Análisis Multivariado y Aprendizaje Automático en la evaluación y pronóstico de los perfiles financieros en el sector de Telecomunicaciones en Colombia

Autores/as

  • Efrain Javier De La Hoz Granadillo Universidad de Cartagena http://orcid.org/0000-0002-5196-813X
  • Tomás José Fontalvo Herrera Universidad de Cartagena
  • Enrique De La Hoz Dominguez Universidad Tecnológica de Bolívar

DOI:

https://doi.org/10.15665/rp%20.v18i1.2063

Palabras clave:

Aprendizaje automático, Análisis multivariado, Análisis de Conglomerados, Indicadores financieros

Resumen

En esta investigación se desarrolla un método apoyado en las técnicas de Aprendizaje automático para evaluar y pronosticar perfiles financieros en el sector de Telecomunicaciones en Colombia. Lo anterior soportado en elementos conceptuales relacionados con el Análisis multivariado y herramientas de Aprendizaje automático. Para lo anterior, se utilizó información relacionada con los rublos financieros de 75 empresas, información que sirvió para calcular indicadores financieros y de productividad. Seguidamente se aplicó la técnica de análisis de conglomerados que permitió identificar y clasificar las empresas en tres grupos característicos del sector lográndose un nivel de homogeneidad de 0,,527 y heterogeneidad de 1,358. A partir de lo anterior se aplicó el algoritmo GLMNET asociado a las técnicas de Aprendizaje automático, lográndose un modelo que predice de manera correcta la pertenencia a los grupos identificados con un 98% de precisión. En general se valora el método que integra el análisis de conglomerados y el algoritmo de GLMNET para evaluar y pronosticar perfiles financieros y de productividad en el sector de telecomunicaciones en Colombia.

Biografía del autor/a

Efrain Javier De La Hoz Granadillo, Universidad de Cartagena

Departamento de Investigaciones Económicas y Sociales -DIES

Jefe de Departamento

Citas

G. R. Zambrano and A. C. Gamboa, “Los procesos de investigación y desarrollo de las empresas operadoras de telecomunicaciones del Ecuador The processes of research and development of the Ecuador telecommunications operating companies,” Rev. Cuba. Ciencias Informáticas, vol. 10, no. 4, pp. 15–27, 2016.

J. Algarra, Los 5 grandes retos del sector de las telecomunicaciones, Corporació. 2018.

J. Torrejón-Flores and F. García-Solanes, “Las variaciones del tipo de cambio y el índice de inflación en las economías emergentes,” Rev. CEPAL, no. 116, pp. 27–46, 2015.

R. Orduz, L. Ayala, and M.-E. Vallejo, Aprender y Educar con las tecnologías del siglo XXI, Colombia D. Bogotá-Colombia, 2012.

J. Díaz Lazo, A. Pérez Gutiérrez, and R. Florido Bacallao, “Impacto de las tecnologías de la información y las comunicaciones (TIC) para disminuir la brecha digital en la sociedad actual impact of information technology and communications (ICT) to reduce the digital divide in today ’ s society,” Cultiv. trópicales, vol. 32, no. 1, pp. 81–90, 2011.

B. Journal, J. Fischer, V. S. Lopes, S. L. Cardoso, U. C. Filho, and V. L. Cardoso, “Machine learning techniques applied to lignocellulosic ethanol in simultaneous hydrolysis and fermentation,” Brazilian J. Chem. Eng., vol. 34, no. 01, pp. 53–63, 2017.

R. Piazzaroli, “An SHM approach using machine learning and statistical indicators extracted from raw dynamic measurements,” J. Solids Struct., vol. 16, no. 1998, pp. 1–17, 2019.

A. Cient, A. M. Guimar, K. Sato, and C. Ferreira, “Estimating gypsum equirement under no-till based on machine,” Rev. Ciência Agronômica, vol. 6, no. 2, pp. 250–257, 2015.

F. Silva, V. Vidotti, F. Cremasco, M. Dias, E. Gomi, and V. Costa, “Sensitivity and specificity of machine learning classifiers for glaucoma diagnosis using Spectral Domain OCT and standard automated perimetry,” Arq. Bras. Oftalmol., vol. 76, no. 3, pp. 170–174, 2013.

A. E. Hoerl and R. W. Kennard, “Ridge regression: Biased estimation for nonorthogonal problems,” Technometrics, vol. 12, no. 1, pp. 55–67, 1970.

C. Hans, “Bayesian lasso regression,” Biometrika, vol. 96, no. 4, pp. 835–845, 2009.

J. Friedman, T. Hastie, and R. Tibshirani, “Regularization paths for generalized linear models via coordinate descent.,” J.

Stat. software, vol. 33, no. 1, pp. 1–22, 2010.

C. Pereira et al., “Multivariate Analysis and Machine Learning in Properties of Ultisols ( Argissolos ) of Brazilian Amazon,” Rev Bras Cienc Solo, vol. 42, no. e0170419, pp. 1–20, 2018.

S. Silva and J. De Souza, “Multivariate Analysis and Geostatistics of the Fertility of a Humic Rhodic Hapludox under,” Rev Bras Cienc Solo. Bras. Ci. Solo, vol. 36, no. 2, pp. 467–474, 2012.

C. Moreno, I. Mancebo, A. M. Tarquis, and M. M. Moreno, “Univariate and multivariate analysis on processing tomato quality under different mulches,” Sci. Agric., vol. 71, no. 2, pp. 114–119, 2014.

C. Cuadras, Nuevos métodos de análisis multivariante, CMC Editio. Barcelona, 2019.

T. Fontalvo, E. De La Hoz, and E. De La Hoz, “Método Análisis Envolvente de Datos y Redes Neuronales en la Evaluación y Predicción de la Eficiencia Técnica de Pequeñas Empresas Exportadoras Data Envelopment Analysis Method and Neural Networks in the Evaluation and Prediction of the Technical Efficien,” Inf. Tecnol., vol. 29, no. 6, pp. 267–276, 2018.

J. Morelos, E. De La Hoz, and T. Fontalvo, “Método de cálculo multivariante para analizar y proyectar el comportamiento de las razones financieras de grupos empresariales del sector extracción en colombia,” Interciencia, vol. 43, no. 10, pp. 696–700, 2018.

E. J. de la Hoz Granadillo, T. J. F. Herrera, and J. M. Gómez, “Evaluación del comportamiento de los indicadores de productividad y rentabilidad financiera del sector petróleo y gas en Colombia mediante el análisis discriminante,” Contaduría y Adm., vol. 59, no. 4, pp. 167–191, 2014.

E. De La Hoz and L. López Polo, “Aplicación de Técnicas de Análisis de Conglomerados y Redes Neuronales Artificiales en la Evaluación del Potencial Exportador de una Empresa.,” Inf. tecnológica, vol. 28, no. 4, pp. 67–74, 2017.

Descargas

Publicado

2020-09-29

Número

Sección

Articles