Hay un interés creciente en la predicción temprana de resultados en procesos empresariales en curso. El monitoreo predictivo de procesos destila conocimiento de la secuencia de datos de eventos generados y almacenados durante la ejecución de procesos y entrena modelos sobre este conocimiento para predecir los resultados de los procesos en curso. Sin embargo, la mayoría de los métodos de vanguardia requieren el entrenamiento de modelos de aprendizaje automático complejos e ineficientes y la optimización de hiperparámetros, así como numerosos datos de entrada para lograr un alto rendimiento. En este artículo, presentamos un enfoque novedoso basado en la Computación Hiperdimensional (HDC) para predecir el resultado de procesos en curso antes de su finalización. Destacamos su simplicidad, eficiencia y alto rendimiento al utilizar solo un subconjunto de los datos de entrada, lo que ayuda a lograr una menor demanda de memoria y medidas correctivas más rápidas y efectivas. Evaluamos nuestro método propuesto en cuatro conjuntos de datos disponibles públicamente con un total de 12 tareas de predicción binaria. Nuestro método propuesto logra un área bajo la curva ROC (AUC) un 6% más alta en promedio y hasta un 14% más alta en la puntuación F1, mientras que proporciona una predicción 20 veces más temprana que los modelos convencionales basados en aprendizaje automático y redes neuronales de última generación.