Implementación de un modelo de un sistema computacional basado en machine learning para proyectar el estado de resultados en una empresa manufacturera en el departamento de Lima – 2018

• Autor: Lipa Choque, Diego Frank
• Formato: tesis de grado
• Fecha de Publicación: 2019
• Institución: Universidad Peruana Unión
• Repositorio: UPEU-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.upeu.edu.pe:20.500.12840/1976
• Enlace del recurso: http://repositorio.upeu.edu.pe/handle/20.500.12840/1976
• Nivel de acceso: acceso abierto
• Materia: Machine learning; Regresión logística; Estado de resultados; Empresas; Proyección; https://purl.org/pe-repo/ocde/ford#2.02.04

La presente investigación busca principalmente la solución de un problema práctico sobre la proyección de uno de los estados financieros, este es el estado de resultados de una empresa manufacturera en el departamento de Lima. No proyectar los resultados hacia el futuro puede hacer que las empresas no determinen a ciencia cierta su éxito o fracaso, en cuanto a los inversionistas no contar con los recursos e información suficiente, pondrá en duda si deben o no invertir en dichas empresas. Una de las razones por las que muchas empresas no proyectan sus estados financieros es porque únicamente se centran en el presente, el aparente auge económico que se presenta en ese momento, hace que las empresas no tengan miras hacia el futuro. La mayoría de las empresas carecen de inversionistas porque no muestran información proyectada. La proyección de estados financieros en este caso mediante el modelo de regresión logística podría ayudar a los gerentes, administradores, accionistas e incluso para los inversionistas. La presente investigación es de carácter proyectiva explicativa de tal modo que se desarrollará un modelo de regresión logística, para realizar una proyección del estado de resultados. Mediante un análisis minucioso de la data histórica se logró el establecimiento de los features y la variable objetivo, gracias al modelo de regresión logística se obtuvieron 12 variables, de las cuales se resaltaron 7 las que son base para una adecuada proyección y toma de decisiones; por otro lado, el modelo de regresión logística nos ayuda a proyectar si una partida con sus respectivos datos tendrá una efectividad positiva o negativa.