Analítica predictiva en contabilidad de gestión: modelación de estructuras de costos no lineales mediante machine learning

Resumen

El estudio analiza la aplicación de analítica predictiva y técnicas de machine learning en la contabilidad de gestión, con el objetivo de modelar estructuras de costos no lineales y evaluar su capacidad explicativa y predictiva frente a enfoques tradicionales. Dado que la disponibilidad de datos empresariales reales suele ser limitada por razones de confidencialidad, se empleó una estrategia basada en la simulación controlada de datos contables complementada con datos abiertos, incorporando patrones realistas de estacionalidad, dependencia temporal y comportamiento asimétrico de los costos. Metodológicamente, se compararon tres enfoques: regresión lineal, Random Forest y redes neuronales multicapa, utilizando variables rezagadas y validación temporal para evitar filtraciones de información. El desempeño de los modelos se evaluó mediante coeficiente de determinación, error absoluto medio y error porcentual medio absoluto. Los resultados evidencian que los modelos no lineales superan de forma consistente a la regresión clásica, alcanzando valores de ajuste elevados y reducciones sustanciales en los errores de predicción, lo que confirma la existencia de relaciones complejas entre el nivel de actividad y el margen operativo. En particular, el Random Forest mostró el mejor equilibrio entre precisión y estabilidad. Se concluye que la analítica predictiva constituye una herramienta robusta para la contabilidad de gestión, permitiendo una mejor comprensión del comportamiento de los costos y ofreciendo soporte cuantitativo para la toma de decisiones estratégicas, incluso en contextos donde los datos reales son limitados.