Publicación:
Analítica Predictiva para la Inteligencia Financiera de PYMEs en Colombia

Vista sencilla de ítem
dc.contributor.advisorJaime Alberto, Ochoa Durán
dc.contributor.authorHernánde Barrera, Ivan Felipe
dc.contributor.authorLeón Parra, Leidy Viviana
dc.contributor.authorMorales Correa, Jenifer Angelica
dc.creator.id1022370891
dc.creator.id1023927336
dc.creator.id1024584159
dc.date.accessioned2026-09-25T02:04:26Z
dc.date.issued2026-08-29
dc.description.abstractEn Colombia, las pequeñas y medianas empresas enfrentan un elevado índice de cierre debido a debilidades en su gestión financiera, planeación estratégica y baja implementación de herramientas tecnológicas. Este proyecto busca proponer lineamientos que, a partir de la analítica predictiva y el machine learning, contribuyan a fortalecer la inteligencia financiera, optimizar el crecimiento sostenible y anticipar riesgos. La investigación se desarrolla con un enfoque cualitativo, no experimental y transversal, utilizando análisis documental y entrevistas a expertos. La información será procesada mediante análisis de contenido y codificación temática. Se definen y miden variables como analítica predictiva, gestión financiera, riesgo, sostenibilidad y adopción tecnológica, lo que permitirá estructurar un marco estratégico aplicable a la realidad de las PYMEs colombianas.spa
dc.description.abstractIn Colombia, small and medium-sized enterprises (SMEs) face a high business closure rate due to weaknesses in financial management, strategic planning, and the limited adoption of technological tools. This project aims to propose guidelines that, through predictive analytics and machine learning, contribute to strengthening financial intelligence, optimizing sustainable growth, and anticipating risks. The research is conducted using a qualitative, non-experimental, and cross-sectional approach, drawing on document analysis and expert interviews. The information will be processed through content analysis and thematic coding. Variables such as predictive analytics, financial management, risk, sustainability, and technology adoption are defined and measured, enabling the development of a strategic framework applicable to the realities of Colombian SMEs.eng
dc.description.degreelevelEspecialización
dc.description.degreenameEspecialista en Machine Learningspa
dc.description.tableofcontentsResumen 9 Planteamiento del Problema 10 Antecedentes del Problema 10 Descripción del Problema. 12 Pregunta de Investigación. 13 Objetivos 13 Objetivo General. 13 Conveniencia de la Investigación 15 Marco Teórico 15 Estado del Arte 15 Panorama Conceptual: Definiciones y Conceptos Clave 19 Analítica Descriptiva 19 Analítica Predictiva 19 Analítica Prescriptiva 19 Inteligencia Financiera en el Contexto Empresarial 19 Business Intelligence (BI) y su relación con la Inteligencia Financiera 20 Transformación Digital y Competencias Organizacionales en PYMEs 20 Modelos, Teorías y Marcos Conceptuales 21 Modelo Altman Z-score y Predicción de Fallo Financiero 21 Modelos de Adopción Tecnológica: TAM, DOI, TOE 21 Integración de TAM, TOE y Altman Z-score para Analítica Predictiva Financiera 22 Marco Legal y Normativo 23 Normatividad sobre PYMEs en Colombia 23 Normas Contables y Protección de Datos en el Contexto de las PYMEs 24 Normatividad sobre PYMEs en Colombia 26 Normas Internacionales de Información Financiera (NIIF para PYMEs) 27 Regulación sobre Transformación Digital y Datos 28 Marcos Internacionales de Referencia en Riesgo Financiero 28 Síntesis Crítica del Marco Teórico 29 Enfoque, Alcance y Diseño de la Investigación 31 Alcance y Diseño 32 Definición de Variables 33 Tamaño y Selección de Muestra 39 Entrevistas Semiestructuradas a Dueños de PYMEs y Expertos (n=3) 40 Análisis Documental (n=15) 41 Selección de Métodos o Instrumentos para la Recolección de Información 42 Técnicas de Análisis de Datos 43 Análisis Documental: Técnica de Análisis de Contenido 45 Análisis de Entrevistas: Codificación Cualitativa y Análisis Temático 47 Reporte de Resultados 49 Análisis Documental 49 Análisis de Entrevistas 52 Principales Retos para la Adopción de Analítica Predictiva en PYMEs Colombianas 55 Barreras para la Adopción de la Analítica Predictiva 56 Costos y Recursos Financieros 56 Cultura Organizacional y Talento Humano 57 Infraestructura Tecnológica 58 Construcción de Lineamientos Estratégicos Basados en la Convergencia entre Literatura y Práctica, Aplicables en Contextos Reales de Gestión Financiera en PYMEs 60 Anexos 77 Caso 1: Implementación de Machine Learning en el Centro de Competencias de Inteligencia Artificial de Bancolombia 80 Caso 2: Aplicación de Machine Learning y Analítica Avanzada en el Ecosistema de Rappi para la Personalización y Escalabilidad 82 Caso 3: Implementación de Machine Learning en Nubank para la Optimización del Riesgo Crediticio y la Personalización Financiera 84 Caso 4: Transformación mediante Machine Learning en Grupo Aval para mejora de procesos y gestión de riesgos 86 Caso 5: Addi: Crédito instantáneo y evaluación automatizada mediante Machine Learning en el sector fintech colombiano 88 Caso 6: Economía del Dato para Pymes: Claves para Impulsar los Negocios en la Era Digital y Casos de Uso en Latinoamérica 90 Caso 7: Propuesta de Modelo de Analítica para Flujo de Caja en MIPYMES en Colombia. 92 Caso 8: Modelo de Predicción de Default en PYMEs de la Ciudad de Medellín. 94 Caso 9: Inteligencia Artificial para la Toma de Decisiones en PYMES colombianas: Innovación Estratégica y Desarrollo Regional. 96 Caso 10: Estudio de Implementación de un Sistema de Inteligencia Artificial para la Optimización de la Gestión de Cartera de Algunas PYMES del Sector Retail de Medellín 98 Caso 11: Adopción de Tecnologías Financieras y Alfabetización Financiera como Factores del Desempeño de las PYMEs Camerunesas. 101 Caso 12: Adopción de Tecnologías Financieras y su Influencia en el Acceso al Crédito Bancario de las PYMEs Manufactureras en Economías Emergentes. 104 Caso 13: Decisiones Empresariales Basadas en Datos: Retos y Resultados de la Analítica en PYMEs del Reino Unido 107 Caso 14: Aplicación de la Inteligencia Artificial en la Toma de Decisiones Financieras de las PYMEs en Nigeria 110 Caso 15: Modelos Predictivos Basados en Inteligencia Artificial para la Gestión Financiera de PYMEs en Economías Emergentes 113 Entrevista 1: Maikol Bonilla - CTO Chief Technology Officer 116 Entrevista 2: Rene Ricardo Contreras Rodriguez – Director de Ingeniería 122 Entrevista 3: Mauricio Rojas – Gerente administrativo y financiero 126 Entrevista 1: Andrés Felipe Cruz Salinas – Member of Technical Staff 131 Entrevista 2: Patricia Cifuentes – Profesional especializado 136 Entrevista 3: Diego Mora - Profesional especializado 141spa
dc.description.tableofcontentsAbstract. 9 Problem Statement. 10 Background of the Problem. 10 Description of the Problem. 12 Research Question. 13 Objectives. 13 General Objective. 13 Research Rationale. 15 Theoretical Framework. 15 State of the Art. 15 Conceptual Overview: Definitions and Key Concepts. 19 Descriptive Analytics. 19 Predictive Analytics. 19 Prescriptive Analytics. 19 Financial Intelligence in the Business Context. 19 Business Intelligence (BI) and Its Relationship with Financial Intelligence. 20 Digital Transformation and Organizational Capabilities in SMEs. 20 Models, Theories, and Conceptual Frameworks. 21 Altman Z-Score Model and Financial Failure Prediction. 21 Technology Adoption Models: TAM, DOI, and TOE. 21 Integration of TAM, TOE, and the Altman Z-Score for Financial Predictive Analytics. 22 Legal and Regulatory Framework. 23 Regulations Governing SMEs in Colombia. 23 Accounting Standards and Data Protection in the Context of SMEs. 24 Regulations Governing SMEs in Colombia. 26 International Financial Reporting Standards (IFRS for SMEs). 27 Regulations on Digital Transformation and Data. 28 International Reference Frameworks for Financial Risk. 28 Critical Synthesis of the Theoretical Framework. 29 Research Approach, Scope, and Design. 31 Scope and Design. 32 Definition of Variables. 33 Sample Size and Selection. 39 Semi-Structured Interviews with SME Owners and Experts (n=3). 40 Document Analysis (n=15). 41 Selection of Methods or Instruments for Data Collection. 42 Data Analysis Techniques. 43 Document Analysis: Content Analysis Technique. 45 Interview Analysis: Qualitative Coding and Thematic Analysis. 47 Results Report. 49 Document Analysis. 49 Interview Analysis. 52 Key Challenges to the Adoption of Predictive Analytics in Colombian SMEs. 55 Barriers to the Adoption of Predictive Analytics. 56 Costs and Financial Resources. 56 Organizational Culture and Human Capital. 57 Technology Infrastructure. 58 Development of Strategic Guidelines Based on the Convergence of Literature and Practice, Applicable to Real-World Financial Management Contexts in SMEs. 60 Appendices. 77 Case 1: Implementation of Machine Learning at Bancolombia's Artificial Intelligence Center of Excellence. 80 Case 2: Application of Machine Learning and Advanced Analytics in the Rappi Ecosystem for Personalization and Scalability. 82 Case 3: Implementation of Machine Learning at Nubank for Credit Risk Optimization and Financial Personalization. 84 Case 4: Transformation through Machine Learning at Grupo Aval to Improve Processes and Risk Management. 86 Case 5: Addi: Instant Credit and Automated Assessment through Machine Learning in the Colombian Fintech Sector. 88 Case 6: Data Economy for SMEs: Keys to Driving Business Growth in the Digital Era and Use Cases in Latin America. 90 Case 7: Proposal for a Cash Flow Analytics Model for MSMEs in Colombia. 92 Case 8: Default Prediction Model for SMEs in the City of Medellín. 94 Case 9: Artificial Intelligence for Decision-Making in Colombian SMEs: Strategic Innovation and Regional Development. 96 Case 10: Study on the Implementation of an Artificial Intelligence System to Optimize Accounts Receivable Management in Selected SMEs in Medellín's Retail Sector. 98 Case 11: Financial Technology Adoption and Financial Literacy as Factors Influencing the Performance of Cameroonian SMEs. 101 Case 12: Financial Technology Adoption and Its Influence on Access to Bank Credit among Manufacturing SMEs in Emerging Economies. 104 Case 13: Data-Driven Business Decisions: Challenges and Outcomes of Analytics in UK SMEs. 107 Case 14: Application of Artificial Intelligence in Financial Decision-Making among SMEs in Nigeria. 110 Case 15: Artificial Intelligence-Based Predictive Models for the Financial Management of SMEs in Emerging Economies. 113 Interview 1: Maikol Bonilla – CTO, Chief Technology Officer. 116 Interview 2: Rene Ricardo Contreras Rodriguez – Director of Engineering. 122 Interview 3: Mauricio Rojas – Administrative and Financial Manager. 126 Interview 1: Andrés Felipe Cruz Salinas – Member of Technical Staff. 131 Interview 2: Patricia Cifuentes – Specialized Professional. 136 Interview 3: Diego Mora – Specialized Professional. 141eng
dc.formatpdf
dc.format.extent141 páginas
dc.format.mediumRecurso electrónicospa
dc.format.mimetypeapplication/pdf
dc.identifier.instnameinstname:Universidad Eanspa
dc.identifier.reponamereponame:Repositorio Institucional Biblioteca Digital Minervaspa
dc.identifier.repourlrepourl:https://repository.ean.edu.co/
dc.identifier.urihttps://hdl.handle.net/10882/19625
dc.language.isospa
dc.publisher.facultyFacultad de Ingenieríaspa
dc.publisher.programEspecialización en Machine Learningspa
dc.relation.referencesAguilar, L. J. (2019). INTELIGENCIA DE NEGOCIOS Y ANALÍTICA DE DATOS. Bogotá: Alfaomega. Ahmad, N., & Lucas, E. (2024). Harnessing Predictive Analytics for SMEs: Forecasting Market Dynamics, Enhancing Customer Insights, and Mitigating Business Risks. Obtenido de Researchgate: https://doi.org/10.13140/RG.2.2.21298.52160 Ali, N. A. (2024). Predictive analytics for the modern enterprise: A practitioner’s guide to designing and implementing solutions. Sebastopol: O’Reilly Media. Al-khateeb, B. A. (2024). Business Intelligence (BI). International Journal of Asian Business and Information Management, 15(1), 1-15. doi:https://doi.org/10.4018/IJABIM.340387 Aristizábal Guzmán, J. (2025). Modelo de predicción de default en pymes de la ciudad de Medellín. Obtenido de https://repository.eia.edu.co/server/api/core/bitstreams/e8f785e5-3b86-4752-b484-c3102c3ae7f9/content#:~:text=2,de%20predicci%C3%B3n%3A%20regresi%C3%B3n%20log%C3%ADstica%2C%20Random Arner, D. W., Barberis, J., & Buckley, R. P. (2020). The evolution of FinTech: A new post-crisis paradigm? Georgetown Journal of International Law, 47(4), 1271–1319. Balestrini, M., Castillo, A., Echeverry, I., Castro Blandón, C., Torrico, B., Mafla, J., . . . Guillen, D. (2024). Economía del dato para pymes: claves para impulsar los negocios en la era digital y casos de uso en Latinoamérica. doi:https://doi.org/10.18235/0013165 Banco Interamericano de Desarrollo . (2023). Transformación digital y productividad de las PYMEs en América Latina y el Caribe. BID. Obtenido de https://publications.iadb.org/ Bancolombia S.A. (2024). Informe de gestión 2023. Medellin, Colombia: Bancolombia S.A. Bowen, G. A. (2009). Document analysis as a qualitative research method. Qualitative Research Journal, 27-40. Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77-101. doi:https://doi.org/10.1191/1478088706qp063oa Braunsberger, C., & Aschauer, E. (2025). Corporate Failure Prediction: A Literature Review of Altman Z-Score and Machine Learning Models Within a Technology Adoption Framework. Journal of Risk and Financial Management, 18(8), 465. doi:https://doi.org/10.3390/jrfm18080465 Brown, D. &. (2019). The role of predictive analytics in financial management for SMEs. Journal of Business Analytics, 1, 23-41. Caez Anama, A. C. (2023). Diagnóstico financiero y análisis bursátil del Grupo Aval. Repositorio institucional — UNAD. Caicedo Ocampo, Y., & Sastoque Arjona, J. D. (2024). Estudio de la implementación de un sistema de inteligencia artificial para la optimización de la gestión de cartera de algunas PYMES del sector retail en Medellín. Universidad EIA. . Obtenido de https://repository.eia.edu.co/entities/publication/b4b92996-217a-4ffd-9895-48d0b76ad404 Charmaz, K. (2014). Constructing grounded theory (2 ed.). SAGE Publications. Cheraghali, H., & Molnár, P. (2024). Practical insights into predicting defaults in small and medium-sized enterprises (SMEs). Journal of the International Council for Small Business, 1-12. doi:https://doi.org/10.1080/26437015.2024.2430573 Colombia Forbes. (2023). Obtenido de Cómo Bancolombia usa la inteligencia artificial para mejorar la experiencia del cliente: https://forbes.co Confecámaras. (2023). La supervivencia empresarial en Colombia: estudio de los factores clave que impulsan la permanencia de las empresas en el mercado. Obtenido de https://incp.org.co/wp-content/uploads/2023/05/Informe-de-supervivencia-empresarial-Confecamaras.pdf Congreso de la República de Colombia. (2012). Ley 1581 de 2012: Por la cual se dictan disposiciones generales para la protección de datos personales. Diario Oficial, 48587 (18 octubre). Obtenido de https://www.funcionpublica.gov.co/ Correa, A. (2023). Predicting Business Bankruptcy in Colombian SMEs: A Machine Learning Approach. Journal of International Commerce, Economics and Policy, 14(3), 1-21. doi:https://doi.org/10.1142/S1793993323500278 Creswell, J. W., & Poth, C. N. (2018). Qualitative inquiry and research design: Choosing among five approaches (4 ed.). SAGE Publications. Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 319–340. doi:https://doi.org/10.2307/249008 Deloitte. (Noviembre 2022). Deloitte Global Corporate Treasury Survey 2022. Deloitte. Obtenido de https://www.deloitte.com/content/dam/assets-zone3/us/en/docs/services/risk-advisory/2022/us-rfa-deloitte-global-treasury-survey-2022-final.pdf Editorial Nubank. (2024). Unlocking the potential of sequential modeling in fraud prevention: Insights from experts at Nubank. Unlocking the potential of sequential modeling in fraud prevention: Insights from experts at Nubank. Editorial Nubank. (2025). How Nubank models risk for smarter, scalable credit limit increases. Evans, J. R. (2019). Business analytics. New York, NY: Pearson. Flick, U. (2014). An introduction to qualitative research. London: SAGE Publications. Fonseca Pinto, D. E., Fonseca Pinto, C. A., & Meo Torres, L. I. (2024). Impact of digital transformation on financial management in SMEs in Boyacá: An approach to competitiveness. Journal of International Crisis and Risk Communication Research, 7, 120-137. Forero, J. y. (2022). Aplicación de inteligencia artificial en el sector financiero colombiano: el caso Bancolombia. Revista Colombiana de Innovación y Tecnología, 45-57. Función Pública, D. A. (2025). Gestor Normativo – EVA. Obtenido de Función Pública – República de Colombia: https://www1.funcionpublica.gov.co/web/eva/gestor-normativo Gaertner, T., Lippert, C., & Konigorski, S. (2024). Automated Demand Forecasting in small to medium-sized enterprises. Obtenido de https://arxiv.org/abs/2412.20420 Gallego, J. (2005). El papel de las políticas públicas en el desarrollo de las PYMEs en Colombia. Editorial Universidad Nacional de Colombia. Gee, J. P. (2014). An introduction to discourse analysis: Theory and method (4 ed.). Routledge. González Varona, J. M., López Paredes, A., Poza, D., & Acebes, F. (2024). Building and development of an organizational competence for digital transformation in SMEs. (arXiv, Ed.) doi:https://doi.org/10.48550/arXiv.2406.01615 González, L. (2013). La Ley 1581 de 2012 y su impacto en las pequeñas y medianas empresas colombianas. Derecho Digital, 115-129. Hair, J. F., Hult, G. T., Ringle, C. M., & Sarstedt, M. (2021). A primer on partial least squares structural equation modeling (PLS-SEM). SAGE Publications. Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, M. d. (2014). Metodología de la investigación. México: McGRAW-HILL. Hernández, P. &. (2021). La Ley de Emprendimiento 2069 de 2020: Implicaciones y oportunidades para las PYMEs colombianas. Revista de Derecho Empresarial, 59-63. Herrera, & Casanova. (2024). Inteligencia artificial y su impacto en la transformación de la gestión financiera. Space Scientific Journal of Multidisciplinary, 2(1), 52-64. Higgins, R. C. (1977). How Much Growth Can a Firm Afford? Financial Management, 6(3), 7-16. doi:https://doi. org/10.2307/3665251 IFRS, F. (2025). IFRS Foundation. Obtenido de IFRS Foundation: https://www.ifrs.org/issued-standards/ifrs-for-smes/ Isaac Roque, D., Caicedo Carrero, A., & Muñoz Álvarez, A. N. (2023). Capacidad predictiva del modelo Altman Z-score en empresas declaradas en reorganización empresarial. Apuntes de Economía y Sociedad, 4(1), 129-141. doi:https://doi.org/10.5377/aes.v4i1.16451 Kerlinger, F. N., & Lee, H. B. (1999). Foundations of behavioral research (3rd ed.). Harcourt College Publishers. Krippendorff, K. (2018). Content analysis: An introduction to its methodology (4 ed.). SAGE Publications. Kvale, S. (2007). Doing interviews. SAGE Publications. Lincoln, Y. S. (1985). Naturalistic inquiry. Newbury Park, CA: SAGE Publications. Liu, S., Liu, O., & Chen, J. (2023). A review on business analytics: Definitions, techniques, applications and challenges. Mathematics, 11(4), 899. doi:https://doi.org/10.3390/math11040899 Liu, S., Liu, O., & Chen, J. (2023). A Review on Business Analytics: Definitions, Techniques, Applications and Challenges. Mathematics, 11(4). doi:https://doi.org/10.3390/math11040899 Lontchi, C. B., Yang, B., & Shuaib, K. M. (2023). Effect of financial technology on SMEs performance in Cameroon amid COVID-19 recovery: The mediating effect of financial literacy. Sustainability, 15(3), 2171. doi:https://doi.org/10.3390/su15032171 López Henao, J., & Pinto Romero, , N. A. (2023). La receta digital de Rappi. Medellin, Colombia: Corporación Universitaria Remington. Ludeña, J. A. (12 de septiembre de 2021). Riesgo financiero. Obtenido de https://economipedia.com/definiciones/riesgo-financiero.html Mendoza, Salazar, Constante, Cesme, Holguín, & Cruz, S. (2025). Decisiones gerenciales automatizadas: Integrando Big Data y Machine Learning. Ciencia y Desarrollo, 32. Ministerio de Comercio, Industria y Turismo. (2025). Informe de tejido empresarial. Bogotá: Oficina Estudios Económicos. Obtenido de https://www.mincit.gov.co/getattachment/estudios-economicos/estadisticas-e-informes/informes-de-tejido-empresarial/2025/junio/oee-dv-informe-de-tejido-empresarial-junio-2025.pdf.aspx Ministerio de Comercio, Industria y Turismo. (2025). MinCIT. Obtenido de MinCIT: https://www.mincit.gov.co/ Moreno Ruiz, C. E. (2024). Funcionamiento de la plataforma Rappi dentro del ordenamiento legal colombiano desde una perspectiva del pluralismo jurídico. Revista Doctrina Distrital. Nam, D., Lee, J., & Lee, H. (2019). Business analytics adoption process: An innovation diffusion perspective. International Journal of Information Management, 49, 411–423. doi:https://doi.org/10.1016/j.ijinfomgt.2019.07.017 Nam, D., Lee, J., & Lee, H. (2019). Business analytics adoption process: An innovation diffusion perspective. International Journal of Information Management, 49, 411–423. doi:https://doi.org/10.1016/j.ijinfomgt.2019.07.017 Neuendorf, K. A. (2017). The content analysis guidebook (2nd ed. ed.). SAGE Publications. Noriega, J. P. (2023). Machine Learning for Credit Risk Prediction: A Systematic Literature Review. Data, 169. Okeke, N. I., Bakare, O. A., & Achumie, G. O. (2024). Artificial intelligence in SME financial decision-making: Tools for enhancing efficiency and profitability. Research Journal of Multidisciplinary Studies, 8(1), 150-163. doi:https://doi.org/10.53022/oarjms.2024.8.1.0056 Okwaraoha, F. C., Atakora, D. A., & Morenikeji, A. W. (2024). Role of artificial intelligence and machine learning in financial modeling platforms for SMEs and financial institutions. International Journal of Artificial Intelligence in Business, 2(2), 26-39. doi:https://doi.org/10.34218/IJAIB_02_02_002 Osorio Gallego, C. A., Londoño Metaute, J. H., & López Zapata, E. (2016). Analysis of factors that influence the ICT adoption by SMEs in Colombia. Intangible Capital, 12(2), 666–732. doi:https://doi.org/10.3926/ic.726 Otálvaro, L. M. (2023). Adopción de Tecnologías de Inteligencia Artificial: un estudio para las empresas en Colombia. Palomino Mantilla, M. C., & Torres Cano, E. S. (2024). Estudio de vigilancia tecnológica aplicada a las TIC enfocadas en mejorar la eficiencia, competitividad y adaptabilidad en las PYMES de Colombia. Trabajo de grado ,Maestría en Gerencia de Negocios–MBA, Universidad Industrial de Santander, Bucaramanga. Pérez, J. &. (2012). Normas Internacionales de Información Financiera: Aplicación en las PYMEs colombianas. Editorial Universidad de los Andes. Rehman, S. U., Al-Shaikh, M., Washington, P. B., Lee, E., Song, Z., Abu-AlSondos, I. A., . . . Allahham, M. (2023). FinTech adoption in SMEs and bank credit supplies: A study on manufacturing SMEs. Economies, 11(8), 213. doi:https://doi.org/10.3390/economies11080213 Rodríguez, M. y. (2018). Transformación digital en PYMEs: Retos y oportunidades. Journal of Innovation & Technology, 81-95. Rubio, L. (2022). Forecasting Selected Colombian Shares Using a Hybrid ARIMA–SVR Model (incluye análisis de empresas colombianas). Mathematics (MDPI). Saldaña, J. (2021). The coding manual for qualitative researchers (4th ed. ed.). SAGE Publications. Settlements., B. f. (2020). Basilea III y su impacto en la gestión del riesgo en empresas pequeñas y medianas. Journal of Risk Management, 112-124. Settlements., B. f. (2025). Bank for International Settlements. Obtenido de Bank for International Settlements: https://www.bis.org/bcbs/index.htm?utm_source= Socarrás Molina, L. (2024). Inteligencia Artificial para la Toma de Decisiones en PYMES colombianas: Innovación Estratégica y Desarrollo Regional. 23, 2, 101–115. Revista Télématique. Obtenido de https://dialnet.unirioja.es/servlet/articulo?codigo=10307753 Steri, M. F. (2022). Impulsar la banca hacia un modelo invisible. Repositorio institucional — Universidad de los Andes. Strauss, A. &. (1998). Basics of qualitative research: Techniques and procedures for developing grounded theory. Thousand Oaks, CA: SAGE Publications. Taborda Blandón, G. E., Castaño Zuluaga, B. S., Durán Vásquez, J. M., Conto López, R., & Reyes Moreno, E. R. (2024). Propuesta de modelo de analítica para flujo de caja en mipymes en Colombia. 22, e2607, 10. Revista CEA. doi:https://doi.org/10.22430/24223182.2607 Tawil, A.-R., Mohamed, M., Schmoor, X., Vlachos, K., & Haidar, D. (2024). Trends and challenges towards effective data-driven decision making in UK small and medium-sized enterprises: Case studies and lessons learnt from the analysis of 85 SMEs. Big Data and Cognitive Computing, 8(7), 79. doi:https://doi.org/10.3390/bdcc8070079 Tay, W., & Shen, L. (2023). Predictive accuracy of Altman Z-score models across industries. Journal of Risk and Financial Management, 16(8), 465. doi:https://doi.org/10.3390/jrfm16080465?utm_source= Tobón Perilla, L. N., Urquía Grande, E., & Cano Montero, E. I. (2022). The use of financial information in the business management of SMEs in Colombia. Revista Perspectiva Empresarial, 9(2), 11-23. doi:https://doi.org/10.16967/23898186.791 Tornatzky, L. G., & Fleischer, M. (1990). The processes of technological innovation. Lexington Books. Torres Vargas, G. E. (2025). Desafíos y oportunidades en la integración tecnológica y liderazgo para la gerencia Fintech: Caso de Addi Colombia. Bogotá: Repositorio institucional – Universi¬dad EAN. Utama, I. D., Karmagatri, M., Kurnianingrum, D., & Yustian, O. R. (2022). Analysis of SMEs consideration in adopting new technology using Technology Acceptance Model. En IEEE (Ed.), International Conference on Informatics, Multimedia, Cyber and Information System (ICIMCIS). doi:https://doi.org/10.1109/ICIMCIS56303.2022.10017790 Valarezo Avila, B., Córdova Aponte, M., & Serrano Orellana, B. (2021). Inteligencia de negocios como herramienta clave en el desempeño empresarial. 593 Digital Publisher CEIT, 6(6), 306-325. doi:https://doi.org/10.33386/593dp.2021.6.727 Vargas, L. (2017). Resistencia a la digitalización en PYMEs colombianas: Un estudio cultural y organizacional. Journal of Management and Innovation, 49-61. Wasserbacher, H., & Spindler, M. (2021). Machine learning for financial forecasting, planning and analysis: Recent developments and pitfalls. Obtenido de arXiv: https://arxiv.org/abs/2107.04851 Wasserbacher, H., & Spindler, M. (2022). Machine learning for financial forecasting, planning and analysis: Recent developments and pitfalls. Digital Finance, 4(1), 63-68. doi:10.1007/s42521-021-00046-2 Westreicher, G. (26 de abril de 2020). Gestión Financiera: Qué es y cómo optimiza los recursos. Obtenido de https://economipedia.com/definiciones/gestion-financiera.html
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia
dc.rights.licenseAtribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
dc.rights.localAbierto (Texto Completo)spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subject.armarcPYMEs
dc.subject.proposalPYMEsspa
dc.subject.proposalAnalítica predictivaspa
dc.subject.proposalInteligencia financieraspa
dc.subject.proposalMachine learningspa
dc.subject.proposalGestión del riesgospa
dc.subject.proposalAdopción tecnológicaspa
dc.subject.proposalRisk managementeng
dc.subject.proposalTechnology adoptioneng
dc.subject.proposalFinancial intelligenceeng
dc.subject.proposalPredictive analyticseng
dc.titleAnalítica Predictiva para la Inteligencia Financiera de PYMEs en Colombiaspa
dc.titlePredictive Analytics for Financial Intelligence in Colombian SMEseng
dc.typeTrabajo de grado - Especializaciónspa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.contentText
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.otherTrabajo de grado - Especialización
dc.type.redcolhttp://purl.org/redcol/resource_type/TP
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dspace.entity.typePublication
person.affiliation.nameEspecialización en Machine Learning
person.affiliation.nameEspecialización en Machine Learning
person.affiliation.nameEspecialización en Machine Learning

Archivos

Bloque original

Mostrando 1 - 2 de 2
Miniatura
Nombre:
HernadezIvan2026.pdf
Tamaño:
1.06 MB
Formato:
Adobe Portable Document Format
Descripción:
Tesis de Especialización
Descargar
Miniatura
Nombre:
HernadezIvan2026_Anexo.pdf
Tamaño:
578.59 KB
Formato:
Adobe Portable Document Format
Descripción:
Autorización Publicación
Descargar

Bloque de licencias

Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
1.92 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Especialización en Machine Learning