Análisis de factores determinantes en la decisión de consumo de productos de inversión sostenible: enfoque basado en datos para la optimización de la oferta en fiduprevisora S.A.

Abstract

Ante el creciente interés por las finanzas sostenibles y la necesidad de las entidades financieras de comprender mejor a sus inversionistas, este estudio examina la diversidad de perfiles en la adopción de productos de inversión con criterios Ambientales, Sociales y de Gobernanza (ASG). El objetivo principal fue segmentar a los inversionistas para identificar patrones de comportamiento diferenciados y desarrollar un sistema predictivo que automatice la clasificación de nuevos clientes en dichos segmentos para Fiduprevisora S.A. La investigación aplicó una metodología de ciencia de datos en dos fases. En la primera, se emplearon técnicas de aprendizaje no supervisado con K-Means sobre datos sintéticos obtenidos mediante una encuesta aplicada a clientes de Fiduprevisora S.A., identificando tres clústeres óptimos. En la segunda fase, se implementó aprendizaje supervisado con un modelo Random Forest entrenado para predecir, con alta precisión, la pertenencia de nuevos clientes a cada segmento previamente determinado. Los resultados revelaron tres perfiles de inversionistas: “Jóvenes con recursos y convicción sostenible”, “Adultos informados con dudas y restricciones” y “Jóvenes precarios que requieren guía”. El modelo predictivo alcanzó una exactitud del 93% en validación cruzada, demostrando solidez, generalización y utilidad práctica. En conclusión, la segmentación basada en datos se consolida como herramienta clave para superar los enfoques de marketing genéricos. El modelo desarrollado constituye un activo estratégico que impulsa la personalización de estrategias comerciales, mejora la captación y fidelización, y fortalece el posicionamiento competitivo en el mercado de inversiones sostenibles. Asimismo, ofrece insumos accionables para diseño de campañas, educación financiera y gestión del relacionamiento.

Given the growing interest in sustainable finance and the need for financial institutions to better understand their investors, this study addresses the heterogeneity of profiles in the adoption of investment products with Environmental, Social, and Governance (ESG) criteria. The main objective of this research was to segment investors in order to identify distinct behavioral profiles, and to develop a predictive system that automates the classification of new clients into these segments for Fiduprevisora S.A. To achieve this, a two-phase data science methodology was implemented. In the first phase, unsupervised learning techniques were applied, using the K-Means algorithm to group investors based on synthetic data obtained through a survey designed for Fiduprevisora S.A. clients, which led to the identification of three optimal clusters. In the second phase, supervised learning was employed, training a Random Forest classifier to predict client membership in one of the previously identified segments. The results revealed the existence of three differentiated investor profiles: “Young investors with resources and sustainable conviction,” “Informed adults with doubts and restrictions,” and “Precarious young investors requiring guidance.” Furthermore, the predictive model developed demonstrated high effectiveness, achieving 93% accuracy in cross-validation. In conclusion, data-driven segmentation emerges as an effective tool to overcome generic marketing approaches, while the machine learning model developed constitutes a tangible asset that facilitates the implementation of large-scale personalization strategies, strengthening both client acquisition and retention in the sustainable investment market.