Predicción del desempeño financiero futuro de empresas PYMES ecuatorianas mediante técnicas de aprendizaje automático

Abstract

Las pequeñas empresas representan un motor fundamental para la economía ecuatoriana, concentrando más del 90 % del tejido empresarial formal. Sin embargo, su vulnerabilidad ante las crisis económicas hace necesario contar con herramientas que ayuden a anticipar su comportamiento financiero. Por esta razón, el presente trabajo desarrolla un modelo analítico basado en aprendizaje automático para predecir si una empresa será rentable en el futuro cercano. Para lograrlo, utilizamos los estados financieros entregados a la Superintendencia de Compañías, Valores y Seguros (SCVS) entre 2020 y 2024. El problema se abordó como una clasificación binaria, donde la información contable de un año (��) nos sirve para pronosticar la situación del año siguiente (� + 1). Como es común que en este tipo de datos existan muchos más casos de empresas rentables que de empresas con problemas (desbalance de clases), aplicamos la técnica SMOTE+Tomek para equilibrar la información antes de entrenar a los algoritmos… Small businesses are a fundamental driver for the Ecuadorian economy, accounting for more than 90% of the formal business fabric. However, their vulnerability to economic crises makes it necessary to have tools that help anticipate their financial behavior. For this reason, this study develops an analytical model based on machine learning to predict whether a company will be profitable in the near future. To achieve this, we used the financial statements submitted to the Superintendence of Companies, Securities, and Insurance (SCVS) between 2020 and 2024. The problem was approached as a binary classification, where the accounting information from one year (��) helps us forecast the situation for the following year (�� + 1). Since it is common with this type of data to have many more cases of profitable companies than troubled ones (class imbalance), we applied the SMOTE+Tomek technique to balance the information before training the algorithms…