Plan de negocio de una startup innovadora

Abstract

Las PYMEs españolas generan información financiera relevante a través de sus movimientos bancarios, cobros, pagos y relaciones con clientes y proveedores. Sin embargo, estos datos suelen estar dispersos y poco explotados, lo que dificulta tanto el diagnóstico financiero de la empresa como la preparación de solicitudes de financiación comparables para bancos y otros financiadores. Este Trabajo Fin de Grado analiza cómo la clusterización, como técnica de aprendizaje no supervisado, puede transformar movimientos financieros categorizados en perfiles accionables de PYMEs. El trabajo se enmarca en el proyecto DataBridge, una plataforma orientada a mejorar la preparación financiera de las empresas y facilitar su conexión preliminar con financiadores, a partir de datos proporcionados por Asfin. La parte empírica se basa en una muestra de 89 empresas y 483,919 movimientos financieros categorizados. A partir de esta información se construyen variables agregadas por empresa, como ingresos medios, salidas, flujo neto, volatilidad, meses negativos, presión de caja, concentración comercial y peso de gastos financieros. Posteriormente, se aplica un modelo K-Means, que identifica 6 clusters finales con un coeficiente de silueta de 0.251. Los resultados permiten clasificar las empresas en perfiles financieros diferenciados, como operativa estable, ingresos volátiles, concentración comercial elevada u operativa de alto volumen. El trabajo concluye que la clusterización no sustituye a un sistema de scoring ni a un rating crediticio, pero sí aporta valor como herramienta exploratoria para ordenar información financiera, generar un diagnóstico preliminar y apoyar un matching no vinculante entre PYMEs y financiadores potencialmente compatibles.

Spanish SMEs generate relevant financial information through bank transactions, collections, payments and relationships with customers and suppliers. However, this data is often fragmented and underused, making it difficult to assess the company’s financial position and to prepare comparable financing applications for banks and other lenders. This Bachelor’s Thesis analyses how clustering, as an unsupervised learning technique, can transform categorised financial transactions into actionable SME profiles. The project is framed within DataBridge, a platform designed to improve the financial preparation of SMEs and support their preliminary connection with financing providers, using data provided by Asfin. The empirical analysis is based on a sample of 89 companies and 483,919 categorised financial transactions. From this data, company-level variables are constructed, including average inflows, outflows, net cash flow, volatility, negative months, cash pressure, commercial concentration and the weight of financial expenses. A K-Means model is then applied, identifying 6 final clusters with a silhouette coefficient of 0.251. The results make it possible to classify companies into differentiated financial profiles, such as stable operating businesses, volatile income profiles, companies with high commercial concentration and high-volume operators. The study concludes that clustering does not replace credit scoring or a formal rating system, but it provides value as an exploratory tool to organise financial information, support a preliminary diagnosis and facilitate non-binding matching between SMEs and potentially compatible financing providers.