Intención emprendedora: segmentación de perfiles a través de inteligencia artificial

Abstract

El objetivo de este estudio es analizar la intención emprendedora mediante un enfoque cuantitativo que combina técnicas estadísticas clásicas y algoritmos de Inteligencia Artificial. A partir de datos del Global Entrepreneurship Monitor y una encuesta estructurada de 89 ítems, se evaluaron variables clave como la motivación para emprender, los valores personales, el ecosistema emprendedor, la diversidad del conocimiento y los esquemas de inversión. La validez del instrumento se comprobó mediante Análisis Factorial Exploratorio, obteniendo altos índices de confiabilidad (Alfa de Cronbach > .86) y adecuación muestral (KMO > .89). Posteriormente, se aplicó el algoritmo de K-medias técnica de aprendizaje no supervisado ampliamente utilizada por su eficiencia y escalabilidad, con el propósito de segmentar los datos en clústeres homogéneos. Para evaluar la relevancia de cada variable, se empleó la varianza intra-clúster como métrica de dispersión interna. Variables con menor varianza presentaron mayor peso en la formación de perfiles, lo cual optimiza la interpretación y precisión del modelo. Los hallazgos demuestran que esta metodología permite identificar factores determinantes en la intención emprendedora favoreciendo la reducción de dimensionalidad y aportando información clave para la toma de decisiones en entornos complejos y de alto volumen de datos. Se concluye intención emprendedora responde a una estructura multidimensional en la que convergen motivaciones económicas, sociales y personales.

This study aims to analyze entrepreneurial intention (EI) using a quantitative approach that combines classical statistical techniques with artificial intelligence algorithms. Based on data from the Global Entrepreneurship Monitor and a structured 89-item survey, the research evaluates key variables such as motivation to undertake, personal values, the entrepreneurial ecosystem, knowledge diversity, and investment structures. Instrument validity was assessed through Exploratory Factor Analysis, yielding high levels of reliability (Cronbach’s Alpha > .86) and sampling adequacy (KMO > .89). Subsequently, the K-means algorithm—an unsupervised machine learning technique known for its computational efficiency and scalability—was applied to segment the data into homogeneous clusters. To determine the relevance of each variable, intra-cluster variance was used as a metric of internal dispersion. Variables with lower variance were considered more influential in shaping the profiles, thereby enhancing the interpretability and precision of the model. The findings demonstrate that this methodology effectively identifies key factors influencing EI, supporting dimensionality reduction and offering valuable insights for decision-making in complex, high-volume data environments. We conclude that entrepreneurial intention responds to a multidimensional structure in which economic, social and personal motivations converge.