A continuación integramos la red neuronal en el marco de un Sistema Informatizado de Ayuda a la Toma de Decisiones (DSS), siguiendo con el caso de la predicción del fracaso empresarial

Tomado de: Serrano, C. (1996): "Self Organizing Neural Networks for Financial Diagnosis", Decision Support Systems 1996, Vol 17, julio, pp. 227-238. Citation of excellence según AMBAR Management

1) Hay muchos modelos

Como hemos visto anteriormente, se han propuesto muchos modelos matemáticos para tratar de predecir el fracaso empresarial. Entre ellos, modelos estadísticos multivariantes como el análisis discriminante, logit, o neuronales supervisados como el perceptrón multicapa. Nótese cómo es posible aplicar modelos neuronales que utilizan aprendizaje supervisado debido a que disponemos de información sobre el estado de quiebra o solvencia de la empresa. En este caso se le suministra a la red neuronal información financiera de la empresa y si quebró o no. Tras la fase de entrenamiento se le presentan los datos de nuevas empresas y las clasifica como solventes o como quebradas.

---

2) Indicador de solvencia

Todos estos modelos tienen en común el que tratan de obtener un indicador de solvencia, llamado generalmente análisis Z. En nuestra opinión este indicador es muy útil pero no está exento de inconvenientes, debido a que la información que suministra es muy escueta. Puede suceder que varias empresas que tengan una estructura financiera muy diferente presenten el mismo valor para el indicador de solvencia. No es fácil conocer qué rasgos financieros caracterizan a una empresa, qué problemas tiene, a partir exclusivamente de su indicador Z, por lo que hay que completarlo con otros análisis.

---

3) Combinarlo con los mapas autoorganizados

Una posibilidad es complementar esta puntuación con los mapas autoorganizados como hicimos con las escalas multidimensionales, para ello basta con superponer los resultados del análisis Z sobre el mapa autoorganizado, con lo que obtendremos regiones con la misma puntuación que hemos llamado regiones isosolventes. También es posible complementar el mapa autoorganizado de solvencia con otras herramientas estadísticas como el análisis de conglomerados, técnica que agrupa los datos de partida en varios grupos y subgrupos. Podemos rodear con una línea dichos grupos sobre el mapa autoorganizado.

---

4) Programa Z-Plus

Hemos desarrollado un sistema informatizado de ayuda a la toma de decisiones denominado Z-Plus, que a partir del modelo de mapas autoorganizados integra estas opciones. Asimismo, incorpora una opción para conocer los rasgos financieros que dominan en cada zona del mapa. El estudio de los pesos sinápticos ayuda a delimitar las regiones de elevada rentabilidad, baja liquidez, endeudamiento, etc.

---

4.1) En primer lugar, se obtiene el Mapa Autoorganizado de Solvencia

Presentado al modelo neuronal de Mapas Autoorganizados la información financiera de una muestra de empresas, solventes y quebradas

Como vemos, las empresas quebradas -en rojo- se han agrupado o autoorganizado a la derecha del mapa

---

4.2) El siguiente mapa muestra los rasgos financieros que caracterizan a cada zona del mapa

Obtenido estudiando los coeficientes o pesos sinápticos.

Véase como las empresas quebradas se caracterizan por alto coste de ventas, baja rentabilidad, baja liquidez, etc.

---

4.3) En la siguiente figura se ha superpuesto un análisis de conglomerados al mapa de solvencia

Así se determinan varios grupos de empresas similares, y al analizar una empresa neueva se a qué empresas de mi muestra se parece más. Es una aplicación de reconocimiento de patrones.

Estas técnicas obtienen un indicador Z, que puede interpretarse como su puntuación o, inversamente, como su probabilidad de quiebra. Es el Mapa de Isosolvencia

Los resultados son coherentes, ya que las empresas de la zona de quiebra obtienen las puntuaciones más bajas.

---

4.5) Veamos un ejemplo: la evolución en el tiempo de una entidad

Esta empresa quebró en 1980, fue reflotada y nuevamente quebró en 1990

Obsérvese como tres años antes de su primera quiebra, en 1977. ya entraba en la zona de quiebra

Figura: Podemos ver su evolución en el mapa de rasgos financieros

Por ejemplo, vemos que la causa es su baja rentabilidad.

4.7) Su evolución en el mapa de grupos

Vemos las empresas a las que más se parece cada año, que, en general, presentaban dificultades

4.8) Observamos la evolución sobre el Mapa de Isosolvencia

Detallando la probabilidad de quiebra de la empresa en cada momento

4.9) Todo lo anterior se puede integrar en Sistema Informatizado de Ayuda a la Toma de Decisiones (DSS)

Le llamamos Z-Plus, pues va más allá del indicador de solvencia o análisis Z.

4.10) Pantalla de petición de empresa a analizar

El sistema solicita una nueva empresa a analizar

4.11) Petición de datos

Solicita información financiera de la empresa y sector al que pertenece

4.12) Se ubica a la empresa en el mapa autoorganizado

Mapa que se ha obtenido previamente mediante entrenamiento

4.13) Se obtiene el Mapa de Solvencia

Obsérvese cómo la empresa está en zona de solvencia

4.14) Ubicación en el mapa de rasgos

La empresa se caracteriza por su bajo endeudamiento

4.15) Mapa de grupos

A la empresa que más se parece es a la número 15 de nuestra base de datos, que es una empresa solvente, de la que podemos ver su historial e información.

4.16) Mapa de Isosolvencia

La puntuación obtenida por la empresa es positiva, por lo que el semáforo está en verde. El sistema cataloga a la empresa como solvente, aunque el analista humano tiene la última palabra.