La profesora Henostroza es Magíster en Administración Estratégica de Empresas por la Pontificia Universidad Católica del Perú, asimismo, es Licenciada en Administración por la Universidad Nacional Santiago Antúnez de Mayolo, Perú. También cuenta con certificaciones como Especialista en Riesgos Financieros por la Universidad Peruana de Ciencias Aplicadas de Perú, Analista de Inversiones por la BURSEN de la Bolsa de Valores de Lima, Perú y Especialista en finanzas corporativas por Harvard Business School Online.
LEER MÁS
En relación con su experiencia profesional, se ha desempeñado por más de quince años en áreas de riesgos y finanzas en empresas del sector financiero, Coface, Refinancia Perú, Citibank Perú, entre otras. Además, ha asesorado y capacitado a financieras en Gestión de Riesgos Financieros y prevención de Lavado de activos y Financiamiento del Terrorismo.
Actualmente, es docente del Departamento Académico de Posgrado en Negocios de la Pontificia Universidad Católica del Perú.
La profesora Henostroza es Magíster en Administración Estratégica de Empresas por la Pontificia Universidad Católica del Perú, asimismo, es Licenciada en Administración por la Universidad Nacional Santiago Antúnez de Mayolo, Perú. También cuenta con certificaciones como Especialista en Riesgos Financieros por la Universidad Peruana de Ciencias Aplicadas de Perú, Analista de Inversiones por la BURSEN de la Bolsa de Valores de Lima, Perú y Especialista en finanzas corporativas por Harvard Business School Online.
En relación con su experiencia profesional, se ha desempeñado por más de quince años en áreas de riesgos y finanzas en empresas del sector financiero, Coface, Refinancia Perú, Citibank Perú, entre otras. Además, ha asesorado y capacitado a financieras en Gestión de Riesgos Financieros y prevención de Lavado de activos y Financiamiento del Terrorismo.
Actualmente, es docente del Departamento Académico de Posgrado en Negocios de la Pontificia Universidad Católica del Perú.
Este artículo presenta un análisis para clasificar los indicadores de conciencia sobre ciberdelito en los estudiantes de tres universidades de Perú mediante un cuestionario de veinte ítems medidos con la escala Likert, que fue aplicado a un total de 372 estudiantes mediante Google Forms. El análisis factorial exploratorio se aplicó a los datos recopilados, que dieron lugar a cuatro factores denominados: 1) conciencia sobre phishing, 2) conciencia sobre el spamming, 3) eficacia del software antivirus, y 4) bullying en la web. La escala de conciencia sobre el ciberdelito demostró que tiene una consistencia interna adecuada de ,892 del alfa de Cronbach para el instrumento general y las alfas de las subescalas van desde ,782 a ,861. Así, se logra determinar la validez y fiabilidad de la escala propuesta.
La profesora Patricia Raquel Henostroza Márquez centra sus investigaciones en el emprendimiento y la microfinanciación, los mercados de capitales, la ingeniería financiera y la gestión de riesgos. Sus estudios buscan analizar el comportamiento de los mercados financieros y su impacto en la toma de decisiones estratégicas dentro de las organizaciones, así como las formas de asegurar que el emprendimiento sea sostenible desde el punto de vista financiero. Entre sus contribuciones más destacadas se encuentra su aporte como parte de la investigaciòn “Microfinance institutions failure prediction in emerging countries, a Machine Learning approach”, publicado en 2025, donde examina la dinámica y la fragilidad de las empresas financieras frente a eventos externos e internos desarrollando un modelo predictor de quiebras financieras..
Metodológicamente, la profesora Henostroza y equipo emplean un enfoque cuantitativo granular que utiliza modelos de conjuntos de aprendizaje automático ajustados manualmente para generar ejemplos de clases minoritarias en espacios de características homogéneos. Este enfoque es especialmente relevante para conjuntos de datos financieros altamente desequilibrados, donde los métodos tradicionales suelen tener un rendimiento inferior
Por lo tanto, el Modelo Granular Aproximado Ajustado (ARGM) propuesto integra la teoría de conjuntos aproximados y la computación granular con técnicas de conjuntos como Bosque Aleatorio (RF) y Potenciación de Gradiente (GB). Este enfoque híbrido busca mejorar el rendimiento de la clasificación en escenarios de datos inciertos y desequilibrados de alta dimensión, manteniendo al mismo tiempo la interpretabilidad del modelo.
Sus principales hallazgos indican que el Modelo Granular Ajustado (ARGM), demostró ser una mejora significativa con respecto al enfoque tradicional. con una precisión cercana al 90% en la identificación de instituciones en riesgo de quiebra y superior al 95% en la detección de instituciones seguras. En segundo lugar, la combinación de técnicas de balanceo SMOTE con computación granular proporcionó al modelo una importante mejora en la gestión del desequilibrio de clases habitual que dificulta la predicción de quiebras. Además de la precisión con la que el ARGM capturó los intrincados patrones que subyacen a las dificultades financieras, sin perder la interpretabilidad. Este estudio arroja información clave en un sector que depende de las alertas tempranas para asegurar su sostenibilidad.
Palabras clave: Microfinanzas, Predicción de fallos, Aprendizaje automático, Granularidad aproximada ajustada