Segmentación de Clientes Financieros por Clusterización y Aprendizaje No Supervisado

Esteves, Luciana Martins; Gioia, Henrique Raymundo

doi:10.22167/2675-6528-202602263

Artículo

15 de septiembre de 2026

Segmentación de Clientes Financieros por Clusterización y Aprendizaje No Supervisado

Luciana Martins Esteves; Henrique Raymundo Gioia

DOI: 10.22167/2675-6528-202602263

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

Resumen

La creciente disponibilidad de datos en el sector financiero ha hecho relevante el uso de técnicas analíticas para la segmentación y el apoyo a la toma de decisiones. El estudio tuvo como objetivo aplicar técnicas de clusterización a una base de clientes, con el fin de identificar grupos homogéneos e interpretar perfiles distintos basándose en variables financieras, conductuales y de registro. Metodológicamente, la investigación se clasificó como aplicada, descriptiva y cuantitativa, llevada a cabo como estudio de caso con 750 registros. Inicialmente, los datos fueron preparados, tratados y estandarizados. A continuación, se aplicó el algoritmo K-Means, probando diferentes valores de k y utilizando métricas internas de validación (WCSS, silhouette, Calinski-Harabasz y Davies-Bouldin). También se realizó una comparación con métodos jerárquicos y un análisis estadístico complementario por ANOVA. Los resultados mostraron que, aunque la solución con dos clusters presentó un mejor rendimiento estadístico en parte de las métricas, la configuración con tres grupos tuvo una mayor capacidad interpretativa y analítica. Los clusters identificados distinguieron clientes con mayor vulnerabilidad financiera, perfil intermedio y mayor valor económico, con diferencias relevantes en ingresos, endeudamiento, utilización del crédito, inversión y reserva de emergencia. Se concluyó que la clusterización fue eficaz para segmentar la base analizada y demostró potencial para apoyar la interpretación de perfiles y la toma de decisiones orientada por datos.

Palabras clave: aprendizaje no supervisado; ciencia de datos; clusterización; K-Means; segmentación de clientes.

1. Introducción

La creciente digitalización del sector financiero ha ampliado significativamente la generación, el almacenamiento y el uso estratégico de datos de clientes. En el contexto bancario contemporáneo, la competitividad ha dejado de depender únicamente de la oferta de productos estandarizados y ha pasado a exigir una mayor capacidad analítica para comprender perfiles, comportamientos y necesidades específicas de los consumidores.

En Brasil, este movimiento ha sido intensificado por la expansión de los canales digitales, la maduración del Open Finance y el uso creciente de inteligencia artificial y análisis predictivos para la personalización de productos y servicios. La Federación Brasileña de Bancos (FEBRABAN, 2025) señala que la personalización se impulsa, entre otros factores, por el uso de datos compartidos vía Open Finance y por análisis basados en inteligencia artificial. El Banco Central de Brasil (BCB, 2023) destaca que el ecosistema de Open Finance busca ampliar el acceso a servicios financieros más adecuados al perfil y a la necesidad de cada cliente. En este escenario, el uso de métodos analíticos capaces de transformar grandes volúmenes de datos en conocimiento aplicable se ha vuelto relevante tanto para la diferenciación competitiva como para la mejora de la experiencia del cliente.

Desde el punto de vista teórico, la clusterización ocupa una posición importante en la Ciencia de Datos y en la minería de datos por permitir la identificación de estructuras latentes en bases sin rótulos previos. Jain, Murty y Flynn (1999) definen la clusterización como la clasificación no supervisada de patrones en grupos, resaltando su utilidad como etapa de análisis exploratorio de datos. En la misma dirección, Han, Kamber y Pei (2012) tratan la clusterización como una de las técnicas centrales de minería de datos para el descubrimiento de patrones, la organización de bases complejas y el apoyo a la generación de conocimiento a partir de los datos.

Desde una perspectiva más amplia del aprendizaje estadístico, Hastie, Tibshirani y Friedman (2009), así como James et al. (2021), sitúan los métodos no supervisados como herramientas apropiadas cuando el interés del investigador está menos en predecir una variable de respuesta y más en comprender la estructura interna de los datos, identificar similitudes y describir perfiles basados en múltiples atributos observados. Así, la clusterización se muestra especialmente pertinente cuando el problema de investigación involucra heterogeneidad de clientes, diversidad comportamental y necesidad de segmentación orientada por evidencia, y no solo por criterios intuitivos o administrativos.

En el sector bancario y financiero, la literatura reciente ha reforzado la utilidad de la segmentación analítica de clientes con fines de personalización, retención, diseño de ofertas y priorización comercial. Estudios recientes muestran que algoritmos de clusterización, especialmente el K-Means, se han empleado para agrupar clientes a partir de atributos financieros, transaccionales y conductuales, permitiendo distinguir patrones de consumo, riesgo y valor económico. En un trabajo reciente, Yan et al. (2025) demostraron que enfoques de clusterización aplicados al contexto bancario pueden apoyar estrategias de marketing más precisas, mientras que Nofal (2024) mostró que la combinación entre características transaccionales y técnicas de aprendizaje automático posibilita identificar clientes de mayor valor en bases bancarias reales.

Estos resultados dialogan con la literatura aplicada más amplia, que reconoce la segmentación como instrumento para convertir datos brutos en perfiles accionables, con potencial para orientar decisiones más precisas. A pesar de ello, la calidad de la segmentación depende de elecciones metodológicas consistentes, como la selección de variables, la estandarización de los datos, la definición del número de clústeres y la validación de la solución encontrada, lo que exige rigor técnico y justificación teórica para que los resultados no sean interpretados como simples agrupaciones arbitrarias.

La relevancia de este trabajo se deriva, por lo tanto, de dos aspectos complementarios. En el plano práctico, la investigación responde a la creciente necesidad de segmentar clientes de forma más precisa en entornos financieros marcados por la competencia, la digitalización y la personalización intensiva. En el plano académico, el estudio contribuye al aplicar fundamentos de Ciencia de Datos a un problema concreto de segmentación, articulando técnicas de clusterización con métricas de validación e interpretación analítica de los grupos formados. De esta forma, se evita una lectura meramente descriptiva o institucional del fenómeno y se refuerza un enfoque metodológicamente fundamentado, apoyado en la literatura de minería de datos, aprendizaje no supervisado y aplicaciones financieras. En este sentido, el objetivo de este trabajo fue aplicar técnicas de clusterización a una base de clientes del sector financiero, con el fin de identificar segmentos con características homogéneas y estadísticamente distinguibles, capaces de subsidiar la interpretación de perfiles y apoyar decisiones orientadas por datos.

2. Material y Métodos

La investigación se clasificó como aplicada, descriptiva y cuantitativa. En cuanto a su finalidad, buscó generar conocimiento con utilidad práctica para la comprensión y segmentación de clientes a partir de datos financieros y conductuales. En relación con los objetivos, procuró identificar, analizar y describir patrones presentes en la base de datos, evidenciando diferencias entre los grupos formados. Desde la perspectiva del abordaje del problema, fue cuantitativa, involucrando el uso de datos numéricos, métricas estadísticas y técnicas computacionales. En términos de procedimientos técnicos, el trabajo asumió características de estudio de caso, desarrollado a partir de una base específica analizada en profundidad.

La base de datos utilizada se compuso de 750 registros de clientes y 26 columnas, contemplando variables de naturaleza financiera, comportamental y de registro, además de las etiquetas de clúster generadas. Se trató de una base anonimizada, oriunda del entorno analítico de una institución del sector financiero actuante en Brasil, sin identificación nominal de la organización, de los clientes o de informaciones sensibles individualizadas. Las variables analizadas abarcaron indicadores de renta, patrimonio, saldo en cuenta, límite de tarjeta, inversión mensual, utilización de crédito, porcentaje de atraso, tasa de endeudamiento, reserva de emergencia, tiempo de relación, canal de interacción predominante y encuadramiento en segmentos previamente identificados. La elección de estas variables se justificó por su adherencia al problema de investigación, exigiendo atributos capaces de discriminar diferentes perfiles de clientes en términos de valor económico, exposición al riesgo, intensidad de uso de productos financieros y patrón de relación con la institución. La base final incorporó las etiquetas generadas por los métodos de agrupamiento aplicados, incluyendo K-Means y enfoques jerárquicos.

La etapa de preparación y tratamiento de los datos tuvo como objetivo garantizar la calidad, consistencia y adecuación de la base para la aplicación de las técnicas de clusterización. Inicialmente, se realizó la inspección para identificar inconsistencias, como registros duplicados (eliminados) y valores ausentes (tratados según la naturaleza de la variable, con imputación simple o mantenimiento). A continuación, se realizaron ajustes de tipificación de las variables (numéricas, categóricas y temporales). También se llevó a cabo un análisis exploratorio para comprender la distribución de las variables e identificar posibles valores atípicos (outliers), que se mantuvieron cuando representaban características reales de los clientes y se eliminaron solo si eran inconsistencias o errores. Las variables categóricas relevantes se mantuvieron para la interpretación de los clusters. La base se estructuró en un formato adecuado para la aplicación de los algoritmos de clusterización.

La estandarización de las variables se realizó mediante la puntuación z, una técnica que transforma las variables a una misma escala con media igual a cero y desviación estándar igual a uno. Este procedimiento se aplicó exclusivamente a las variables numéricas utilizadas en la etapa de modelado, con el objetivo de garantizar que todos los atributos contribuyeran de manera equilibrada a la formación de los grupos, evitando que variables con una escala numérica mayor ejercieran una influencia desproporcionada.

La etapa de clusterización se realizó para identificar grupos homogéneos de clientes, utilizando el algoritmo K-Means. El K-Means divide un conjunto de datos en k grupos, buscando mayor similaridad interna y disimilaridad externa, medida por la distancia euclidiana. El proceso implica la definición de k, selección aleatoria de centroides iniciales, asignación de observaciones al centroide más cercano, y recálculo iterativo de los centroides hasta la convergencia. El objetivo del algoritmo es minimizar la suma de las distancias cuadráticas entre los puntos y los centroides de sus respectivos clusters (WCSS), representada por la Ecuación 1:

WCSS = Σ₁=1* Σ(x ∈ Ci) ||x – μ₁||²

(Ec. 1)

Donde Ci representa el conjunto de puntos pertenecientes al clúster i, x representa cada observación del grupo y μ¡ corresponde al centroide de ese clúster. El algoritmo se aplicó a la base previamente tratada y estandarizada, justificándose por su capacidad para manejar bases de tamaño moderado y múltiples variables numéricas.

La definición del número de clusters (k) y la validación de la calidad de los agrupamientos fueron etapas esenciales. Se probaron diferentes valores de k, variando de 2 a 10, utilizando métricas internas de validación: Within-Cluster Sum of Squares (WCSS), puntuación de silueta, índice de Calinski-Harabasz e índice de Davies-Bouldin. El análisis conjunto de estas métricas indicó un mejor rendimiento estadístico para la configuración con dos clusters (k = 2). Sin embargo, se optó por la adopción de tres clusters (k = 3) en el análisis final, fundamentada en la mayor capacidad de interpretación y segmentación de los perfiles de clientes. Adicionalmente, se analizó la curva de inercia (método del codo), que demostró una reducción significativa de la variabilidad hasta un determinado punto.

Para comparar la estructura de los grupos y evaluar la robustez de la segmentación, se probaron enfoques jerárquicos de agrupamiento, incluyendo single linkage, complete linkage y average linkage. Para comparar los agrupamientos generados, se utilizó el Adjusted Rand Index (ARI), que evalúa el grado de concordancia entre dos soluciones de clusterización. Los resultados mostraron que los métodos jerárquicos complete linkage y average linkage presentaron una alta concordancia entre sí, mientras que el single linkage presentó baja estabilidad. En comparación, el K-Means produjo grupos más equilibrados en términos de distribución de observaciones y mostró concordancia moderada con los enfoques jerárquicos más robustos.

Tras la definición y validación de los agrupamientos, se realizó el análisis de los perfiles de los clústeres para interpretar sus características predominantes. El análisis se llevó a cabo a partir de las medias de las variables numéricas en cada clúster, considerando indicadores financieros, conductuales y de relación. Variables categóricas, como canal predominante de interacción y clasificación en segmentos, también fueron consideradas para enriquecer la interpretación. Los clústeres fueron descritos de forma interpretativa, sintetizando los principales rasgos de cada grupo y comparando las diferencias que los distinguen entre sí.

Con el objetivo de verificar si los clústeres identificados presentaban diferencias estadísticamente significativas, se aplicó el ANOVA a las variables numéricas consideradas en el estudio. El ANOVA se aplicó a las principales variables financieras y de comportamiento de la base, como renta mensual, saldo en cuenta, inversión, utilización de crédito, porcentaje de atraso y tasa de endeudamiento. Además de la significancia estadística (valor p), se consideró la magnitud del efecto por medio del eta cuadrado parcial (η²). Los resultados del ANOVA indicaron que la mayor parte de las variables analizadas presentaron diferencias estadísticamente significativas entre los clústeres, con valores de p inferiores al nivel de significancia adoptado, y diversas variables presentaron elevados valores de eta cuadrado parcial.

La ejecución del pipeline analítico se realizó con el lenguaje de programación Python. Para el tratamiento y manipulación de los datos, se utilizaron las bibliotecas Pandas y NumPy. El análisis exploratorio y la visualización de los datos, incluyendo el análisis de la curva de inercia, se llevaron a cabo con el apoyo de la biblioteca Matplotlib. Para la aplicación de las técnicas de clusterización (K-Means y métodos jerárquicos) y validación de los agrupamientos (silhouette score, índice de Calinski-Harabasz e índice de Davies-Bouldin), se utilizó la biblioteca Scikit-learn. El análisis estadístico, incluyendo el ANOVA, se realizó con el soporte de bibliotecas especializadas en estadística computacional. El entorno de desarrollo utilizado se basó en notebooks interactivos.

3. Resultados y Discusión

La aplicación de técnicas de clusterización a la base de clientes evidenció la capacidad de transformar datos heterogéneos en grupos analíticamente distintos e interpretables, alineándose a la literatura de minería de datos y aprendizaje no supervisado. La calidad de la segmentación dependió de la combinación entre cohesión interna, separación entre grupos y utilidad sustantiva de los resultados (Jain, 2010; Han, Kamber y Pei, 2012; Hair et al., 2019). La discusión se organizó para examinar la definición del número de clusters, la comparación entre métodos, el equilibrio de la partición final y la interpretación de los perfiles identificados.

La curva de inercia se utilizó para evaluar la reducción de la variabilidad intra-clúster a medida que aumentaba el número de grupos. La Figura 1 ilustra este comportamiento.

Figura 1. Curva de inercia del K-Means

Fuente: Resultados originales de la investigación

La Figura 1 demostró una caída pronunciada de la inercia entre k=2 y k=4, seguida de una reducción progresivamente menor para valores superiores. Este patrón, compatible con el método del codo, sugirió que las mayores ganancias de compactación ocurrieron en las primeras particiones. Esto indica que soluciones con pocos grupos ya capturan una porción relevante de la estructura interna de la base, pero el análisis conjunto con métricas adicionales y la interpretabilidad de los segmentos generados son indispensables.

La comparación normalizada de las métricas internas de validación, presentada en la Figura 2, permitió confrontar diferentes criterios de calidad para la elección del número de clústeres.

Figura 2. Comparación normalizada de las métricas internas de validación

Fuente: Resultados originales de la investigación

La Figura 2 indicó que k=2 presentó el mejor rendimiento relativo en las métricas de silueta, Calinski-Harabasz y Davies-Bouldin (invertido), señalando un mayor equilibrio entre la cohesión interna y la separación entre grupos. Sin embargo, se optó por profundizar el análisis con k=3, una decisión metodológicamente defendible que consideró la mayor capacidad de interpretación y segmentación de los perfiles de clientes, conforme a la literatura que recomienda considerar la utilidad analítica y práctica de los agrupamientos (Han, Kamber y Pei, 2012).

Para comparar la consistencia estructural de los agrupamientos obtenidos por técnicas distintas, la Tabla 1 presenta los valores del Adjusted Rand Index (ARI) entre las soluciones del K-Means y de los métodos jerárquicos.

Tabla 1. Comparación entre métodos de agrupamiento por el Adjusted Rand Index

Comparación	ARI	Lectura
kmeans x hier_single	-0.000	Baja
kmeans vs. hier_complete	0.452	Mediana
kmeans vs. hier_average	0.581	Mediana
hier_single x hier_complete	0.007	Baja
hier_single vs. hier_average	0.009	Baja
hier_completa x hier_promedio	0.886	Inscripción

Fuente: Resultados originales de la investigación

La Tabla 1 evidenció que la mayor convergencia ocurrió entre complete linkage y average linkage, con un ARI elevado, mientras que el single linkage presentó baja adherencia a las demás soluciones. Este resultado confirmó la limitación del single linkage en bases con mayor variabilidad. El K-Means, por su parte, presentó concordancia moderada con los enfoques jerárquicos más robustos, sugiriendo que la partición final preservó coherencia estructural sin perder equilibrio e interpretabilidad.

La distribución final de los clientes en la solución adoptada se puede observar en la Figura 3, que permite verificar si los grupos formados se mantuvieron representativos y operativamente útiles.

Figura 3. Distribución de los clientes por clúster en K-Means

Fuente: Resultados originales de la investigación

La Figura 3 mostró una partición relativamente equilibrada, con 274 clientes en el Clúster 0, 221 en el Clúster 1 y 255 en el Clúster 2. Este equilibrio es relevante desde el punto de vista analítico, ya que reduce el riesgo de que un clúster residual comprometa la lectura sustantiva de los resultados, garantizando masa crítica suficiente para sustentar interpretaciones consistentes.

La Figura 4 profundiza la lectura de los agrupamientos al presentar el perfil estandarizado de los clusters en las variables más relevantes del modelo.

Figura 4. Perfil estandarizado de los clusters K-Means

Fuente: Resultados originales de la investigación

La Figura 4 evidenció tres estructuras bastante distintas. El Clúster 0 concentró valores estandarizados más elevados en utilización del crédito, atraso y endeudamiento, combinados con niveles inferiores de renta, patrimonio, inversión y reserva de emergencia, caracterizando un perfil de mayor vulnerabilidad financiera. El Clúster 1 presentó un comportamiento más intermedio, con menor tiempo de relación e indicadores generalmente moderados, sugiriendo un segmento de transición. Por su parte, el Clúster 2 reunió los mayores niveles relativos de renta, patrimonio, límite de tarjeta, inversión, saldo en cuenta y reserva de emergencia, además de menor atraso y menor utilización del crédito, configurando el grupo de mayor valor económico y menor sensibilidad al riesgo.

Para verificar qué atributos contribuyeron más a la separación estadística entre los grupos, la Figura 5 presenta las principales variables discriminantes según la magnitud del eta cuadrado parcial en el ANOVA.

Figura 5. Principales variables discriminantes entre los clusters

Fuente: Resultados originales de la investigación

La Figura 5 demostró que reserva de emergencia, ingreso mensual, gasto en viaje, saldo en cuenta, inversión mensual, tasa de endeudamiento, porcentaje de retraso, límite de la tarjeta, utilización del crédito y puntaje de crédito fueron los atributos con mayor poder discriminante entre los clusters. Este resultado refuerza que la segmentación no se formó por ruido estadístico, sino por diferencias estructurales asociadas a la capacidad financiera, liquidez, patrón de consumo y riesgo de crédito. La predominancia de estas variables fortalece la validez interna de la solución, confirmando que los grupos se definieron por dimensiones sustancialmente coherentes con el problema estudiado.

En conjunto, los resultados mostraron coherencia entre la preparación de los datos, el modelado, la validación y la interpretación de los agrupamientos. Aunque las métricas internas indicaron un mejor ajuste estadístico para k=2, la elección de k=3 reveló un mayor poder de discriminación analítica y una mayor utilidad práctica, lo que es compatible con estudios aplicados de Ciencia de Datos cuando la decisión metodológica se explicita de forma transparente. El análisis de la base sustenta que la clusterización fue capaz de convertir una base financiera compleja en segmentos útiles para la interpretación de perfiles de clientes y el apoyo a la decisión orientada por datos.

La ejecución del pipeline analítico se realizó con la ayuda del lenguaje de programación Python, utilizando bibliotecas como Pandas y NumPy para el tratamiento de datos, Matplotlib para el análisis exploratorio y Scikit-learn para la clusterización (K-Means y métodos jerárquicos) y validación. El análisis estadístico, incluyendo el ANOVA, también fue soportado por bibliotecas especializadas. El entorno de notebooks interactivos facilitó la organización y reproducibilidad de los análisis (VanderPlas, 2016).

El análisis de los resultados obtenidos a partir de la aplicación del pipeline de clusterización evidenció que la segmentación de la base de clientes fue capaz de identificar patrones consistentes y estadísticamente relevantes, en consonancia con el objetivo del estudio de identificar grupos homogéneos e interpretables por medio de técnicas de aprendizaje no supervisado. Las diferencias observadas entre los clusters fueron estadísticamente significativas, con variables como renta mensual, reserva de emergencia, inversión y tasa de endeudamiento presentando un elevado poder discriminante, lo que refuerza que las agrupaciones reflejan diferencias reales en la estructura de los datos (Hair et al., 2019). La segmentación obtenida no solo atendió al propósito analítico de la investigación, sino que también evidenció potencial de aplicación práctica, al permitir la diferenciación de estrategias conforme al perfil de los grupos identificados.

4. Conclusión

La presente investigación buscó aplicar técnicas de clusterización a una base de clientes del sector financiero, con el propósito de identificar segmentos homogéneos y estadísticamente distinguibles, capaces de subsidiar la interpretación de perfiles y apoyar decisiones orientadas por datos. Se verificó que la clusterización fue eficaz para segmentar la base analizada, revelando tres perfiles distintos de clientes. El primer grupo se caracterizó por mayor vulnerabilidad financiera, con elevados niveles de utilización del crédito, atraso y endeudamiento, y menores niveles de renta, patrimonio, inversión y reserva de emergencia. El segundo grupo presentó un perfil intermedio, mientras que el tercero reunió a clientes de mayor valor económico, con indicadores superiores de renta, patrimonio, inversión y reserva de emergencia, y menor sensibilidad al riesgo. El análisis estadístico confirmó que variables como renta mensual, reserva de emergencia, inversión y tasa de endeudamiento fueron los principales atributos discriminantes entre los grupos, reforzando la validez interna de la segmentación. Este enfoque demostró el potencial de las técnicas de aprendizaje no supervisado para transformar datos complejos en conocimiento estructurado, ofreciendo una contribución práctica relevante para la diferenciación de estrategias y la toma de decisiones en el sector financiero.

Sin embargo, deben reconocerse algunas limitaciones del estudio. El análisis se realizó basándose en una única base de datos y un recorte específico de variables, lo que restringe la generalización de los resultados a otros contextos o poblaciones. Aunque la solución con tres clusters se adoptó por su mayor utilidad interpretativa, las métricas internas señalaron un mejor desempeño estadístico para una configuración con dos grupos, indicando que la elección final involucró un criterio de utilidad analítica. Se sugiere, para estudios futuros, la ampliación de la base analítica con nuevas variables, como indicadores de comportamiento transaccional y relación digital, a fin de profundizar la capacidad discriminante de los modelos. Se recomienda también probar otros enfoques de clusterización, como DBSCAN o Gaussian Mixture Models, y explorar la integración entre clusterización y modelos supervisados para la predicción de riesgo o propensión de compra, ampliando la aplicabilidad de la Ciencia de Datos en entornos financieros.

Referencias Bibliográficas

Banco Central do Brasil [BCB]. (2023). Open Finance no Brasil. https://www.bcb.gov.br/estabilidadefinanceira/openfinance

Federação Brasileira de Bancos [FEBRABRAN]. (2025). Pesquisa Febraban de Tecnologia Bancária 2025. https://cmsarquivos.febraban.org.br

Han, J., Kamber, M., & Pei, J. (2012). Data mining: Concepts and techniques (3rd ed.). Morgan Kaufmann.

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer.

Jain, A. K., Murty, M. N., & Flynn, P. J. (1999). Data clustering: A review. ACM Computing Surveys, 31(3), 264-323.

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning: With applications in Python (2nd ed.). Springer.

Nofal, S. (2024). Identifying highly-valued

Yan, X., Li, Y., Nie, F., & Li, R. (2025). Bank customer segmentation and marketing strategies based on improved DBSCAN algorithm. Applied Sciences, 15(6), 3138.

Artículo originario 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 […]