El éxito de los emprendimientos es crucial para el desarrollo económico, pero muchos negocios fracasan en sus primeros años. Esta tesis aplica técnicas de aprendizaje automático para predecir la supervivencia de emprendimientos financiados por CORFO, identificando factores clave que influyen en su éxito o fracaso. A través del análisis de datos históricos y el uso de modelos como Random Forest, Support Vector Machines y redes neuronales, se busca optimizar la asignación de recursos y mejorar la toma de decisiones en programas de apoyo empresarial. Los hallazgos de este estudio proporcionan una herramienta valiosa para emprendedores, inversores y organismos gubernamentales, promoviendo un ecosistema más sostenible e innovador. Esta investigación contribuye tanto al campo del Data Science como al diseño de políticas públicas más eficientes para fomentar el crecimiento de startups en Chile.