendo que las empresas deben desarrollar políticas estratégicas de aprendizaje dirigido a nuevas habilidades, buscando una mayor ventaja competitiva y la innovación.

Palabras clave: Aprendizaje continuo; Autodesarrollo; Crecimiento organizacional; Gestión del Conocimiento; Innovación.

22 de octubre de 2026

Regresión Estadística en Microrredes para Estimación de Desempeño Operacional: Caso Campusgrid

Se propuso un modelo de regresión estadística múltiple para estimar el rendimiento operativo de la microrred CampusGrid de la UNICAMP, basándose en magnitudes eléctricas internas. La microrred integra generación fotovoltaica, baterías y un generador de gas. Se recopilaron datos del sistema de gestión de energía en intervalos de cinco minutos durante un mes. El Índice de Confiabilidad Operacional, definido como la razón entre energía atendida y demandada, se estableció como variable dependiente. El modelo se ajustó al modo de operación aislado, evaluando el impacto de la demanda, el estado de carga, la generación solar y la energía suministrada. Los resultados revelaron un elevado poder explicativo, indicando que la confiabilidad operativa depende de la interacción entre el suministro y la demanda. Se observó que el período nocturno concentró la mayor tasa de atención parcial, atribuida a la reducción de la generación solar. Se concluyó que la regresión múltiple ofrece una estructura interpretable y útil para el monitoreo de microrredes y el apoyo a estrategias de control.

Palabras clave: Almacenamiento en baterías; Generación fotovoltaica; Índice de Confiabilidad; Operación aislada; Sistema de Gestión de Energía.

22 de octubre de 2026

Previsión de la Morosidad de Pago Agregada en el Sistema Financiero Brasileño por Modelo Sarimax con Variables Macroeconómicas

La morosidad agregada en el sistema financiero brasileño es un indicador crucial de riesgo crediticio, cuya previsión está regulada por las Resoluciones CMN n.° 4.557/2017 y 4.966/2021 para la medición prospectiva de pérdidas esperadas. Se modeló y predijo la morosidad agregada mediante el modelo SARIMAX, proyectando su trayectoria hasta diciembre de 2026 bajo escenarios optimista, base y pesimista. Se utilizaron 164 observaciones mensuales (julio/2012 a febrero/2026) y variables macroeconómicas como desempleo, Selic, IPCA, IBC-Br y endeudamiento de las familias. La especificación con variables contemporáneas fue seleccionada con base en criterios de información y estabilidad de los coeficientes, y el diagnóstico de los residuos confirmó adecuación estadística, con MAPE de 3,12%. La morosidad histórica varió entre 4,33% y 7,64%. La estimación identificó el desempleo (β = 0,2534; p < 0,001) y la Selic (β = 0,2128; p < 0,001) como principales determinantes positivos, con fuerte persistencia temporal (AR(1) = 0,8965). La Selic exhibió correlación creciente con la morosidad (r = 0,62 en el rezago 12), mientras que el desempleo demostró efecto contemporáneo (r = 0,33). Las proyecciones indicaron morosidad entre 6,30% y 7,98% en diciembre de 2026, con una amplitud de 1,68 punto porcentual, evidenciando implicaciones directas para el dimensionamiento de provisiones en las instituciones financieras.

Palabras clave: Desempleo; Modelado predictivo; Política monetaria; Provisión de pérdidas; Series temporales.

22 de octubre de 2026

Factores de Compromiso de las Partes Interesadas en la Transferencia Internacional de Tecnología a un Hospital Público

Este estudio describió los factores críticos percibidos para la participación de las partes interesadas en la transferencia internacional de tecnología en un hospital público, con foco en la planificación. El objetivo fue describir estos factores condicionantes, según la percepción de los profesionales. Se realizó un estudio de caso único, aplicando un cuestionario a 25 profesionales y utilizando análisis de contenido, complementado por tabulaciones descriptivas. Los principales obstáculos identificados fueron resistencia al cambio (72%), financiación (64%), falta de comunicación (60%) y burocracia (40%). Solo el 28% de los encuestados reconoció la existencia de herramientas adecuadas para la gestión de stakeholders, mientras que el 48% negó y el 24% no supo informar. Cruzamientos exploratorios indicaron variaciones en la evaluación de influencia según el tiempo de actuación, pero no establecieron relaciones causales. La falta de participación se asoció con retrasos, baja adhesión, desperdicio de recursos, fallas de comunicación, compromiso de la absorción de conocimiento y riesgos para la seguridad del paciente. Las conclusiones se restringieron a las percepciones del grupo investigado y fundamentaron recomendaciones preliminares para la comunicación y coordinación intersectorial.

Palabras clave: Estudio de caso; Gestión de proyectos; Innovación en salud; Partes interesadas; Sector público.

22 de octubre de 2026

Combate a las Pérdidas Comerciales de Energía Eléctrica Utilizando Modelo de Series Temporales

Las pérdidas comerciales de energía eléctrica representaron uno de los principales desafíos para las distribuidoras, impactando directamente la sostenibilidad económica y la calidad del suministro. Se evaluó la eficiencia de modelos de series temporales, con foco en técnicas de suavización exponencial, en la predicción del consumo facturado de unidades consumidoras, para apoyar la identificación de desvíos asociados a pérdidas no técnicas. Se utilizaron datos históricos de consumo mensual de una distribuidora de energía eléctrica en Brasil, segmentados por perfiles de comportamiento (estacionariedad, tendencia y estacionalidad). Se aplicaron modelos de suavización exponencial simple, Holt y Holt-Winters (aditivo y multiplicativo), comparados a una media móvil tradicional. El error porcentual absoluto medio (MAPE) fue el criterio de evaluación. Adicionalmente, se empleó el enfoque predictivo para la selección automática del modelo y pruebas de diagnóstico de los residuos, como Ljung-Box y análisis de la función de autocorrelación. Los resultados demostraron que modelos más robustos presentaron mayor capacidad de adaptación a las características de las series y menor error, con destaque para el desempeño superior en escenarios con tendencia. Para series estacionales, el modelo ETS mostró mayor capacidad de adaptación a transiciones. Se concluyó que la utilización de modelos de series temporales más estructurados contribuyó significativamente a la mejora de la exactitud de las predicciones y ofreció soporte analítico relevante para la identificación de pérdidas comerciales y optimización de procesos operacionales y comerciales en el sector eléctrico.

Palabras clave: Distribución de energía; MAPE; Optimización; Predicción de consumo; Suavización exponencial.

Economia

19 de octubre de 2026

¿Fin de la escala 6×1: qué permiten concluir los números?

Tras la promulgación del fin de la escala 6×1, el debate sobre la jornada menor pasa a la implementación y exige distinguir beneficios sociales de costos económicos El fin de la escala 6×1 pasó de la discusión legislativa a un cambio constitucional en Brasil. El 16 de octubre de 2026, el Congreso Nacional promulgó la enmienda constitucional nº 141/2026, originada de la Propuesta […]

Inteligencia Artificial

16 de octubre de 2026

¿Por qué estudiar si existe la IA?

Cuando las respuestas se vuelven fáciles, aprender pasa a significar más que alcanzarlas. ¿Por qué necesito aprender esto si puedo preguntarle a una inteligencia artificial? Este tipo de pregunta ha acompañado a la educación durante décadas. ¿Por qué aprender una operación si existe una calculadora? ¿Por qué memorizar una información si se puede encontrar […]

Gestión Tributaria

15 de octubre de 2026

Impuesto rosa y el género del precio

Cómo los diferentes tratamientos de marketing para hombres y mujeres son incorporados por la tributación del consumo Imagine un estante en el que dos maquinillas de afeitar de la misma marca y destinadas al mismo propósito están expuestas una al lado de la otra: una tiene un empaque oscuro y promete fuerza, precisión y eficiencia; la otra viene en tonos de rosa o […]

Salud

13 de octubre de 2026

El eslabón perdido de la transformación de la salud

¿Por qué la innovación no es suficiente para generar cambios en las organizaciones y en los sistemas de salud La transformación digital se ha consolidado como una prioridad estratégica para los sistemas de salud en todo el mundo. Historias clínicas electrónicas, inteligencia artificial, telemedicina, monitorización remota y análisis de datos han pasado a formar parte de la agenda estratégica de gobiernos y organizaciones sanitarias. Paradójicamente, […]

Marketing

09 de octubre de 2026

Bitcoin o mascotas: lo que la Inteligencia Artificial no vería

Un caso real de consumer intelligence muestra lo que queda fuera del briefing Hace algunos años, una aseguradora estadounidense contrató a una empresa especializada en consumer intelligence para responder a tres preguntas: La aseguradora también evaluaba lanzar seguros pagados en bitcoin. En ese momento, el proceso de trabajo de la consultoría funcionaba así: el analista creaba una query […]

Gestión Escolar

06 de octubre de 2026

La escuela no es un casino: cuando las figuritas se convierten en moneda en el patio

¿Por qué, para determinados estudiantes, la escuela logra ofrecer tan pocas experiencias de éxito? La Copa del Mundo ha terminado. Brasil ha quedado fuera de la competición, llegaron las vacaciones escolares, se disputó la final y el calendario del fútbol siguió adelante. Sería razonable imaginar que, con el fin del torneo y el regreso a clases, también comenzara […]

Transición Energética

30 de septiembre de 2026

Energías renovables: la ventaja brasileña

Brasil necesita invertir en la capacidad de transformar recursos naturales en innovación, productividad y desarrollo Hablar de energía es hablar de desarrollo. Detrás de la industria, el transporte, los servicios, las ciudades y, cada vez más, la inteligencia artificial, existe una infraestructura energética que sustenta la economía. Comprender la matriz energética de un país es comprender […]

Análisis De Datos

30 de septiembre de 2026

¿Cuando cambian los datos, ha cambiado la realidad?

Análisis de casi 20 millones de vínculos-año docentes entre 2020 y 2025 muestra cómo cambios en la composición de la población y en la producción de los registros pueden alterar la interpretación de series históricas Entre 2020 y 2025, el número de vínculos formales de trabajo docente identificados en la RAIS (Relación Anual de Información Social), del Ministerio de Trabajo, […]

Inteligencia Artificial

28 de septiembre de 2026

Inteligencia artificial y las tendencias

¿Por qué tanta gente se une a los juegos con ChatGPT? Nunca fui una persona de tendencias. Sigo sin serlo. Algunas pasan por mi línea de tiempo, las veo, me parecen interesantes pero no al punto de experimentar. Fue así, inclusive, con algunas ondas recientes de imágenes hechas por inteligencia artificial, como la tendencia de los años 80, aquella que nos […]

Gestión Tributaria

01 de septiembre de 2026

Reforma tributaria y planificación patrimonial en el campo

La eficiencia para gestionar los impuestos facilita la gobernanza y permite organizar la sucesión familiar. La organización patrimonial rural se ha convertido en una medida estratégica ante la reforma tributaria en Brasil, que entró en vigor este año. La planificación de las actividades y de la gestión del patrimonio rural, a través de herramientas como la transición de la Persona Física a […]

Renata de Gaspari Valdejão Almeida

Inteligencia Artificial

05 de agosto de 2026

Dentro de la empresa y fuera del radar: los riesgos de la IA Sombra

Según Microsoft, el 75% de los profesionales ya utilizan inteligencia artificial en el trabajo sin la aprobación de la empresa El uso de la inteligencia artificial generativa ya forma parte de la rutina corporativa. Herramientas como ChatGPT, Copilot y otras plataformas ayudan a los profesionales a producir textos, analizar datos, crear presentaciones y acelerar tareas en prácticamente todos los sectores. Pero este avance […]

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julio de 2026

El futuro como competencia

El interés académico refuerza la proyección de escenarios como herramienta esencial para la toma de decisiones. Mientras algunas empresas aún intentan acertar el próximo paso, otras ya trabajan con múltiples futuros posibles — y se preparan para todos ellos. Pero, ¿qué significa “pensar el futuro”? ¿Es tendencia, es estrategia o una nueva competencia que […]

Renata de Gaspari Valdejão Almeida

Innovación

Tecnología

21 de mayo de 2026

Corredor Agro SP: innovación, articulación institucional y futuro

Pecege comanda a operação executiva das atividades do ecossistema de 400 km que ficou conhecido como Vale do Silício do agro brasileiro Em 2025, além de assumir a gestão do Parque Tecnológico de Piracicaba, o Instituto Pecege também foi designado para comandar a operação executiva das atividades do Corredor de Inovação Agropecuária do Estado, o chamado […]

Educación

27 de abril de 2026

Cómo transformar un TCC en negocio

Nueva gestión del Parque Tecnológico de Piracicaba ofrece consultoría a egresados de MBAs El nuevo director de proyectos del Parque Tecnológico de Piracicaba (PTP), Alexandre Barreto, suele decir que una de las mayores recompensas que ha tenido en la vida ha sido ver a sus orientandos del MBA USP/Esalq estructurar empresas a partir de sus trabajos de conclusión de […]

Tecnología

20 de marzo de 2026

El repertorio humano en la era de la IA

El pensamiento crítico y la creatividad son insustituibles en el trabajo del profesional de marketing La Inteligencia Artificial (IA) es capaz de hazañas increíbles, pero aún no posee la capacidad de juicio, empatía, intuición y creatividad estratégica necesarias para hacer el trabajo de un buen profesional de marketing. En esta área, es importante saber usar la herramienta para automatizar […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

23 de febrero de 2026

ESG como estrategia de crecimiento en una cooperativa del RS

Santa Clara equilibra responsabilidad social y ambiental con innovación Fundada en 1911 por inmigrantes italianos en Carlos Barbosa, en la sierra gaúcha, la Cooperativa Santa Clara es un ejemplo de que es posible equilibrar el crecimiento económico con la responsabilidad social y ambiental. De una pequeña empresa de producción de quesos, la organización evolucionó a un […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

22 de enero de 2026

¿Brasil libre de fiebre aftosa: qué cambia para la carne brasileña?

Con un rebaño de más de 200 millones de cabezas de ganado, el país es actualmente el líder en exportaciones Brasil recibió recientemente, por primera vez, la certificación de país libre de fiebre aftosa sin vacunación, otorgada por la Organización Mundial de Sanidad Animal (OMSA). El sello fortalece la posición del país como proveedor de carne confiable para el […]

Renata de Gaspari Valdejão Almeida

Innovación

09 de diciembre de 2025

Innovación: el nuevo ciclo del Parque Tecnológico de Piracicaba

El Instituto Pecege asume la gestión apostando en la creación de nuevos negocios A partir de 2026, el Instituto Pecege asumirá la gestión del Parque Tecnológico de Piracicaba (PTP). Entre sus responsabilidades estarán la administración, operación, mantenimiento y expansión del parque, además del fomento de actividades de innovación, emprendimiento y ciencia y tecnología. La elección fue realizada […]

Renata de Gaspari Valdejão Almeida

06 de julio de 2026

Arquitectura a Gran Escala: Gestión de Cambios DSR-SCRUM

Mônica Alessandra Guerios; Maria do Carmo Assis Todorov Resumen elaborado por la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. La arquitectura y el urbanismo se configuran como bases imprescindibles en un espacio urbano cada vez más complejo y desafiante, donde la intrínseca conexión entre cuestiones sociales, ambientales y tecnológicas […]