Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)Briñez de León, Juan CarlosBlandón Ochoa, Diomer EliecerGarcía Ordoñez, Yonier AlexandroSánchez Cardozo, Yesica Yulieth2025-01-092025-01-092024https://repositorio.uniremington.edu.co/handle/123456789/5766En este proyecto, se exploró el uso de algoritmos de Machine Learning para el análisis de datos financieros del sector de videojuegos, con el objetivo de segmentar empresas según patrones compartidos y proporcionar insights útiles para la toma de decisiones estratégicas. Utilizando datos históricos de características financieras clave, se aplicó el algoritmo de clustering K-Means para identificar grupos homogéneos dentro del conjunto de datos. El proceso incluyó la limpieza de datos, optimización del modelo mediante el método del codo y puntaje de silueta, y la validación de los resultados con visualizaciones gráficas y análisis interpretativo. Se implementaron métodos para asignar nuevos clientes a los clusters existentes, lo que permite personalizar estrategias basadas en patrones predefinidos. Además, se evaluaron visualmente tanto la distribución de los clusters como la posición de nuevos datos, asegurando la coherencia y utilidad práctica del modelo. Este enfoque no solo segmentó empresas con base en sus características financieras, sino que también ofreció recomendaciones personalizadas adaptadas a cada cluster, destacando su aplicabilidad en mercados dinámicos. El impacto del trabajo radica en su capacidad para ofrecer herramientas de análisis avanzadas en la industria financiera, mejorando la comprensión de las dinámicas del mercado y facilitando la toma de decisiones informadas. A futuro, este proyecto podría ampliarse mediante la inclusión de datos adicionales, el análisis de tendencias temporales, la implementación de modelos predictivos y la comparación con otras técnicas de clustering. Estas extensiones consolidarán su utilidad en escenarios financieros reales y reforzarán su aplicabilidad en distintos contextos empresariales. Este trabajo muestra cómo el uso efectivo de Machine Learning puede transformar datos complejos en estrategias accionables, subrayando el potencial de estas tecnologías en la gestión y optimización financiera.44 p.application/pdfspaDerechos Reservados - Corporación Universitaria Remington, 2024Machine LearningAnálisis financieroVideojuegosPredicción de precios de accionesClusteringSistemas de recomendaciónSeries temporalesAlgoritmos de Machine LearningDatos financierosYahoo FinanceTrabajo de grado - Pregradoinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2VideojuegosAlgoritmosAnálisis financiero