Identificación de Industrias mediante Modelado de Tópicos y Gradient Boosting

"En procesos de fusiones y adquisiciones (M&A), la identificación de oportunidades requiere analizar grandes volúmenes de información no estructurada, como descripciones comerciales, lo que implica altos costos y tiempos prolongados. Las clasificaciones industriales tradicionales resultan insuficientes ante mercados dinámicos y empresas que no encajan en categorías predefinidas. Este trabajo aborda esta problemática mediante un sistema automatizado que propone aplicar técnicas de Procesamiento de Lenguaje Natural y Aprendizaje Automático para clasificar empresas por sector a partir de sus descripciones textuales. El objetivo es agilizar el deal sourcing y mejorar la toma de decisiones estratégicas, reduciendo el esfuerzo manual y aumentando la eficiencia en la detección de oportunidades. La metodología se enfoca en la experimentación y comparación de modelos no supervisados de modelado de tópicos para la identificación de industrias asociadas a empresas cotizadas en la Bolsa de Nueva York, utilizando textos obtenidos de Wikipedia a los cuales se han aplicado previamente técnicas de procesamiento de lenguaje natural. Para ello, se comparó el modelo de Asignación Latente de Dirichlet (LDA) con el modelo de Proceso de Dirichlet Jerárquico (HDP) para generar tópicos, que luego informan un modelo de clasificación supervisado Gradient Boosting Machines (GBM), el cual permite separar las empresas en diferentes tópicos industriales, evaluando la exactitud de los resultados, así como la coherencia y la perplejidad de los modelos de Dirichlet".