Examinando por Autor "Montoya Henao, Luis Miguel"

Mostrando 1 - 2 de 2
  • Miniatura
    ÍtemAcceso abierto
    Estimación de la elasticidad precio de la demanda en la industria de la moda mediante inferencia causal
    (Universidad EIA, 2023) Montoya Henao, Luis Miguel; Méndez Mejía, Santiago
    RESUMEN: este estudio aborda el desafío crítico en la gestión de la cadena de suministro de comprender profundamente el comportamiento del cliente y las variables que influyen en sus decisiones. En el contexto de la empresa de venta de ropa por catálogo Línea Directa S.A.S., se emplean métodos estadísticos avanzados y técnicas de Machine Learning para analizar la base de datos de ventas y determinar el efecto de diversas variables sobre la elasticidad precio de la demanda. La elasticidad, que mide el cambio porcentual de una variable económica en respuesta a cambios porcentuales en otra, es utilizada como una herramienta clave para inferir estas relaciones. En particular, se utiliza la inferencia causal y el enfoque de Double Machine Learning para estimar el efecto de variables como cambios porcentuales de precios en subgrupos de productos, en conjunto con factores temporales y efectos geográficos. Los hallazgos de este estudio ofrecen una visión valiosa para la estrategia de precios y la gestión de la cadena de suministro, contribuyendo a la maximización de las ganancias y la eficiencia operativa.
  • Miniatura
    PublicaciónAcceso abierto
    Modelo de inversión de venture capital. Evidencia para América Latina.
    (Universidad EIA, 2023) Arboleda Uribe, Sara; Montoya Henao, Luis Miguel; Cruz Castañeda, Vivian
    RESUMEN: El “venture capital” es una herramienta esencial de financiación privada que se utiliza para apoyar a empresas emergentes con un alto potencial de crecimiento. En este estudio, exploramos la aplicación de técnicas de Procesamiento de Lenguaje Natural (NLP) y Grandes Modelos del Lenguaje (LLM) para analizar datos no estructurados, como las descripciones de las empresas, con el objetivo de predecir los montos de inversión que estas empresas podrían atraer. Utilizamos una base de datos de empresas de América Latina que han recibido inversiones de capital de riesgo y aplicamos técnicas de NLP y Machine Learning en combinación con modelos de lenguaje pre-entrenados basados en la arquitectura de BERT para modelar la cantidad invertida. Evaluamos el rendimiento de estos modelos utilizando una serie de métricas relevantes para determinar la capacidad de este tipo de modelos en tareas fuera de NLP. Los resultados de este estudio proporcionan una visión valiosa sobre la capacidad de los modelos de lenguaje para predecir las inversiones de capital de riesgo y destacan las áreas potenciales para futuras investigaciones y mejoras en este campo emergente de estudio.