¿Qué factores influyen más en el crecimiento de

los emprendimientos?
José Cazal1 , Marı́a Messina2 , Esther Hochsztain 2

1
Facultad Politécnica, Universidad Nacional de Asunción.
2
Facultad de Ciencias Económicas y de Administración,
Universidad de la República.

Resumen
En este artı́culo se analizan los factores de sostenibilidad de los em-
prendimientos en el Uruguay. Se identifican los elementos que influyen
para que un emprendimiento crezca, ası́ como las motivaciones que tienen
los emprendedores para continuar y empezar a generar fuentes de empleo.
Se presenta un caso de estudio basado en una encuesta realizada por
Centro de Emprendedurismo CCEEmprende, a los emprendedores parti-
cipantes programa de apoyo a emprendedores desarrollado por la Facul-
tad de Ciencias Económicas y de Administración de la Universidad de la
República del Uruguay.
La metodologı́a aplicada se basa en un proceso de extracción automáti-
ca de conocimiento empleando minerı́a de datos. Se utiliza la técnica de
árboles de decisión como principal modelo de clasificación. Se encara el
proceso considerando dos variables explicadas, que se van rotando.
Las variables que participan del estudio son: cantidad de empleados,
si el emprendimiento factura, nivel académico de los emprendedores, an-
tigüedad del emprendimiento, cantidad de socios, cantidad de empleados,
sigue facturando (si-no), se planifica el trabajo (si-no), cargos definidos
en la empresa., aplican procedimientos estandarizados, cuentan con clien-
tes (si-no) y fuente de financiamiento inicial. Las dos primeras son las
variables explicadas consideradas.
En primer lugar, se considera como variable explicada la cantidad de
empleados con que cuenta el emprendimiento. El modelo obtenido muestra
que los emprendimientos que cuentan con mayor número de empleados y
más que un año y medio de antigüedad son los que tienen los procesos
del emprendimiento definidos y estandarizados. Este resultado indica que
ante el crecimiento, las organizaciones necesitan organizarse internamente
para una mayor eficiencia y se destaca la importancia de contar procesos
estandarizados implementados en la empresa.
En segundo lugar, la variable dependiente pasa a ser si el emprendi-
miento factura. Los resultados obtenidos muestran que los emprendimien-
tos con más de cinco empleados siguen facturando. Los emprendimientos

1
 que cuentan con menos de cinco empleados, cuyos socios cuentan con estu-
dios universitarios culminados y/o estudios de postgrado ya no continúan
facturando. Los emprendimientos con mayor antigüedad siguen facturan-
do independientemente del nivel académico de sus socios.
Los resultados obtenidos brindan información para contribuir a la me-
jor toma de decisiones en lo relativo a la mejora en los procedimientos
de apoyo a emprendedores y emprendimientos. Este estudio se enmar-
ca en un proyecto de largo plazo de investigación de emprendedurismo
desarrollado por universidades en Uruguay. Si bien desde la teorı́a o para
otras realidades existe información sobre los factores que colaboran en la
determinación del éxito, para la realidad del Uruguay no se identifican
proyectos similares.
Palabras claves: emprendedurismo, aprendizaje automático, procesos estan-
darizados, nivel educativo, antigüedad

1. Introducción
El emprendedurismo hoy en dı́a es de fácil acceso para los jóvenes que inician
y deseen obtener una independencia en el ámbito laboral. En Uruguay, orga-
nizaciones sin fines de lucro, fundaciones y programas como Emprender y el
Programa de Apoyo a Futuros Empresarios (PAFE) dan un aporte interesante
a proyectos de emprendedurismo en sus inicios. En el ámbito de la innovación
la Agencia Nacional de Investigación e Innovación (ANII) financian proyectos
de emprendedurismo evaluados como buenos.
Si bien existe un estı́mulo en el inicio de los proyectos de emprendedurismo, es
importante dar un seguimiento a los proyectos para saber si tienen continuidad
en el tiempo, si generan puestos de trabajo y de alguna manera puedan redi-
tuar a la sociedad y a la economı́a los esfuerzos que se realizan para que los
proyectos puedan tener éxito. El emprendedurismo es considerado cada vez más
un factor importante para contribuir al desarrollo económico, la generación de
puestos de trabajo, la inclusión social, la reducción de la pobreza y el desarrollo
de la innovación. Eso ha llevado al interés de polı́ticos, académicos y organismos
internacionales en el proceso de creación de nuevos emprendimientos (Messina
and Hochsztain, 2015). En este artı́culo se pretende determinar los factores que
permiten clasificar y el rol de los mismos basado en información histórica cuales
proyectos de emprendedurismo generan recursos propios y que caracterı́sticas
tienen los emprendimientos según la cantidad de empleados con que cuenta el
emprendimiento.

2. Estado del Arte

En esta sección, se presenta los temas más importantes a desarrollar, prime-
ramente lo referente con emprendedurismo y el método de extracción automática
de conocimiento utilizado para extraer información de los datos históricos que
es la minerı́a de datos.

2
2.1. Emprendedurismo
Una organización emprendedora es aquella que asume riesgos, es innovado-
ra y proactiva. Se encuentra en el otro extremo los emprendimientos que son
conservadores, que tiene aversión al riesgo, no innova y es reactiva (Covin and
Slevin, 1989). Estudio realizado por la Facultad de Ciencias Económicas y de
Administración de la Universidad de la República del Uruguay, como precedente
mas importante en el Uruguay muestran que los dos elementos más relevantes
para anticipar el éxito de un emprendimiento son contar con financiamiento y
que, anteriormente, la situación laboral del emprendedor sea trabajador inde-
pendiente, que se refiere a la situación laboral preexistente del emprendedor
(Messina and Hochsztain, 2015). Los emprendedores o socios que se dedican ex-
lusivamente a sus proyectos son los que mayor motivación para el éxito tienen.
A nivel de América Latina, se fomenta la economı́a informal con el empren-
dedurismo, pero aún se tienen factores como el complicado y largo proceso de
formalización de un emprendimiento. En América Latina millones de trabajado-
res que se desempeñan en este amplio espectro que define a la economı́a informal,
muchos de ellos inmersos en actividades de subsistencia, sin protección social, y
donde los derechos laborales brillan por su ausencia (Orsatti and Calle, 2004).
Desde el punto de vista de la innovación, Rojas et al. (2013) menciona que el
emprendedor debe adquirir una serie de conocimientos que puedan ser aplicados
a la vida real y de esta manera innovar en la sociedad a fin de que la empresa
donde se ha aprendido ese conocimiento se beneficie de esa innovación y pueda
conseguir una ventaja competitiva que sea difı́cil de imitar por los competido-
res. Sobre el nivel educativo de los emprendedores, Contı́n et al. (2007) basado
en encuestas realizadas dentro del Proyecto Regional Entrepreneurship Monitor
(REM) Navarra 2005, utilizando estadı́sitica descriptiva menciona que el 36 %
de los emprendedores posee estudios superiores, descendiendo hasta el 22 % en el
caso de los empresarios establecidos. Esta evidencia va alineada a los resultados
obtenidos en este trabajo, donde los emprendedores establecidos por lo general
no tienen estudios terciarios

2.2. Minerı́a de Datos

En la actualidad, literalmente estamos abrumados de datos. La cantidad de
datos en nuestras vidas es cada vez mayor y no tienen un horizonte final. Los
bajos costos de discos de almacenamiento y los computadores actuales hacen
más fácil almacenar algo que tiempo atrás hubiesemos enviado a la papelera.
Actualmente nuestras decisiones son registradas electrónicamente todo el tiem-
po, lo que elegimos en el supermercado, hábitos financieros, nuestros ingresos y
egresos. Marcamos nuestro camino a través del mundo, y todo es almacenado en
grandes bases de datos (Hall et al., 2011). Con respecto al término de minerı́a
se refiere a la extracción de oro de piedras o arena se conoce como la minerı́a
de oro en lugar de la minerı́a de roca o arena (Han et al., 2011).
La minerı́a de datos se centra básicamente sobre la solución de problemas me-

3
diante el análisis de los datos ya presentes en bases de datos, encontrar dichos
patrones que pueden ser transformados en conocimiento, se define como el pro-
ceso de descubrimiento de patrones en los datos de manera automática, o usual-
mente de manera semi-automática. Esta información puede ser utilizado en el
ámbito de los negocios por ejemplo en la ayuda en la toma de decisiones a nivel
gerencial, analizar la cartera de clientes, a la competencia, anticipar posibles
riesgos en la empresa.
Si bien minerı́a de datos funciona mejor con gran cantidad de datos, (Natek
et al., 2013) en su estudio menciona que no tuvo limitaciones con la cantidad
pequeña de datos en el uso de herramientas basadas en minerı́a de datos.

2.3. Máquina de aprendizaje.

El aprendizaje automático es un sub-campo de la informática que se desarro-
lla a partir del estudio de reconocimiento de patrones y la teorı́a del aprendizaje
computacional en la inteligencia artificial. El aprendizaje siempre está basado
en un conjunto de datos históricos, observaciones o muestras de una población
mayor. En general, la máquina de aprenizaje automático se trata de aprender
a hacer mejor en el futuro sobre la base de lo que se vivió en el pasado (Hall
et al., 2011), se utilizan los datos para aprender de ellos y también para evaluar
el resultado o salida del proceso de aprendizaje, el esquema de apredizaje tradi-
cional puede ser presentado como en la Figura 1. El énfasis de las máquina de

Figura 1: Diagrama de un tı́pico problema de aprendizaje en máquinas de apren-

dizaje

aprendizaje son los métodos automáticos, en otras palabras, la meta es diseñar

algoritmos de aprendizaje que hacen el aprendizaje de forma automática sin
intervención humana o asistencia.

4
Algunos ejemplos de problemas abordados con aprendizaje automático son por
ejemplo el reconocimiento óptico de caracteres:(categoriza imágenes escritas a
mano a letras representativas), detección de rostros, diagnóstico médico basado
en los sı́ntomas, segmentación de clientes, detección de idiomas, predicción del
clima, detección de fraudes.
Es importante la interpretabilidad de las reglas de clasificación - predicción, en
otras palabras se requiere que los computadores encuentren los patrones o reglas
que sean fácilmente entendibles por los expertos humanos.

2.3.1. Técnicas, Algoritmos, Herramientas

Para este trabajo, se utilizó el proceso de extracción automática de cono-
cimiento o por sus siglas en inglés KDD (knowledge discovery in databases).
Fayyad et al. (1996) lo define como el proceso que utiliza métodos de minerı́a
da datos para extraer lo que es considerado conocimiento de acuerdo con la espe-
cificación de medidas y umbrales, utilizando bases de datos junto con cualquier
pre-procesamiento requerido, sub-muestreo y transformaciones de los datos. En
la Figura 2 expone el proceso consta de 5 pasos:

Figura 2: Etapas en el proceso KDD. Obtenido y traducido de Fayyad et al.

(1996)

Selección: consiste en seleccionar el conjunto de datos en el cual se efectuará

el proceso de descubrimiento.

5
Pre-procesamiento: en esta etapa se mejora la calidad de los datos, elimi-
nando los valores inconsistentes y tratando los valores nulos o ausentes.
Transformación: consiste en la transformación de los datos reduciendo dimen-
siones u otras técnicas de transformación.
Minerı́a de datos: en esta etapa se realiza la búsqueda de patrones de interés
en una forma particular de representación, dependiendo del objetivo en la
minerı́a de datos (clasificación o predicción).
Interpretación/Evaluación: consiste en la interpretación de los patrones en-
contrados y la evaluación del modelo. Es importante tener un experto en
el dominio para poder entender los resultados obtenidos.
En la fase de minerı́a de datos, se utilizan “algoritmos de aprendizaje” para
automatizar la búsqueda de patrones en el conjunto de datos analizados. Exis-
ten algoritmos cuya salida es bastante intuitiva como las tablas de decisión,
árboles de decisión y las reglas. Algunos modelos generados por algoritmos no
son interpretables fácilmente como las redes neuronales. En este proyecto se ha
utilizado extensamente algoritmos que producen modelos de clasificación cuya
salida sean de fácil interpretación por los expertos en el dominio. Los resultados
fueron expuestos en formato de árboles de decisión y los resultados fueron de
interesante valor para lo que se requiere estudiar en los emprendimientos. El
proceso de extracción automática de conocimiento puede realizarse a través de
paquetes de software destinados para efectuar análisis de datos, algunos de ellos
son SPSS de IBM, gratuitos como R y WEKA. Para nuestro trabajo utilizamos
WEKA, que es una herramienta desarrollada por la Universidad de Waikato de
Nueva Zelanda. La herramienta es muy intuitiva y nos basamos en el manual
de Bouckaert et al. (2015)

3. Estudio de Caso
Se realiza un estudio sobre una muestra de 29 emprendedores encuestados
que forman parte del programa Centro de Emprendedurismo CCEEmprende,
la encuesta fué realizada en el año 2014. En el marco del análisis, el objetivo
es identificar que factores influyen en la sostenibilidad del emprendimiento para
ello estudia primero las caracterı́siticas de los emprendimientos de acuerdo al
“número de empleados”. Otro objeto de estudio son los “factores que motiven
a que un emprendimiento siga facturando o no”.

3.1. Datos
La encuesta es un formulario de 44 preguntas, y son 29 encuestados, por lo
tanto una matriz de 29 filas y 44 columnas.
Los datos son recibidos en bruto, producto de la encuesta. Estos datos pueden
presentar inconsistencias, valores mal cargados, etc, factores tı́picos asociados al
relevamiento de datos los cuales deben tratarse. Los datos fueron explorados y

6
tratados para mejorar su calidad antes de analizarlos propiamente con el método
estadı́stico.
Parte del proceso de análisis es el de identificar los campos que se utilizarán
como variables explicativas, de acuerdo al objeto de estudio. A continuación se
detalla la metodologı́a utilizada en el proceso de análisis.

3.2. Metodologı́a
La metodologı́a aplicada fue la expuesta en el apartado 2.3.1, donde se de-
talla paso a paso el proceso de extracción automático de conocimiento.
Primeramente en la fase de selección, ya que los datos de la encuesta estaban
esparcidos en varios archivos, se procede a unificarlos. Se descartan las colum-
nas o atributos que no son ya de utilidad (como por ejemplo nombre, dirección,
teléfono), todos los atributos que no aportan información al objeto de estudio.
El conjunto de datos resultante es sometido a una “exploración” de los datos,
la exploración consiste en analizar uno a uno los campos de la encuesta, asi po-
der determinar a un nivel mucho más analı́tico el nivel de relevancia que tienen
esos atributos. Además, como toda encuesta se pueden tener datos mal cargado
por parte del encuestador, valores ausentes y extremos. Es importante verificar
las respuestas para que sean consistentes con el tipo de información que deban
contener, por ejemplo al consultar sobre el tiempo que lleva con el emprendi-
miento, el tipo de respuesta normalmente es un dato numérico que equivale a
los meses/años y no encontrar una dirección de correo.
Basado en la relevancia de cada campo y la cantidad de valores nulos, se decide
si eliminar el campo o continúa para el análisis posterior.
En la transformación de datos, se redujeron dimensionalidades como por ejem-
plo, habı́an campos en la encuesta donde se preguntaban la cantidad de clientes
que tenia el emprendimiento a nivel nacional o extranjero. Lo que se realizó fue
transformar esos dos atributos a un solo atributo con valores binarios en los que
se especificaba únicamente si el emprendimiento posee o no clientes (posee/no
posee). Se realizó lo mismo en las fuentes de financiamiento para el inicio del
emprendimiento, se redujo a financiamiento propio (ahorros personales) o finan-
ciamiento a través de préstamos (a través de préstamos). Atributos numéricos se
transformaron a nominales mediante el proceso de discretización, por ejemplo,
la antigüedad del emprendimiento en años, se transformó a rangos de valores y
ası́ se obtuvieron valores nominales ordinales.
También se identificaron problemas de balanceo de clases en las variables ex-
plicadas, por lo tanto se utilizó la técnica SMOTE (Synthetic minority over-
sampling technique), lo que hace es crear instancias sintéticas con el objetivo
de que la diferencia entre clases no sea muy alta (Chawla et al., 2002).
Al final de la transformación, de los cuarenta y cuatro campos o atributos
iniciales, quedaron diez atributos para generar el modelo:

1. Nivel académico.
Secundaria completa.

7
 Universidad incompleta.
Universidad completa.
Posgrado.
2. Antigöedad del emprendimiento.
menor a 1,5 años.
entre 1,5 y 3 años.
mayor a 3 años.
3. Cantidad de socios.
menor a 3.
mayor o igual a 3.
4. Cantidad de empleados.
igual o menor que 5.
mayor que 5.
5. Sigue facturando (Si-No)
6. Se planifica el trabajo (Si-No)
7. Cargos definidos en la empresa.
No, ninguno.
La mayorı́a no.
La mayorı́a si.
Si, todos.
8. Aplican procedimientos estandarizados.
No, ninguno.
La mayorı́a no.
La mayorı́a si.
Si, todos.
9. Cuentan con clientes (Si-No).
10. Fuente de financiamiento inicial (Préstamo-Propio).

Una vez obtenido el conjunto de datos final, se procede a la fase de modelado

comenzando al seleccionar la primera variable explicada entre los atributos. El
proceso de modelado aplicado en esta metodologı́a se explica en la Figura 3. Para
el primer análisis sobre la cantidad de empleados con que cuenta la empresa,
se utilizó el atributo número cuatro (Cantidad de empleados) como variable

8
 Figura 3: Proceso de modelado, cambiando las variables explicadas

explicada. El resto de las atributos se utilizaron como variables independientes

en el análisis.
En la generación del modelo, se utilizó el algoritmo para generar árboles de
decisión y luego los resultados fueron analizados por el experto en el dominio.
Una vez registrados los resultados obtenidos, se cambió la variable explicada por
la número 5 (sigue facturando) y como parte del proceso de análisis, se eliminó
el atributo número 8 (Aplican procedimientos analizados) porque el modelo
resultante fue inconsistente según los resultados obtenidos, con esto quedaron
nueve atributos. El proceso de modelado se ejecutó nuevamente y el resultado
arrojó un modelo de clasificación que será expuesto en el siguiente apartado de
resultados.

3.3. Resultados
La última fase en el proceso de extracción automático de conocimiento es la
evaluación e interpretación de los resultados. La evaluación consiste en obtener el
porcentaje de eficacia estimado por cada modelo y la interpretación es realizada
por el experto del dominio. El experto del dominio analiza los resultados y lo
transforma en conocimiento que se lo utiliza para entender el comportamiento
de la variable explicada dada las condiciones de las variables independientes.
Los resultados fueron expuestos según las dos variables explicadas consideradas
en este estudio las cuales fueron:
Cantidad de empleados en el emprendimiento.
El emprendimiento factura o no.

A continuación se detallan los resultados en términos de evaluación e interpre-

tación.

9
Variable explicada: Cantidad de empleados en el empren-
dimiento.
El árbol de decisión que se detalla en la Figura 4, representa el modelo obte-
nido mediante minerı́a de datos, se utiliza como variable explicada la cantidad
de empleados en el emprendimiento, la cual posee dos clases: menor o igual a 5
empleados y más que 5 empleados. El modelo tiene una efectividad estimada del
85, 7 % 1 Los resultados de la clasificación pueden ser representados en forma

Figura 4: Arbol decisión basado en Cantidad de empleados.

de reglas, las mas destacada es :

Los emprendimientos tienen mas que cinco empleados y una antigüedad
mayor a un año y medio tienen todos sus procedimientos estandarizados.
De esto se pueden derivar una series de conclusiones, primeramente la varia-
ble que más discrimina es Aplica procedimientos estadarizados, esto destaca la
importancia de tener procesos estandarizados.

Variable explicada: El emprendimiento factura o no.

El árbol de decisión que se detalla en la Figura 4, es el modelo obtenido des-
pués de cambiar la variable explicada. El modelo tiene una efectividad estimada
del 82, 5 %
Las reglas encontradas más destacadas son:
Los proyectos de emprendedurismo mayores a tres años de antigüedad si
los socios tienen nivel académico de Universidad completa y/o postgrado
ya no continúan facturando.
1 El porcentaje es obtenido mediante técnicas de validación cruzada.

10
 Figura 5: Arbol de decisión si el emprendimiento continúa facturando

Los proyectos que tengan más de cinco empleados facturan.

4. Conclusiones y Futuros Trabajos

Se cumplió el objetivo de analizar los datos de la encuesta mediante técnicas
de minerı́a de datos y se demostró su efectividad Esto denota que cuanto más
empleados y puestos de trabajo generando el emprendimiento, más necesita
organizarse ya que los procesos y la planificación aporta un valor agregado en
el crecimiento de la organización, destaca la importancia de tener los procesos
estandarizados. Incentivar la organización interna de los emprendimientos, no
solo cuando este crece, si no desde un principio. Aplicar otras técnicas de minerı́a
de datos como reglas de asociación, redes neuronales
Realizar una encuesta para investigar los motivos por el cual los universita-
rios dejan el emprendedurismo, la motivación que puede ser económica (porque
ganan mas como profesionales empleados por otra empresa) o dejan el empren-
dedurismo por el tiempo que requieren los estudios para poder recibir su tı́tulo
universitario como asistir a clase, estudiar para los exámenes.

Referencias
Bouckaert, R. R., Frank, E., Hall, M., Kirkby, R., Reutemann, P., Seewald, A.,
and Scuse, D. (2015). Weka manual for version 3-7-12.
Chawla, N. V., Bowyer, K. W., Hall, L. O., and Kegelmeyer, W. P. (2002).
Smote: synthetic minority over-sampling technique. Journal of artificial in-
telligence research, pages 321–357.

11
Contı́n, I., Larraza, M., and Mas, I. (2007). Caracterı́sticas distintivas de los
emprendedores y los empresarios establecidos: evidencia a partir de los datos
de rem navarra. Revista de empresa, 20:10–19.
Covin, J. G. and Slevin, D. P. (1989). Strategic management of small firms in
hostile and benign environments. Strategic management journal, 10(1):75–87.

Fayyad, U. M., Piatetsky-Shapiro, G., Smyth, P., and Uthurusamy, R. (1996).

Advances in knowledge discovery and data mining.
Hall, M., Witten, I., and Frank, E. (2011). Data mining: Practical machine
learning tools and techniques. Kaufmann, Burlington.

Han, J., Kamber, M., and Pei, J. (2011). Data mining: concepts and techniques.
Elsevier.
Messina, M. and Hochsztain, E. (2015). Factores de éxito de un emprendimiento:
Un estudio exploratorio con base en técnicas de data mining (entrepreneurial
success factors: An exploratory study based on data mining techniques). Tec
Empresarial, 9(1):30–40.
Natek, S., Zwilling, M., et al. (2013). Data mining for small student data set:
Knowledge management system for higher education teachers. In manage-
ment, knowledge and learning international conference, Zadar. Retrieved Ju-
ne, volume 1, page 2010.

Orsatti, A. and Calle, R. (2004). La situación de los trabajadores de la eco-

nomı́a informal en el Cono Sur y el Area Andina: Argentina, Brasil, Chile,
Paraguay, Uruguay, Colombia, Perú y Venezuela, volume 179. Organización
Internacional del Trabajo.
Rojas, R. M., Morales, V. J. G., and Correa, J. A. A. (2013). Análisis de los
factores que influyen en el emprendimiento innovador: el aprendizaje organi-
zativo y tecnológico. Economı́a industrial, (388):35–46.

12