Tesina Universidad Austral, Maestría de Ciencia de Datos

• "Detección de Alertas tempranas en el sistema Buenos Aires Compras (BAC) con el uso de machine learning y el estándar de datos Open Contracting para las contrataciones abiertas"

Datasets

Buenos Aires Compras, DG Compras y Contrataciones. Subsecretaría de Gestión Operativa. Ministerio de Hacienda y Finanzas: https://data.buenosaires.gob.ar/dataset/buenos-aires-compras

Recursos

• https://www.open-contracting.org/es/2019/06/27/examinando-con-datos-las-banderas-rojas-de-compras-en-america-latina/

• https://www.open-contracting.org/es/2019/05/07/buenos-aires-que-podemos-aprender-sobre-8-anos-de-datos-de-contratos/

• https://www.opengovpartnership.org/wp-content/uploads/2019/05/Global-Report_Open-Contract.pdf

• https://www.weforum.org/agenda/2020/08/why-data-is-latin-americas-best-weapon-in-the-fight-against-covid-19-corruption/

• https://docs.google.com/presentation/d/1plOLfL3tlYSL4ZJrneetYXYgm6RBre1sjBLaOGCFy6c/edit#slide=id.p

• https://docs.google.com/spreadsheets/d/12PFkUlQH09jQvcnORjcbh9-8d-NnIuk4mAQwdGiXeSM/edit#gid=656314485

• https://clad.org/wp-content/uploads/2021/03/Libro-7-Inteligencia-artificial-y-%C3%A9tica-en-la-gesti%C3%B3n-p%C3%BAblica.pdf

• https://github.com/odia/buenosairescompras/tree/puppet

• https://quintagroup.com/services/e-procurement/op-images/ocds-open-contracting-data-standard.jpg

• https://www.buenosairescompras.gob.ar//PLIEGO/VistaPreviaPliegoCiudadano.aspx?qs=BQoBkoMoEhz5ONY31RFJiWW8aohoiUyizvz3vAxfcy%7C9iRe9wnu%7Ccs%7Cc2Fgz2YID

• https://data.buenosaires.gob.ar/dataset/buenos-aires-compras

• https://oecd-opsi.org/innovations/dozorro/

• https://www.open-contracting.org/es/

Bibliografía tentativa

• https://pdfs.semanticscholar.org/66f7/89dc355dbc1728b33a90f3ea0d8d28d0fae1.pdf

• https://documents1.worldbank.org/curated/en/887311603104832916/pdf/Finding-Fraud-GovTech-and-Fraud-Detection-in-Public-Administration.pdf

• https://www.researchgate.net/profile/Ruben-Interian/publication/341703812_A_decision_support_system_for_fraud_detection_in_public_procurement/links/5ed1b1e445851529451bc8b1/A-decision-support-system-for-fraud-detection-in-public-procurement.pdf?origin=publication_detail

• https://docs.google.com/spreadsheets/d/12PFkUlQH09jQvcnORjcbh9-8d-NnIuk4mAQwdGiXeSM/edit#gid=245962708

• https://d1.awsstatic.com/executive-insights/es_ES/ebook-becoming-data-driven.pdf

• https://www.imf.org/-/media/Files/Publications/WP/2022/English/wpiea2022094-print-pdf.ashx

• https://downloads.hindawi.com/journals/complexity/2019/2360610.pdf

Marco metodológico

• CRISP-DM https://es.wikipedia.org/wiki/Cross_Industry_Standard_Process_for_Data_Mining

• Doing Data Science: A Framework and Case Study: Keller, S. A., Shipp, S. S., Schroeder, A. D., & Korkmaz, G. (2020). Harvard Data Science Review, 2(1). https://doi.org/10.1162/99608f92.2d83f7f5

• https://inferentialthinking.com/chapters/intro#The-Foundations-of-Data-Science

• Manual de metodología. Construcción del marco teórico, formulación de los objetivos y elección de la metodología http://biblioteca.clacso.edu.ar/gsdl/collect/clacso/index/assoc/D1532.dir/sautu2.pdf

Disparadores

• La transparencia de los datos abiertos y la analítica se han convertido en armas clave en la prevención de la corrupción.
• ¿Es posible detectar de forma temprana banderas rojas en procesos de contratación y compras utlizando los datos del sistema Buenos Aires Compras (BAC)?

Preguntas sobre la temática

Planteamiento del problema de investigación (¿qué?)

Delimitar un tema implica definir un campo de estudio.

Plantear un problema de investigación significa definir un objeto de estudio acotado, cuyo análisis permita realizar una contribución relevante para el avance de la disciplina.

Justificación de la investigación (¿porqué? ¿para qué?)

Es necesario corroborar si hemos logrado formular con un problema de investigación justificado.

Estrategia metodológica (¿cómo?)

Preguntas disparadoras

• ¿Cuál es el problema que se quiere resolver?

Se quiere visibilizar o iluminar la problematica involucrada en actos de corrupción o ventajas en licitaciones o contrataciones públicas.

• ¿Cuál es el objetivo?

Visibilizar o ilumnar acciones puntuales (alertas tempranas) que puedan servir como disparadores a controlar en procesos de contrataciones públicas.

Revisar la opción de prever procesos fraudulentos o que conlleven actos de corrupción a través de modelos predictivos.

• ¿Qué tan significativo es dicho problema? ¿es relevante?

Podría permitir detectar a tiempo posibles compras fraudulentas, arregladas o corruptas.

Permite visibilizar y exponer los procesos de compras.

• ¿Qué se conoce actualmente sobre el tema investigado? ¿Cómo ha sido resuelto ese problema hasta el presente?

Estuve trabajando con este tema en algunos datasets de Paraguay, se resolvieron a través de detecciones de alertas tempranas por reglas y por modelo de clasificación / clustering. Quería probar si estos avances en Paraguay son adaptables en Argentina o revisar cuales serían las reglas o modelos que podrían servir para Argentina, especificamente para el Gobierno de la Ciudad que ya tiene compras con el estandar OCDS.

• ¿Qué utilidad o beneficios se espera de la solución al problema?

Podría permitir un ahorro al estado y tener compras más controladas, transparentes, productos o servicios entregados a tiempo y forma, y en el estado que se espera.

• ¿Qué aplicación práctica tendrá la investigación?

Aplica directamente sobre el histórico de compras de la Ciudad de Buenos Aires, y podría trasladarse a cualquier otro sistema que trabaje con el estandar OCDS.