Candia Vallejos, CristianMercandino Sepúlveda, MatíasChacón Acosta, Ricardo2025-02-172025-02-172025https://hdl.handle.net/11447/9776Proyecto de grado presentado a la Facultad de Ingeniería de la Universidad del Desarrollo para optar al grado académico de Magíster en Data ScienceEn el contexto de las licitaciones públicas en Chile entre 2014 y 2023, las empresas buscan constantemente oportunidades para diversificar y aumentar su éxito en futuros procesos de licitación. Este estudio tiene como objetivo explorar cómo las empresas podrían utilizar modelos de machine learning para clasificar y evaluar automáticamente oportunidades de diversificación hacia rubros relacionados, basándose en el concepto de density relatedness. A través de un análisis planificado de datos históricos de licitaciones públicas, se desarrollaron metodologías para calcular estas métricas y se aplicó un modelo predictivo que permitirá identificar las mejores oportunidades de expansión. Se espera que los resultados demuestren que una alta density relatedness indica que el rubro potencial (r’) está estrechamente relacionado con los rubros actuales del proveedor, lo que sugiere una mayor probabilidad de éxito en la diversificación hacia ese rubro.41 p.es070037SLicitaciones públicasDiversificaciónDensity relatednessThesis