Análisis predictivo del rendimiento y riesgo financiero en empresas vinícolas utilizando machine learning.

Abstract

Este trabajo analiza el rendimiento y riesgo financiero de empresas vitivinícolas mediante modelos de aprendizaje automático. A partir de una base de datos internacional extraída de ORBIS, se aplicaron técnicas supervisadas y no supervisadas sobre un conjunto de variables contables y no financieras (ESG). El modelo predictivo se desarrolló en dos fases: la primera utilizando exclusivamente variables financieras, y la segunda incorporando indicadores ESG. Los resultados muestran que los modelos basados en ´arboles ofrecen el mejor rendimiento global, mejorando aún más al incluir datos ESG. También se exploró la robustez de los modelos ante tamaños de muestra reducidos y se aplicaron técnicas de agrupamiento para identificar perfiles estratégicos de riesgo. El análisis evidencia que determinados patrones financieros y sostenibles pueden ser indicativos de riesgo, lo que refuerza la utilidad del enfoque propuesto tanto desde una perspectiva metodológica como para la toma de decisiones estratégicas.

This study analyzes the financial performance and risk of wine industry companies using machine learning models. Based on an international database extracted from ORBIS, both supervised and unsupervised techniques were applied to a set of financial and non-financial (ESG) variables. The predictive model was developed in two phases: the first using only financial variables, and the second incorporating ESG indicators. The results show that treebased models offer the best overall performance, further improving when ESG data is included. The robustness of the models was also tested under reduced sample sizes, and clustering techniques were applied to identify strategic risk profiles. The analysis shows that certain financial and sustainability patterns can serve as indicators of risk, reinforcing the value of the proposed approach both methodologically and for strategic decision-making.