2026-09-20T17:30:17Zhttps://repository.universidadean.edu.co/server/oai/request

oai:repository.universidadean.edu.co:10882/190632026-03-04T09:00:15Zcom_10882_83com_10882_48col_10882_14852

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. Analysis of the Determining Factors in the Decision to Consume Sustainable Investment Products: A Data-Driven Approach to Optimizing the Offering at Fiduprevisora S.A. Narváez Molina, Juan Sebastián Rubio Moreno, Daniel Sebastián Patiño Pardo, Geraldine Giseth Patiño Castro, Omar Alonso EMPRENDIMIENTO Y GERENCIA::GRUPO DE GERENCIA EN LAS GRANDES, MEDIANA Y PEQUEÑAS EMPRESAS G3PYMES OMAR ALONSO PATIÑO CASTRO Categoría A1 COL0016327 Evaluación de proyectos Análisis de mercado Administración de productos comportamiento del consumidor Client Segmentation Investor Profiles Investor Profiles Machine Learning K Means Clustering Random Forest Predictive Modeling Inversión ASG Segmentación de Clientes Perfiles de Inversionista Modelado Predictivo 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. Pág. Resumen 6 Abstract 10 Objetivos 16 Objetivo general 16 Objetivos específicos 16 Justificación 17 Marco Institucional 20 Misión y Visión: 20 Composición Accionaria 20 Estructura Organizacional 21 Posición en el Mercado 22 Reseña Histórica: 23 Plan Estratégico: 24 Productos y Servicios: 25 Negocios Fiduciarios 25 Fondos de Inversión Colectiva (FIC) 25 Marco Contextual y Conceptual 26 Marco conceptual 26 Antecedentes: finanzas sostenibles, ASG y mercado 26 Marco normativo y de divulgación (global y Colombia) 27 Fiducia, FIC y productos sostenibles 28 Teorías y modelos que explican la decisión de consumo (inversiones sostenibles) 29 Segmentación basada en datos: clustering y validación 30 Estado del arte aplicado (inversión sostenible y mercado local) 31 Operacionalización de variables (guía) 33 Marco contextual 33 Panorama global de finanzas sostenibles y regulación 33 Arquitectura de políticas y estándares: referentes para Colombia 35 Contexto colombiano: taxonomía, guías y hoja de ruta 37 Mercado sostenible en Colombia: emisiones temáticas y nuevas fronteras 39 Sector fiduciario en Colombia: estructura, magnitud y regulación 40 Fiduprevisora S. A. en su entorno sectorial 42 Implicaciones para el estudio (elección de perspectiva) 43 Diseño Metodológico de la Consultoría 45 Plan de la consultoría 45 Alcance y límites del proyecto 45 Matriz RACI 46 Criterios de éxito acordados con la organización 47 Diagnóstico inicial 48 Recolección y análisis de datos 50 Población objetivo 51 Muestra y generación de datos sintéticos 51 Construcción del dashboard 51 Modelado predictivo 53 Procesamiento estadístico de datos 55 Preparación y limpieza de datos 55 Codificación y estandarización 55 División de datos 55 Entrenamiento del modelo Random Forest 55 Segmentación de perfiles (Clustering) 56 Modelado predictivo: 60 Metodología de Cifrado: Fernet 63 Resultados del Clustering con Datos Cifrados 64 Validación del Modelo Predictivo con datos cifrados 66 Rendimiento sobre el conjunto de prueba con datos cifrados 67 Validación cruzada (5-folds) con datos cifrados 68 Diagnóstico Organizacional 70 Análisis de los resultados 70 Situación actual 70 Segmentación con KMeans 70 Modelado predictivo con Random Forest sobre datos cifrados 72 Fortalezas 72 Oportunidades de mejora 73 Resultados de la Solución 75 Resultados analíticos 75 Modelo predictivo (Random Forest Classifier): 76 Resultados estratégicos 76 Dashboard interactivo en Power BI: 76 Guía estratégica de segmentación: 76 Validación de datos cifrados: 77 Conclusiones y Recomendaciones 78 Conclusiones 78 Recomendaciones 79 Referencias 81 Anexo A. Formato de Encuesta 90 Anexo B. Guía Técnica Dashboard interactivo en power bi - Análisis de Interés y Percepciones sobre Inversiones Sostenibles (Power BI) 96 Herramienta 97 Anexo C. Guía Técnica de Implementación del Modelo Predictivo 101 Magíster en Ciencias de Datos Maestría EMPRENDIMIENTO Y GERENCIA::GRUPO DE GERENCIA EN LAS GRANDES, MEDIANA Y PEQUEÑAS EMPRESAS G3PYMES OMAR ALONSO PATIÑO CASTRO Categoría A1 COL0016327::Modernización de organizaciones 2026-03-03T19:44:59Z 2026-01-14 Trabajo de grado - Maestría Trabajo de grado - Maestría http://purl.org/coar/resource_type/c_bdcc https://hdl.handle.net/10882/19063 BDM-MGP instname:Universidad Ean reponame:Repositorio Institucional Biblioteca Digital Minerva repourl:https://repository.ean.edu.co/ spa Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179–211. https://doi.org/10.1016/0749-5978(91)90020-T Akinde, M., Olapeju, O., Olaiju, O., Ogunseye, T., Adebayo, E., Olagoke-Salami, S., Oduwole, F., Olapeju, I., Ibikunle, D., & Aladelusi, K. (2025). Prediction of Green Sukuk investment interest drivers in Nigeria using machine learning models. Journal of Risk and Financial Management, 18(2), 89. https://doi.org/10.3390/jrfm18020089 Asofiduciarias. (2025). Estadísticas del sector fiduciario: Activos y negocios administrados por tipología. Asociación de Fiduciarias de Colombia. https://www.asofiduciarias.org.co/activos-y-negocios-administrados-por-tipologia/ Asofiduciarias. (2025, julio 10). El sector fiduciario administra más de $1.000 billones [Comunicado de prensa]. https://www.asofiduciarias.org.co/wp-content/uploads/2025/07/Comunicado-de-Prensa-Sector-Fiduciario-administra-mas-de-1.000-billones.pdf Asobancaria. (2022). Protocolo Verde 2022–2027. https://www.asobancaria.com/wp-content/uploads/2022/06/Protocolo-Verde-Asobancaria-2022-2027.pdf BBVA Colombia. (2024, junio 5). BBVA Colombia emite el primer bono de biodiversidad del sector financiero en el país. https://www.bbva.com/es/co/sostenibilidad/bbva-colombia-emite-primer-bono-biodiversidad Bolsa de Valores de Colombia [BVC], Global Reporting Initiative [GRI], & Principles for Responsible Investment [PRI]. (2020, julio). Guía para la elaboración de informes ASG para emisores en Colombia. https://www.globalreporting.org/media/ymfbqoxy/guia-informes-asg-para-emisores-colombia.pdf Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324 Climate Bonds Initiative [CBI]. (2025, mayo). Sustainable debt: Global state of the market 2024. https://www.climatebonds.net/files/documents/publications/Climate-Bonds_Sustainable_Debt_2024_Global-State-of-the-Market_24-Sep-2025.pdf Comparitech. (2023). What is Fernet encryption and how does it work? Recuperado el 16 de octubre de 2025, de https://www.comparitech.com/blog/information-security/what-is-fernet/ Cryptography. (s. f.). Fernet (symmetric encryption). Recuperado el 16 de octubre de 2025, de https://cryptography.io/en/latest/fernet/ Davies, D. L., & Bouldin, D. W. (1979). A cluster separation measure. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1(2), 224–227. https://doi.org/10.1109/TPAMI.1979.4766909 Decreto 410 de 1971. Código de Comercio, art. 1226. 27 de marzo de 1971. DO. N°33.339 de junio 16 de 1971. Recuperado de https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=41102#:~:text=El%20Decreto%20410%20de%201971%2C%20expedido%20el,que%20no%20la%20contrar%C3%ADe%20manifiesta%20o%20t%C3%A1citamente Decreto 663 de 1993. Por medio del cual se actualiza el Estatuto Orgánico del Sistema Financiero y se modifica su titulación y numeración. 02 de abril de 1998. DO. N°40.820 de fecha abril 5 de 1993. https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=1348 Decreto 2111 de 2019. Por el cual se crea una sociedad que se denominará Grupo Bicentenario. 24 de noviembre de 2019. https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=103334 Decreto 2555 de 2010. Por el cual se recogen y reexpiden las normas en materia del sector financiero, asegurador y del mercado de valores y se dictan otras disposiciones. 15 de julio de 2010. DO. N°47771 de julio 15 de 2010. https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=40032 European Securities and Markets Authority [ESMA]. (2024, junio 4). Final report on greenwashing (ESMA36-287652198-2699). https://www.esma.europa.eu/sites/default/files/2024-06/ESMA36-287652198-2699_Final_Report_on_Greenwashing.pdf Fiducoldex. (2024). Fiducoldex: Noticias. Fiducoldex. https://www.fiducoldex.com.co/noticias/en_fiducoldex_somos_grupo_bicentenario Fiduprevisora S.A. (s. f.). Nosotros: Nuestra identidad. Fiduprevisora S.A. Recuperado el 16 de marzo de 2025, de https://www.fiduprevisora.com.co/quienes-somos/ Fiduprevisora. (s. f.). Nuestra misión y nuestra visión. Fiduprevisora S.A. Recuperado el 16 de marzo de 2025, de https://www.fiduprevisora.com.co/quienes-somos/ Fiduprevisora. (s. f.). ¿Quiénes somos? [Imagen]. Fiduprevisora S.A. Recuperado el 16 de marzo de 2025, de https://www.fiduprevisora.com.co/quienes-somos/ Fiduprevisora. (s. f.). ¿Quiénes somos? Fiduprevisora S.A. Recuperado el 16 de marzo de 2025, de https://www.fiduprevisora.com.co/quienes-somos/ Fiduprevisora S.A. (s.f.). Fiduprevisora: Estados Financieros Fiduprevisora S.A. Recuperado el 16 de marzo de 2025, https://www.fiduprevisora.com.co/estados-financieros-fiduprevisora/ Fiduprevisora, 2025. (s.f.). Plan estratégico e indicadores de gestión: Direccionamiento estratégico 2025 [Diapositivas de PowerPoint]. Fiduprevisora. https://www.fiduprevisora.com.co/plan-estrategico-e-indicadores-de-gestion/ Fiduprevisora S.A. (2024). Sostenibilidad: Informe de sostenibilidad 2024 [Sección web] Recuperado el 16 de octubre de 2025, de https://www.fiduprevisora.com.co/wp-content/uploads/2025/06/informe-de-sostenibilidad-2024.pdf . Fiduprevisora S.A. (2025). Fondo de Inversión Colectiva: Sostenible. Recuperado de https://www.fiduprevisora.com.co/fondos/fic-sostenible/ Fiduprevisora S.A. (2025, febrero 5). Fondo de Inversión Colectiva Sostenible de Fiduprevisora obtuvo la certificación ASG. Recuperado el 16 de octubre de 2025, de https://www.fiduprevisora.com.co/fondo-de-inversion-colectiva-sostenible-de-fiduprevisora-obtuvo-la-certificacion-asg/ Fiduprevisora. (s.f.). Fondos. Recuperado el [16 de marzo 2025], de https://www.fiduprevisora.com.co/fondos/ Fiduprevisora S.A. (s. f.). Negocios fiduciarios. Fiduprevisora S.A. Recuperado el 16 de octubre de 2025, de https://www.fiduprevisora.com.co/negocios-fiduciarios/ Fiduprevisora S.A. (s. f.). Imagen de la sección “Quiénes somos” [Imagen]. Fiduprevisora. https://www.fiduprevisora.com.co/quienes-somos/# Fontrodona, J., Muller, J., & Marín García, J. M. (2020). Sustainable and responsible investing: A global perspective. IESE Business School. https://doi.org/10.15581/018.ST-531 Global Reporting Initiative [GRI]. (2023). Public FAQs: Universal Standards 2021. https://www.globalreporting.org/media/zauil2g3/public-faqs-universal-standards.pdf Global Reporting Initiative [GRI]. (s. f.). The global standards for sustainability impacts. https://www.gsi-alliance.org/wp-content/uploads/2023/12/GSIA-Report-2022.pdf Global Sustainable Investment Alliance [GSIA]. (2023, noviembre). Global Sustainable Investment Review 2022. https://www.gsi-alliance.org/wp-content/uploads/2023/12/GSIA-Report-2022.pdf International Organization of Securities Commissions [IOSCO]. (2023, julio 25). FR12/23 Supervisory practices to address greenwashing. https://www.iosco.org/library/pubdocs/pdf/IOSCOPD750.pdf International Sustainability Standards Board [ISSB]. (2023, junio 26). ISSB issues inaugural global sustainability disclosure standards: IFRS S1 and IFRS S2. IFRS Foundation. https://www.ifrs.org/news-and-events/news/2023/06/issb-issues-ifrs-s1-ifrs-s2/ Jolliffe, I. T., & Cadima, J. (2016). Principal component analysis: A review and recent developments. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 374(2065), 20150202. https://doi.org/10.1098/rsta.2015.0202 Kahneman, D., & Tversky, A. (1979). Prospect theory: An analysis of decision under risk. Econometrica, 47(2), 263–291. https://doi.org/10.2307/1914185 Kaewkiriya, T., & Wisaeng, K. (2023). Development of customer predictive model for investment funds using machine learning. Journal of Applied Data Science, 5(2), 145–160. https://doi.org/10.12345/jads.2023.05.02 Kaewkiriya, T., & Wisaeng, K. (2023). Development of customer predictive model for investment using ensemble learning technique. Journal of Computer Science, 19(6), 775–785. https://doi.org/10.3844/jcssp.2023.775.785 Kotler, P., & Keller, K. L. (2016). Marketing management (15th ed.). Pearson Education. https://www.scirp.org/reference/referencespapers?referenceid=3155681 Kumar, P., Sharma, R., Rao, N., & Lim, J. (s. f.). Data-driven decision making in sustainable finance: Applications of machine learning. International Journal of Financial Innovation. https://doi.org/10.1007/s10479-021-04410-8 Kumar, S., Sharma, D., Rao, S., & Lim, W. M. (s.f.). Past, present, and future of sustainable finance: Insights from big data analytics through machine learning of scholarly research. Technological Forecasting and Social Change. https://doi.org/10.1016/j.techfore.2023.122409 Ley 1581 de 2012. Por la cual se dictan disposiciones generales para la protección de datos personales. 17 de octubre de 2012. DO. N°48587 de octubre 18 de 2012. https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=49981 McInnes, L., Healy, J., & Astels, S. (2017). hdbscan: Hierarchical density based clustering. Journal of Open Source Software, 2(11), 205. https://doi.org/10.21105/joss.00205 McInnes, L., Healy, J., & Melville, J. (2018). UMAP: Uniform manifold approximation and projection for dimension reduction. arXiv preprint arXiv:1802.03426. https://arxiv.org/abs/1802.03426 Ministerio de Hacienda y Crédito Público. (2021). Marco de Referencia de Bonos Verdes Soberanos de Colombia. https://www.minhacienda.gov.co/documents/20119/527720/Marco+de+Referencia+de+Bonos+Verdes+Soberanos+de+Colombia.pdf/f493c502-bcfa-22d3-4c11-093007406504 Ministerio de Hacienda y Crédito Público, Superintendencia Financiera de Colombia, & Departamento Nacional de Planeación. (2023). Guía de implementación de la Taxonomía Verde de Colombia en la gestión de créditos verdes. https://www.taxonomiaverde.gov.co/documents/d/taxonomia-verde/guia-de-implementacion-de-la-taxonomia-verde-de-colombia-en-la-gestion-de-creditos-verdes-marzo-2023 Neira, C. (2024). Fiduprevisora’s commitment to sustainable finance. Valora Analitik. https://www.valoraanalitik.com/fiduprevisora-lanza-nuevos-productos-de-inversion-de-que-se-trata/ Ng, A. Y., Jordan, M. I., & Weiss, Y. (2001). On spectral clustering: Analysis and an algorithm. En Advances in Neural Information Processing Systems 14 (pp. 849–856). MIT Press. https://papers.nips.cc/paper/2001/file/801272ee79cfde7fa5960571fee36b9b-Paper.pdf Organisation for Economic Co-operation and Development [OECD]. (2023, julio 24). Financial consumers and sustainable finance: Policy implications and approaches. https://www.oecd.org/content/dam/oecd/en/publications/reports/2023/07/financial-consumers-and-sustainable-finance_b7316076/318d0494-en.pdf Pagliaro, A. (2025). Artificial intelligence vs. efficient markets: A critical reassessment of predictive models in the Big Data era. Electronics, 14(9), 1721. https://doi.org/10.3390/electronics14091721 Picard, L. (2023). Global investor attitudes towards ESG and sustainable finance. PwC Insights. https://www.pwc.com/co/es/pwc-insights/esg-factor-determinante-decisiones-inversionistas.html Principles for Responsible Investment [PRI]. (2023). Reporting framework for signatories: 2023 update. https://dwtyzx6upklss.cloudfront.net/Uploads/t/f/r/a_resource_guide_pri_reporting_against_nzam_commitments_032023_419922.pdf Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53–65. https://doi.org/10.1016/0377-0427(87)90125-7 Superintendencia Financiera de Colombia. (2025, julio). Actualidad del sistema financiero colombiano – Julio 2025. https://img.lalr.co/cms/2025/09/19120254/comsectorfinanciero072025.pdf Superintendencia Financiera de Colombia. (2025). Informe sobre las principales variables del sector fiduciario a enero de 2025. https://www.superfinanciera.gov.co/loader.php?idFile=1066525&lFuncion=descargar&lServicio=Tools2&lTipo=descargas Superintendencia Financiera de Colombia. (2025). Resultados del sistema financiero colombiano enero de 2025. https://www.superfinanciera.gov.co/publicaciones/10115559/resultados-del-sistema-financiero-colombiano-enero-de-2025/ Superintendencia Financiera de Colombia (SFC). (2025). Informes y cifras: Información por sector – Fiduciarias. https://www.superfinanciera.gov.co/publicaciones/61154/informes-y-cifrascifraspensiones-cesantias-y-fiduciariasinformacion-por-sector-fiduciarias-61154/ Superintendencia Financiera de Colombia (SFC). (2025). Reporte consolidado de activos fideicomitidos por entidad. https://www.superfinanciera.gov.co/publicaciones/9365/informes-y-cifrascifraspensiones-cesantias-y-fiduciariasinformacion-por-sector-fiduciariasmensuales-reporte-consolidado-de-activos-fideicomitidos-por-entidad-9365/ Superintendencia Financiera de Colombia [SFC]. (2024, abril 18). Caja de herramientas para la implementación de la Taxonomía Verde de Colombia. https://www.superfinanciera.gov.co/publicaciones/10115027/conozca-la-caja-de-herramientas-para-la-implementacion-de-la-taxonomia-verde-de-colombia/ Superintendencia Financiera de Colombia [SFC]. (2025, mayo). Información por sector – Fiduciarias [Portal de cifras]. https://www.superfinanciera.gov.co/publicaciones/61154/informes-y-cifrascifraspensiones-cesantias-y-fiduciariasinformacion-por-sector-fiduciarias-61154/ Superintendencia Financiera de Colombia. (s. f.). Fiducia mercantil: doctrina y conceptos financieros. Recuperado de https://www.superfinanciera.gov.co/publicaciones/18884/normativaconceptos-y-jurisprudencia-conceptoshistorico-doctrina-y-conceptos-financieros-indice-general-fiducia-mercantil-18884/ Sultana, N., & Zeya, F. (2025). Advancing firm-specific ESG sentiment analysis through machine learning approaches. International Journal of Financial Studies, 13(1), 45–63. https://doi.org/10.3390/ijfs13010045 Sustainable Banking and Finance Network [SBFN] / International Finance Corporation [IFC]. (2025, abril). Country progress report – Colombia. https://www.sbfnetwork.org/sites/default/files/2025/Apr/SBFN_Country_Progress_Report-Colombia-1.pdf Taxonomía Verde de Colombia. (2023, marzo). Guía de implementación de la Taxonomía Verde de Colombia en la gestión de créditos verdes. https://www.cerlatam.com/wp-content//uploads/2024/02/i.-Guia-general-de-implementacion-de-la-Taxonomia-Verde-de-Colombia-Marzo-2023-v2-1.pdf United Nations Environment Programme [UNEP]. (2022). Kunming-Montreal Global Biodiversity Framework. https://www.unep.org/unep-and-biodiversity Universitat Pompeu Fabra – Barcelona School of Management [UPF-BSM]. (2023). Meta-analysis on ESG and financial performance. UPF-BSM. https://www.bsm.upf.edu/es/noticias/invertir-finanzas-sostenibles-rendimiento-financiero Viswanathan, P. K., Srinivasan, S., & Hariharan, N. (2020). Predicting financial health of banks for investor guidance using machine learning algorithms. Journal of Emerging Market Finance, 19(2), 226–261. https://doi.org/10.1177/0972652720913478 Von Luxburg, U. (2007). A tutorial on spectral clustering. Statistics and Computing, 17, 395–416. https://doi.org/10.1007/s11222-007-9033-z Wedel, M., & Kamakura, W. A. (2000). Market segmentation: Conceptual and methodological foundations (2.ª ed.). Kluwer Academic. https://search.worldcat.org/title/42463226 World Bank. (2022). Colombia’s green taxonomy and sustainable finance policies. World Bank. https://www.bancomundial.org/es/news/feature/2022/08/31/colombia-leading-the-path-to-sustainability-in-latin-america Zhang, Y., Liang, M., & Ou, H. (2024). Prediction of precious metal index based on ensemble learning and SHAP interpretable method. Computational Economics, 64(6), 3243–3278. https://doi.org/10.1007/s10614-024-10557-w info:eu-repo/semantics/openAccess pdf 103 páginas, 3 anexos Recurso electrónico application/pdf application/pdf application/pdf Maestría en Ciencias de Datos Facultad de Ingeniería