Aplicación de técnicas de minería de datos en un modelo predictivo orientado a analizar el efecto de la pandemia de COVID-19 sobre las rentas de los miembros de cooperativas.

La crisis sanitaria provocada por la COVID-19 ocasionó una fuerte alteración socioeconómica que redujo los ingresos de numerosos hogares, haciendo imprescindible reconocer los factores moduladores en poblaciones vulnerables. El propósito de este estudio fue diseñar un modelo predictivo, basado en minería de datos, con el fin de identificar los determinantes socioeconómicos, demográficos y de bienestar que inciden en el nivel de ingresos de 1456 miembros pertenecientes a tres cooperativas de Manabí, Ecuador, en los periodos previos, durante y posteriores al confinamiento. Para el análisis, se utilizó el Proceso Estándar Interindustrial para Minería de Datos (CRISP-DM). Los datos recolectados mediante encuestas fueron divididos en conjuntos de entrenamiento y validación, aplicándose técnicas de sobremuestreo en las clases con menor representación para equilibrar la distribución. Posteriormente, se entrenaron diversos algoritmos de clasificación supervisada, evaluando su rendimiento comparativo. Los resultados mostraron un desempeño altamente satisfactorio: las redes neuronales lograron precisiones cercanas al 90% y valores de área bajo la curva ROC superiores a 0,95 en el conjunto de prueba. Se constató que el confinamiento impactó de forma negativa, reflejándose en un incremento de socios ubicados en la categoría de ingresos más bajos. Entre los factores con mayor peso en la predicción se destacaron la formación académica, la condición laboral y la percepción de bienestar. Los hallazgos constituyen una herramienta práctica para que las cooperativas identifiquen perfiles de mayor vulnerabilidad y elaboren estrategias de apoyo focalizadas. Asimismo, la validación de los modelos mediante el método TOPSIS Neutrosófico y la métrica de Distancia de Hausdorff reforzó su solidez, al integrar la indeterminación y la incertidumbre en el análisis de los factores socioeconómicos. De esta manera, se incrementa la confiabilidad de los resultados en escenarios de crisis, confirmando la pertinencia de la minería de datos para el estudio de la vulnerabilidad económica.