Spanish Abstract: La detección temprana de la probabilidad de que una empresa entre en insolvencia empresarial puede servir como insumo a los diseñadores de política pública para mitigar este fenómeno, así como sus posibles efectos sobre el empleo y el bienestar social. Si bien en Colombia en épocas de crisis económica este fenómeno tiende a exacerbarse, el grado de afectación empresarial va a depender de la naturaleza de la crisis, y puede incidir de forma distinta a las empresas de acuerdo con sus características intrínsecas como su desempeño operativo y financiero, su tamaño o el sector empresarial al que pertenece. Mediante la comparación de técnicas de pronóstico que contemplan diferentes tipos de relacionamiento de variables financieras y económicas, este documento identifica que, en el problema de insolvencia empresarial en Colombia, los predictores se relacionan de formas complejas que no pueden ser detectadas por técnicas tradicionales de pronóstico, por lo cual los modelos de aprendizaje de máquinas, como los árboles de decisión estimados mediante técnicas de boosting, generan un mejor desempeño de pronóstico que los modelos lineales.English Abstract: The early detection of the bankruptcy probability for a company can serve as an input for public policy makers to mitigate this phenomenon, as well as its possible effects on employment and social welfare. Although in Colombia in times of economic crisis this phenomenon tends to be exacerbated, the degree of business impact will depend on the nature of the crisis and may affect companies differently according to their intrinsic characteristics, such as their operating and financial performance, their size, or the business sector to which it belongs. By comparing forecasting techniques that contemplate different types of relationships between financial and economic variables, this document identifies that, in the problem of business bankruptcy in Colombia, the predictors are related in complex ways that cannot be detected by traditional forecasting techniques. Therefore, machine learning models, such as decision trees that are estimated using boosting techniques, generate better forecasting performance than linear models.