💸 Predicción Temprana de Quiebra Empresarial con Inteligencia Artificial 🚀

📌 Introducción

Las quiebras empresariales pueden causar pérdidas millonarias, interrupciones operativas y un impacto severo en la estabilidad económica. Este proyecto de Machine Learning tiene como objetivo anticipar la quiebra de empresas mediante un sistema de alerta temprana que transforma incertidumbre en decisiones estratégicas.

---

💡 El Problema

Las quiebras generan:

• 💸 Pérdidas Financieras: Para bancos, inversores y proveedores.
• 🔗 Interrupciones Operativas: En cadenas de suministro y relaciones comerciales.
• ❗ Falta de Anticipación: Las herramientas tradicionales no son suficientes.

👉 Este proyecto busca cerrar esa brecha, ofreciendo un “radar financiero” basado en IA que detecta señales de riesgo con suficiente antelación.

---

🎯 La Solución: Radar Financiero Impulsado por IA

Hemos desarrollado un sistema integral que permite:
✔️ Predecir la Probabilidad de Quiebra (clasificación binaria: quiebra / no quiebra).
✔️ Asignar un Perfil de Riesgo mediante análisis de clústeres.
✔️ Visualizar los resultados en una aplicación interactiva para usuarios no técnicos.
✔️ Análisis Financiero realizado por IA
✔️ Chatbot de un agente IA ser experto en finanzas
✔️ Base de datos NoSQL (Firebase de Google) para análisis de datos y reentrenamiento

👥 Beneficiarios:

• 🏦 Bancos y Entidades Financieras.
• 💰 Inversores y Fondos.
• 🏢 Empresas (autodiagnóstico).
• 🤝 Departamentos de Compras/Ventas.

---

🛠️ Pipeline End-to-End

1️⃣ Adquisición y Preprocesamiento de Datos

• Fuente: Kaggle - Company Bankruptcy Prediction (6,819 registros, 96 variables).
• Normalización de nombres, conversión de tipos, imputación de valores faltantes.
• Reducción de características a 78 tras eliminar correlación alta y ruido.

2️⃣ Modelado Supervisado

• Modelos evaluados:
  • RandomForest (Class Weighted) → Modelo Final Seleccionado.
  • AdaBoost
  • XGBoost
  • GradientBoosting
  • LightGBM
• Estrategias contra desbalance:
  • class_weight='balanced'
  • SMOTE (oversampling a 25%).
• Métrica prioritaria: Recall (detección de quiebras).

3️⃣ Análisis No Supervisado (Clustering)

• PCA (95% de varianza, 52 componentes).
• KMeans (3 clústeres):
  • 🔵 Clúster 0: Bajo Riesgo (0.14% quiebra).
  • 🟡 Clúster 2: Riesgo Moderado (4.5% quiebra).
  • 🔴 Clúster 1: Riesgo Extremo (75% quiebra, aunque con muy pocos casos).

4️⃣ Despliegue (Streamlit App, imagen alocada en render)

• Subida de archivos CSV.
• Predicción binaria + probabilidad de quiebra.
• Asignación de clúster de riesgo.
• Visualización de perfil financiero.

---

📈 Resultados Clave

Métrica	Valor
Modelo Final	RandomForest (Class Weighted)
Recall (detección quiebras)	66% (detecta 66 de cada 100 quiebras reales)
Precisión (fiabilidad alertas)	25% (1 de cada 4 alertas es correcta)
ROC AUC	0.898

👉 Se prioriza detectar la mayoría de las quiebras, asumiendo un mayor número de falsas alarmas.

Principales Variables Predictivas:

1. Persistent EPS in the last four seasons.
2. Retained Earnings to Total Assets.
3. Total Income / Total Expense.
4. Debt Ratio (%).
5. Borrowing Dependency.

---

📂 Estructura del Proyecto

proyecto_Prediccion_Bancarrota/
├── app_streamlit/ # Aplicación Streamlit para predicción
├── data/ # Datos de entrada
│ ├── processed/ # Datos procesados
│ ├── raw/ # Datos en crudo
│ ├── test/ # Conjunto de prueba
│ └── train/ # Conjunto de entrenamiento
├── docs/ # Documentación y presentaciones
├── models/ # Modelos entrenados y objetos serializados
├── notebooks/ # Notebooks de análisis y desarrollo
├── reports/ # Reportes y resultados gráficos
├── src/ # Código fuente (preprocesamiento, entrenamiento, clustering)
└── README.md # Archivo README del proyecto

🚀 Cómo Empezar

1️⃣ Clonar el repositorio:

git clone https://github.com/tu_usuario/nombre_proyecto_final_ML.git cd nombre_proyecto_final_ML

2️⃣ Ejecutar el pipeline de análisis y modelado:

python src/data_processing.py python src/model_training.py python src/cluster_analysis.py python src/model_evaluation.py

3️⃣ Lanzar la aplicación:

ejecutar el streamlit app de manera local o pedir el enlace web a la aplicación desplegada en línea.

Recomendaciones:

Implementar un sistema automatizado de alertas para clientes o proveedores en riesgo.

Realizar reentrenamiento periódico con nuevos datos.

Establecer revisión manual de casos con alerta para validar y mejorar la precisión.

Monitorear de forma especial el Clúster 1 (Riesgo Extremo).