Vol. 12/ Núm. 4 2025 pág. 1
https://doi.org/10.69639/arandu.v12i4.1738
Modelado predictivo de riesgos de ineficiencia y
transparencia en la contratación pública ecuatoriana, basado
en el análisis de patrones de datos clasificados del SERCOP
Predictive modeling of inefficiency and transparency risks in Ecuadorian public
procurement, based on the analysis of classified data patterns from SERCOP
Freddy Daniel Carrillo Bustos
freddy.daniel.carrillo.bustos@gmail.com
https://orcid.org/0009-0004-7868-5289
Universidad Iberoamericana del Ecuador
Ecuador – Ambato
Yasmany Fernández Fernández
yfernandez@doc.unibe.edu.ec
https://orcid.org/0000-0002-9530-4028
Universidad Iberoamericana del Ecuador
Ecuador - Quito
Artículo recibido: 18 septiembre 2025 -Aceptado para publicación: 28 octubre 2025
Conflictos de intereses: Ninguno que declarar.
RESUMEN
El presente estudio evalúa el potencial analítico de los datos abiertos publicados por el Servicio
Nacional de Contratación Pública (SERCOP) de Ecuador en el periodo comprendido entre 2015
y 2025. El estudio planteado integró los dataset proporcionados por la plataforma oficial,
aplicando procesos de análisis exploratorio de datos se depuraron los datos para realizar el
proceso investigativo. En base a la información obtenida se aplican técnicas de Big Data, con las
cuales se obtuvo patrones mediante técnicas de agrupación no supervisada; por lo que se obtienen
diversas correlaciones entre variables como: presupuestos, tiempo y valoración descriptiva. Al
realizar el análisis de las correlaciones obtenidas, se determina que la calidad de los datos abiertos
de compras públicas en Ecuador es deficiente, por lo que se dificulta el cálculo de factores de
riesgo asociados a cada proceso.
Palabras clave: contratación pública, datos abiertos, big data, calidad de datos, Ecuador
ABSTRACT
This study assesses the analytical potential of the open-data sets published by Ecuador’s National
Public Procurement Service (SERCOP) for the 2015–2025 period. The proposed study integrated
the datasets provided by the official platform, applying exploratory data analysis processes and
purifying the data to conduct the research. Based on the information obtained, Big Data
Vol. 12/ Núm. 4 2025 pág. 2
techniques were applied, obtaining patterns using unsupervised clustering techniques, yielding
various correlations between variables such as budgets, time, and descriptive assessment.
Keywords: public procurement, open data, big data, data quality, Ecuador
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
techniques were applied, obtaining patterns using unsupervised clustering techniques, yielding
various correlations between variables such as budgets, time, and descriptive assessment.
Keywords: public procurement, open data, big data, data quality, Ecuador
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 12/ Núm. 4 2025 pág. 3
INTRODUCCIÓN
La contratación pública, un pilar fundamental de la economía ecuatoriana, representa una
porción significativa del presupuesto estatal, lo que subraya la imperante necesidad de
mecanismos que garanticen su transparencia y eficiencia (Joković, 2022). En este contexto, el
Servicio Nacional de Contratación Pública (SERCOP) inició la publicación de datos abiertos de
cada proceso contractual a partir de 2015. El propósito de esta iniciativa era fomentar la rendición
de cuentas, permitir el monitoreo ciudadano y facilitar análisis que contribuyeran a optimizar las
compras gubernamentales (Benavides et al., 2016), (García et al., 2022).
Sin embargo, a pesar de la disponibilidad de estos datos, la literatura internacional y las
guías de organismos como la Red Interamericana de Compras Gubernamentales (RICG) enfatizan
que la verdadera utilidad de dichos portales depende críticamente de la calidad, completitud y
estandarización de la información publicada. En Ecuador, esta capacidad de aprovechamiento de
los datos abiertos del SERCOP aún no se ha verificado de forma sistemática (Red Interamericana
de Compras Gubernamentales, 2021).
La realidad ha demostrado que la calidad de estos datos es deficiente, con inconsistencias,
campos incompletos y falta de estandarización que limitan severamente su potencial analítico.
Esta deficiencia no solo obstaculiza la detección de sobreprecios o la medición de la
competitividad, también impide la generación de alertas tempranas de riesgo, elementos cruciales
para una gestión pública eficaz y transparente.
El presente estudio aborda directamente esta problemática al realizar un análisis
exhaustivo desde la perspectiva de la calidad y la estructura de los datos abiertos del SERCOP,
con el fin de establecer variables de riesgo en los diferentes procesos de compras públicas. Al
identificar y comprender los patrones inherentes en estos datos, a pesar de sus deficiencias, se
pretende contribuir al fomento de la transparencia en los servicios y productos ofertados a través
del SERCOP, y sentar las bases para el desarrollo de herramientas predictivas que mitiguen
ineficiencias y riesgos de corrupción.
MATERIALES Y MÉTODOS
El presente estudio adopta un enfoque cuantitativo, descriptivo-exploratorio, con énfasis
particular en la ingeniería de datos y la analítica de Big Data. La metodología se fundamenta en
el marco de trabajo CRISP-DM (Cross-Industry Standard Process for Data Mining), un modelo
de procesos estandarizado y robusto para proyectos de minería de datos. Este enfoque se
seleccionó por su capacidad para guiar sistemáticamente el descubrimiento de patrones y la
extracción de conocimiento significativo en conjuntos de datos complejos, como los de
contratación pública. La elección de CRISP-DM, junto con técnicas de reducción de
dimensionalidad y agrupamiento no supervisado, se justifica por la naturaleza exploratoria del
estudio y la ausencia de etiquetas predefinidas de riesgo en los datos brutos del SERCOP, lo que
INTRODUCCIÓN
La contratación pública, un pilar fundamental de la economía ecuatoriana, representa una
porción significativa del presupuesto estatal, lo que subraya la imperante necesidad de
mecanismos que garanticen su transparencia y eficiencia (Joković, 2022). En este contexto, el
Servicio Nacional de Contratación Pública (SERCOP) inició la publicación de datos abiertos de
cada proceso contractual a partir de 2015. El propósito de esta iniciativa era fomentar la rendición
de cuentas, permitir el monitoreo ciudadano y facilitar análisis que contribuyeran a optimizar las
compras gubernamentales (Benavides et al., 2016), (García et al., 2022).
Sin embargo, a pesar de la disponibilidad de estos datos, la literatura internacional y las
guías de organismos como la Red Interamericana de Compras Gubernamentales (RICG) enfatizan
que la verdadera utilidad de dichos portales depende críticamente de la calidad, completitud y
estandarización de la información publicada. En Ecuador, esta capacidad de aprovechamiento de
los datos abiertos del SERCOP aún no se ha verificado de forma sistemática (Red Interamericana
de Compras Gubernamentales, 2021).
La realidad ha demostrado que la calidad de estos datos es deficiente, con inconsistencias,
campos incompletos y falta de estandarización que limitan severamente su potencial analítico.
Esta deficiencia no solo obstaculiza la detección de sobreprecios o la medición de la
competitividad, también impide la generación de alertas tempranas de riesgo, elementos cruciales
para una gestión pública eficaz y transparente.
El presente estudio aborda directamente esta problemática al realizar un análisis
exhaustivo desde la perspectiva de la calidad y la estructura de los datos abiertos del SERCOP,
con el fin de establecer variables de riesgo en los diferentes procesos de compras públicas. Al
identificar y comprender los patrones inherentes en estos datos, a pesar de sus deficiencias, se
pretende contribuir al fomento de la transparencia en los servicios y productos ofertados a través
del SERCOP, y sentar las bases para el desarrollo de herramientas predictivas que mitiguen
ineficiencias y riesgos de corrupción.
MATERIALES Y MÉTODOS
El presente estudio adopta un enfoque cuantitativo, descriptivo-exploratorio, con énfasis
particular en la ingeniería de datos y la analítica de Big Data. La metodología se fundamenta en
el marco de trabajo CRISP-DM (Cross-Industry Standard Process for Data Mining), un modelo
de procesos estandarizado y robusto para proyectos de minería de datos. Este enfoque se
seleccionó por su capacidad para guiar sistemáticamente el descubrimiento de patrones y la
extracción de conocimiento significativo en conjuntos de datos complejos, como los de
contratación pública. La elección de CRISP-DM, junto con técnicas de reducción de
dimensionalidad y agrupamiento no supervisado, se justifica por la naturaleza exploratoria del
estudio y la ausencia de etiquetas predefinidas de riesgo en los datos brutos del SERCOP, lo que
Vol. 12/ Núm. 4 2025 pág. 4
hace inviable un enfoque supervisado tradicional en las fases iniciales. (González, 2014);
(Joković, 2022).
Fuente y Alcance de los Datos
Durante el proceso investigativo se seleccionó como fuente de datos principal el
repositorio oficial "Datos Abiertos de contratación pública del Ecuador en OCDS" del Servicio
Nacional de Contratación Pública (SERCOP). Este portal, que recopila datos desde enero de 2015
hasta la fecha del presente estudio (febrero de 2025), constituye una fuente oficial de los procesos
contractuales del estado ecuatoriano.
Para asegurar la pertinencia y el alcance del análisis, se seleccionaron datos específicos
de las siguientes etapas clave de los procesos de contratación, disponibles en hojas separadas
dentro de los datasets originales: "Licitación (tender)", "Premiaciones (Awards)", "Proveedores
(AwardSuppliers)" y "Contratos (Contracts)". La unificación de estos registros, utilizando el
identificador único OCID (Open Contracting Identifier), resultó en un dataset consolidado que
comprende un total de 2,467,699 filas, abarcando así un vasto universo de transacciones.
El universo de datos seleccionado incluye todos los tipos de contratación pública
contemplados en la normativa ecuatoriana, lo que permite una visión integral de las prácticas de
adquisición. Esto incluye procedimientos como: subasta inversa electrónica (para bienes y
servicios normalizados), licitación (para obras o servicios complejos), contratación directa (en
casos excepcionales), menor cuantía (para montos reducidos), cotización (para comparar ofertas
específicas), concurso público (para servicios intelectuales) y régimen especial (para sectores
estratégicos o situaciones específicas). La inclusión de esta diversidad de procedimientos es
fundamental para identificar patrones de riesgo transversales y específicos a cada modalidad
(Molina, 2023).
Herramientas y Entorno
El lenguaje de programación empleado es Python 3, con las siguientes librerías: pandas,
numpy, scikit‑learn, nltk, seaborn, matplotlib. El entorno de programación utilizado fue la
plataforma de Google Colab Pro, que brinda acceso a procesadores de alta potencia y altas
capacidades RAM. Esta elección se basó en la necesidad de procesar eficientemente grandes
volúmenes de datos y ejecutar algoritmos computacionalmente intensivos.(González, 2014)
Procedimiento
La etapa de preprocesamiento fue crucial para transformar los datos crudos del SERCOP
en un formato adecuado para el análisis, abordando los desafíos de calidad y heterogeneidad
inherentes a los datos abiertos.
Pre-procesado de la información
● Se unificó en un solo dataset las hojas “Tender, Award, AwardSuppliers, Contracts”
mediante el identificador único OCID para generar un solo dataset.
hace inviable un enfoque supervisado tradicional en las fases iniciales. (González, 2014);
(Joković, 2022).
Fuente y Alcance de los Datos
Durante el proceso investigativo se seleccionó como fuente de datos principal el
repositorio oficial "Datos Abiertos de contratación pública del Ecuador en OCDS" del Servicio
Nacional de Contratación Pública (SERCOP). Este portal, que recopila datos desde enero de 2015
hasta la fecha del presente estudio (febrero de 2025), constituye una fuente oficial de los procesos
contractuales del estado ecuatoriano.
Para asegurar la pertinencia y el alcance del análisis, se seleccionaron datos específicos
de las siguientes etapas clave de los procesos de contratación, disponibles en hojas separadas
dentro de los datasets originales: "Licitación (tender)", "Premiaciones (Awards)", "Proveedores
(AwardSuppliers)" y "Contratos (Contracts)". La unificación de estos registros, utilizando el
identificador único OCID (Open Contracting Identifier), resultó en un dataset consolidado que
comprende un total de 2,467,699 filas, abarcando así un vasto universo de transacciones.
El universo de datos seleccionado incluye todos los tipos de contratación pública
contemplados en la normativa ecuatoriana, lo que permite una visión integral de las prácticas de
adquisición. Esto incluye procedimientos como: subasta inversa electrónica (para bienes y
servicios normalizados), licitación (para obras o servicios complejos), contratación directa (en
casos excepcionales), menor cuantía (para montos reducidos), cotización (para comparar ofertas
específicas), concurso público (para servicios intelectuales) y régimen especial (para sectores
estratégicos o situaciones específicas). La inclusión de esta diversidad de procedimientos es
fundamental para identificar patrones de riesgo transversales y específicos a cada modalidad
(Molina, 2023).
Herramientas y Entorno
El lenguaje de programación empleado es Python 3, con las siguientes librerías: pandas,
numpy, scikit‑learn, nltk, seaborn, matplotlib. El entorno de programación utilizado fue la
plataforma de Google Colab Pro, que brinda acceso a procesadores de alta potencia y altas
capacidades RAM. Esta elección se basó en la necesidad de procesar eficientemente grandes
volúmenes de datos y ejecutar algoritmos computacionalmente intensivos.(González, 2014)
Procedimiento
La etapa de preprocesamiento fue crucial para transformar los datos crudos del SERCOP
en un formato adecuado para el análisis, abordando los desafíos de calidad y heterogeneidad
inherentes a los datos abiertos.
Pre-procesado de la información
● Se unificó en un solo dataset las hojas “Tender, Award, AwardSuppliers, Contracts”
mediante el identificador único OCID para generar un solo dataset.
Vol. 12/ Núm. 4 2025 pág. 5
● Se realiza un EDA y una limpieza general de la información para eliminar filas irrelevantes
para efectos de este estudio.
● Se consideraron solamente los procesos de contratación que no pertenezcan a los siguientes
grupos:
○ Situaciones de emergencia, estos procesos priorizan la compra directa del bien o
servicio requerido de manera inmediata sin concursos.
○ Catálogo electrónico, no requiere concurso y el requerimiento se hace directamente
con el vendedor ya que este se encuentra debidamente registrado con su producto por
lo que para efectos de este estudio es irrelevante.
○ Regímenes especiales, dada la vinculación de proyectos pasados con el mismo
contratante esto le obliga a contratar directamente al mismo proveedor mediante una
convocatoria directa lo cual aunque se considera un concurso público no es sujeto de
análisis al tener únicamente un solo ganador predefinido.
○ Procesos de estudio de mercado e ínfimas cuantías, aunque son procesos registrados,
estos solamente receptan proformas por lo cual aunque existen participantes no se
escogen ganadores ni registros adicionales.
● Las variables de interés para este estudio son: Fechas (firma de contrato, inicio,
adjudicación, preguntas), descripción del proceso, cantidad participantes, monto del
proceso, estado; se descartaron registros que no contengan datos válidos en estos campos.
● El filtro aplicado reduce el dataset a un total de 224109 registros, lo que significa una
reducción de un 90%.
● De manera complementaria para este estudio se generaron las siguientes variables
calculadas, a partir de las fechas establecidas, con el fin de obtener valor numérico que
cuantifique la cantidad de días:
○ Días de duración del proceso (fecha de final de proceso - fecha de inicio de
proceso)
○ Días hasta la firma del contrato (fecha de firma de contrato - fecha de
adjudicación)
Procesamiento de lenguaje natural sobre la descripción del proceso
La variable textual “descripción” es un párrafo corto que explica de manera breve cuál es
el producto o servicio requerido. En esta etapa, se obtuvo un valor numérico basado en palabras
clave para cuantificar la riqueza descriptiva. A cada palabra clave se le asignó un peso, lo que
permitió calcular la sumatoria de valoración total de la efectividad de la descripción. El proceso
se detalló en los siguientes pasos:
Limpieza
● Normalización del texto descriptivo (conversión a minúsculas, eliminación de caracteres
especiales).
● Se realiza un EDA y una limpieza general de la información para eliminar filas irrelevantes
para efectos de este estudio.
● Se consideraron solamente los procesos de contratación que no pertenezcan a los siguientes
grupos:
○ Situaciones de emergencia, estos procesos priorizan la compra directa del bien o
servicio requerido de manera inmediata sin concursos.
○ Catálogo electrónico, no requiere concurso y el requerimiento se hace directamente
con el vendedor ya que este se encuentra debidamente registrado con su producto por
lo que para efectos de este estudio es irrelevante.
○ Regímenes especiales, dada la vinculación de proyectos pasados con el mismo
contratante esto le obliga a contratar directamente al mismo proveedor mediante una
convocatoria directa lo cual aunque se considera un concurso público no es sujeto de
análisis al tener únicamente un solo ganador predefinido.
○ Procesos de estudio de mercado e ínfimas cuantías, aunque son procesos registrados,
estos solamente receptan proformas por lo cual aunque existen participantes no se
escogen ganadores ni registros adicionales.
● Las variables de interés para este estudio son: Fechas (firma de contrato, inicio,
adjudicación, preguntas), descripción del proceso, cantidad participantes, monto del
proceso, estado; se descartaron registros que no contengan datos válidos en estos campos.
● El filtro aplicado reduce el dataset a un total de 224109 registros, lo que significa una
reducción de un 90%.
● De manera complementaria para este estudio se generaron las siguientes variables
calculadas, a partir de las fechas establecidas, con el fin de obtener valor numérico que
cuantifique la cantidad de días:
○ Días de duración del proceso (fecha de final de proceso - fecha de inicio de
proceso)
○ Días hasta la firma del contrato (fecha de firma de contrato - fecha de
adjudicación)
Procesamiento de lenguaje natural sobre la descripción del proceso
La variable textual “descripción” es un párrafo corto que explica de manera breve cuál es
el producto o servicio requerido. En esta etapa, se obtuvo un valor numérico basado en palabras
clave para cuantificar la riqueza descriptiva. A cada palabra clave se le asignó un peso, lo que
permitió calcular la sumatoria de valoración total de la efectividad de la descripción. El proceso
se detalló en los siguientes pasos:
Limpieza
● Normalización del texto descriptivo (conversión a minúsculas, eliminación de caracteres
especiales).
Vol. 12/ Núm. 4 2025 pág. 6
● Eliminación de referencias a la entidad contratante (para evitar sesgos descriptivos).
● Eliminación de stopwords (adverbios, preposiciones, conjunciones, determinantes) y
monosílabos menores a 2 letras, con el fin de reducir el ruido y enfocarse en términos con
mayor significado.
● Tokenización de las palabras de descripción para permitir un análisis individualizado de
cada término.
Variables calculadas
Para enriquecer el conjunto de datos con información relevante para el clustering, se
calcularon las siguientes variables adicionales:
● Cálculo de la frecuencia de aparición de cada palabra.
● Sumatoria de duración de proceso en días.
● Sumatoria categorías por tipo.
● Variable reescalada amount (presupuesto) mediante logaritmo, para manejar la asimetría
de su distribución y mejorar la estabilidad de los modelos.
Cálculo de cálculo de TF-IDF
Se calculó el valor relativo de cada palabra en función de su frecuencia (TF-IDF),
presupuesto y duración. Este enfoque permitió asignar mayor importancia a palabras que son
distintivas de procesos con características específicas (alto monto o duración).
● Cálculo de valor relativo de la palabra en función de su frecuencia, presupuesto y duración.
● Eliminación del percentil inferior 1 de 10, ya que representa grupos minoritarios de
palabras con poco valor y frecuencia de aparición. El rango de frecuencias resultante fue
de 116 hasta 160,137 con un tamaño de diccionario de 2,792 palabras, lo que optimiza la
relevancia del vocabulario.
● La fórmula utilizada para el cálculo del valor de palabra en relación al presupuesto y
duración del proceso:
Valor = Log(monto medio normalizado) * (duración media normalizada)
Fórmula 1: Valoración relativa de la palabra en el contexto de la descripción.
Cálculo de valoración de la descripción en base al diccionario de valores de palabras
Utilizando el diccionario calculado en el paso anterior, se realizó la sumatoria del valor
correspondiente a cada palabra presente en la descripción, obteniendo así un valor total de la
descripción de un proceso. Este valor numérico actúa como un indicador de la calidad y
especificidad de la descripción.
Reducción de dimensionalidad
La reducción de dimensionalidad es una fase esencial para manejar la complejidad de los
datos del SERCOP, que, a pesar de su volumen, presentan redundancia y variables altamente
correlacionadas. Esta etapa busca transformar el conjunto de variables originales en un espacio
de menor dimensión, preservando la información más relevante para el análisis.
● Eliminación de referencias a la entidad contratante (para evitar sesgos descriptivos).
● Eliminación de stopwords (adverbios, preposiciones, conjunciones, determinantes) y
monosílabos menores a 2 letras, con el fin de reducir el ruido y enfocarse en términos con
mayor significado.
● Tokenización de las palabras de descripción para permitir un análisis individualizado de
cada término.
Variables calculadas
Para enriquecer el conjunto de datos con información relevante para el clustering, se
calcularon las siguientes variables adicionales:
● Cálculo de la frecuencia de aparición de cada palabra.
● Sumatoria de duración de proceso en días.
● Sumatoria categorías por tipo.
● Variable reescalada amount (presupuesto) mediante logaritmo, para manejar la asimetría
de su distribución y mejorar la estabilidad de los modelos.
Cálculo de cálculo de TF-IDF
Se calculó el valor relativo de cada palabra en función de su frecuencia (TF-IDF),
presupuesto y duración. Este enfoque permitió asignar mayor importancia a palabras que son
distintivas de procesos con características específicas (alto monto o duración).
● Cálculo de valor relativo de la palabra en función de su frecuencia, presupuesto y duración.
● Eliminación del percentil inferior 1 de 10, ya que representa grupos minoritarios de
palabras con poco valor y frecuencia de aparición. El rango de frecuencias resultante fue
de 116 hasta 160,137 con un tamaño de diccionario de 2,792 palabras, lo que optimiza la
relevancia del vocabulario.
● La fórmula utilizada para el cálculo del valor de palabra en relación al presupuesto y
duración del proceso:
Valor = Log(monto medio normalizado) * (duración media normalizada)
Fórmula 1: Valoración relativa de la palabra en el contexto de la descripción.
Cálculo de valoración de la descripción en base al diccionario de valores de palabras
Utilizando el diccionario calculado en el paso anterior, se realizó la sumatoria del valor
correspondiente a cada palabra presente en la descripción, obteniendo así un valor total de la
descripción de un proceso. Este valor numérico actúa como un indicador de la calidad y
especificidad de la descripción.
Reducción de dimensionalidad
La reducción de dimensionalidad es una fase esencial para manejar la complejidad de los
datos del SERCOP, que, a pesar de su volumen, presentan redundancia y variables altamente
correlacionadas. Esta etapa busca transformar el conjunto de variables originales en un espacio
de menor dimensión, preservando la información más relevante para el análisis.
Vol. 12/ Núm. 4 2025 pág. 7
● Se aplicó el Análisis de Componentes Principales (PCA) con dos componentes principales.
La elección de PCA se justifica por su eficacia en la reducción de variables numéricas
correlacionadas, permitiendo identificar las dimensiones subyacentes que explican la
mayor parte de la varianza en los datos de contratación (monto, duración, número de
participantes, etc.). Las dos componentes principales fueron suficientes para capturar una
proporción significativa de la varianza total, facilitando la visualización y la interpretación
de los clústeres en un espacio bidimensional.
● Se realizó un Análisis Factorial (FA) para extraer factores latentes comunes entre las
variables. A diferencia de PCA, que se enfoca en la varianza, FA busca identificar la
estructura subyacente de las correlaciones entre las variables observadas. Esta técnica es
particularmente útil para descubrir constructos teóricos (factores) que no son directamente
observables, pero que influyen en las variables de interés (ej., un factor de “Complejidad
del Proceso” que agrupe alta duración y bajo número de participantes). La aplicación de
FA permitió una interpretación más profunda de las relaciones entre las variables,
complementando el análisis de PCA.
Agrupamiento no supervisado
El agrupamiento no supervisado fue el núcleo del análisis de patrones, dada la ausencia
de etiquetas de riesgo predefinidas en los datos del SERCOP. Se aplicaron múltiples algoritmos
para explorar diferentes estructuras de agrupamiento y asegurar la robustez de los hallazgos.
● K-Means: Se utilizó para agrupar las observaciones en diez clústeres, basándose en la
distancia euclidiana. La determinación de k=10 se realizó mediante el método del codo
(Elbow method), que identifica el punto de inflexión donde añadir más clústeres no produce
una mejora significativa en la varianza explicada. Este algoritmo fue aplicado
posteriormente a los componentes obtenidos de PCA y FA para mejorar la diferenciación
de los clústeres al trabajar en un espacio de menor dimensionalidad.
● DBSCAN (Density-Based Spatial Clustering of Applications with Noise): Se empleó
para detectar clústeres de densidad variable y aislar outliers sin requerir un número
predefinido de clústeres. DBSCAN es robusto ante la presencia de ruido y permite
identificar grupos de forma irregular, lo cual es ventajoso en datos de contratación pública
donde pueden existir patrones atípicos que no se ajustan a formas esféricas (como las
asumidas por K-Means). Los parámetros eps (radio de la vecindad) y min_samples (número
mínimo de puntos en una vecindad) se ajustaron iterativamente para optimizar la
identificación de clústeres significativos.
● GMM (Gaussian Mixture Models): Este método se utilizó para estimar clústeres a partir
de mezclas de distribuciones gaussianas, permitiendo el solapamiento entre grupos. GMM
es más flexible que K-Means, ya que asume que los datos provienen de una combinación
de distribuciones gaussianas con diferentes medias y covarianzas. Esta flexibilidad permite
● Se aplicó el Análisis de Componentes Principales (PCA) con dos componentes principales.
La elección de PCA se justifica por su eficacia en la reducción de variables numéricas
correlacionadas, permitiendo identificar las dimensiones subyacentes que explican la
mayor parte de la varianza en los datos de contratación (monto, duración, número de
participantes, etc.). Las dos componentes principales fueron suficientes para capturar una
proporción significativa de la varianza total, facilitando la visualización y la interpretación
de los clústeres en un espacio bidimensional.
● Se realizó un Análisis Factorial (FA) para extraer factores latentes comunes entre las
variables. A diferencia de PCA, que se enfoca en la varianza, FA busca identificar la
estructura subyacente de las correlaciones entre las variables observadas. Esta técnica es
particularmente útil para descubrir constructos teóricos (factores) que no son directamente
observables, pero que influyen en las variables de interés (ej., un factor de “Complejidad
del Proceso” que agrupe alta duración y bajo número de participantes). La aplicación de
FA permitió una interpretación más profunda de las relaciones entre las variables,
complementando el análisis de PCA.
Agrupamiento no supervisado
El agrupamiento no supervisado fue el núcleo del análisis de patrones, dada la ausencia
de etiquetas de riesgo predefinidas en los datos del SERCOP. Se aplicaron múltiples algoritmos
para explorar diferentes estructuras de agrupamiento y asegurar la robustez de los hallazgos.
● K-Means: Se utilizó para agrupar las observaciones en diez clústeres, basándose en la
distancia euclidiana. La determinación de k=10 se realizó mediante el método del codo
(Elbow method), que identifica el punto de inflexión donde añadir más clústeres no produce
una mejora significativa en la varianza explicada. Este algoritmo fue aplicado
posteriormente a los componentes obtenidos de PCA y FA para mejorar la diferenciación
de los clústeres al trabajar en un espacio de menor dimensionalidad.
● DBSCAN (Density-Based Spatial Clustering of Applications with Noise): Se empleó
para detectar clústeres de densidad variable y aislar outliers sin requerir un número
predefinido de clústeres. DBSCAN es robusto ante la presencia de ruido y permite
identificar grupos de forma irregular, lo cual es ventajoso en datos de contratación pública
donde pueden existir patrones atípicos que no se ajustan a formas esféricas (como las
asumidas por K-Means). Los parámetros eps (radio de la vecindad) y min_samples (número
mínimo de puntos en una vecindad) se ajustaron iterativamente para optimizar la
identificación de clústeres significativos.
● GMM (Gaussian Mixture Models): Este método se utilizó para estimar clústeres a partir
de mezclas de distribuciones gaussianas, permitiendo el solapamiento entre grupos. GMM
es más flexible que K-Means, ya que asume que los datos provienen de una combinación
de distribuciones gaussianas con diferentes medias y covarianzas. Esta flexibilidad permite
Vol. 12/ Núm. 4 2025 pág. 8
identificar clústeres de formas elípticas y tamaños variados, lo cual es relevante si los
grupos de procesos de contratación tienen distribuciones no esféricas.
● Clustering Jerárquico: Se construyó un dendrograma de relaciones entre observaciones,
utilizando un método aglomerativo (ej., Ward’s method) sobre una muestra representativa
de los datos. Esta técnica proporciona una visualización de la estructura jerárquica de los
clústeres, lo que ayuda a entender cómo se agrupan los procesos en diferentes niveles de
similitud y a validar el número óptimo de clústeres de manera exploratoria.
Validación de Clústeres mediante Comparación con Métodos de Clasificación
El enfoque principal se basó en técnicas de clustering no supervisado para explorar los
datos de contratación pública del SERCOP. Este método fue elegido estratégicamente por varias
razones fundamentales que aprovechan la naturaleza de nuestros datos:
● Descubrimiento de Patrones Ocultos: A diferencia de los métodos supervisados que
requieren etiquetas predefinidas (ej., clasificar proyectos como "riesgosos" o "normales"
de antemano), el clustering no supervisado destaca por descubrir agrupaciones inherentes
dentro de los datos. En este proyecto, no partimos de un conjunto de datos previamente
etiquetado en cuanto a tipos de proyectos o niveles de riesgo basados en características
numéricas. El clustering nos permitió revelar patrones distintos en las características de los
proyectos (como monto, duración, número de oferentes y valor descriptivo) que podrían no
haber sido inmediatamente obvios.
● Identificación de Diversos Perfiles de Proyectos: Los análisis de K-Means y GMM,
particularmente cuando se aplicaron después de técnicas de reducción de dimensionalidad
como PCA o Análisis Factorial, nos ayudaron a identificar clústeres que representan
diferentes tipos de procesos de contratación. Observamos grupos que iban desde procesos
'típicos y competitivos' hasta procesos 'extraordinarios o críticos' con montos muy altos y
baja competencia. Esta visión granular de los perfiles de proyectos es un resultado directo
de los algoritmos de clustering al encontrar límites naturales en los datos.
● Manejo de Relaciones Complejas: Las relaciones entre las variables numéricas pueden
ser complejas y no lineales. Los métodos de clustering, especialmente cuando se combinan
con técnicas como el Análisis Factorial que identifica factores latentes subyacentes, pueden
capturar estas interacciones complejas y agrupar proyectos basándose en su perfil general
a través de estas dimensiones.
● Identificación de Potenciales Anomalías y Valores Atípicos: Como se observó en el
análisis de nuestros clústeres, algunos grupos destacaron debido a valores extremos en
ciertas variables (por ejemplo, tiempos de firma de contrato o duraciones de proceso muy
largos, montos muy altos con baja competencia). El clustering no supervisado es una
herramienta poderosa para señalar tales potenciales anomalías o valores atípicos que
justifican una investigación adicional en busca de posibles ineficiencias o riesgos.
identificar clústeres de formas elípticas y tamaños variados, lo cual es relevante si los
grupos de procesos de contratación tienen distribuciones no esféricas.
● Clustering Jerárquico: Se construyó un dendrograma de relaciones entre observaciones,
utilizando un método aglomerativo (ej., Ward’s method) sobre una muestra representativa
de los datos. Esta técnica proporciona una visualización de la estructura jerárquica de los
clústeres, lo que ayuda a entender cómo se agrupan los procesos en diferentes niveles de
similitud y a validar el número óptimo de clústeres de manera exploratoria.
Validación de Clústeres mediante Comparación con Métodos de Clasificación
El enfoque principal se basó en técnicas de clustering no supervisado para explorar los
datos de contratación pública del SERCOP. Este método fue elegido estratégicamente por varias
razones fundamentales que aprovechan la naturaleza de nuestros datos:
● Descubrimiento de Patrones Ocultos: A diferencia de los métodos supervisados que
requieren etiquetas predefinidas (ej., clasificar proyectos como "riesgosos" o "normales"
de antemano), el clustering no supervisado destaca por descubrir agrupaciones inherentes
dentro de los datos. En este proyecto, no partimos de un conjunto de datos previamente
etiquetado en cuanto a tipos de proyectos o niveles de riesgo basados en características
numéricas. El clustering nos permitió revelar patrones distintos en las características de los
proyectos (como monto, duración, número de oferentes y valor descriptivo) que podrían no
haber sido inmediatamente obvios.
● Identificación de Diversos Perfiles de Proyectos: Los análisis de K-Means y GMM,
particularmente cuando se aplicaron después de técnicas de reducción de dimensionalidad
como PCA o Análisis Factorial, nos ayudaron a identificar clústeres que representan
diferentes tipos de procesos de contratación. Observamos grupos que iban desde procesos
'típicos y competitivos' hasta procesos 'extraordinarios o críticos' con montos muy altos y
baja competencia. Esta visión granular de los perfiles de proyectos es un resultado directo
de los algoritmos de clustering al encontrar límites naturales en los datos.
● Manejo de Relaciones Complejas: Las relaciones entre las variables numéricas pueden
ser complejas y no lineales. Los métodos de clustering, especialmente cuando se combinan
con técnicas como el Análisis Factorial que identifica factores latentes subyacentes, pueden
capturar estas interacciones complejas y agrupar proyectos basándose en su perfil general
a través de estas dimensiones.
● Identificación de Potenciales Anomalías y Valores Atípicos: Como se observó en el
análisis de nuestros clústeres, algunos grupos destacaron debido a valores extremos en
ciertas variables (por ejemplo, tiempos de firma de contrato o duraciones de proceso muy
largos, montos muy altos con baja competencia). El clustering no supervisado es una
herramienta poderosa para señalar tales potenciales anomalías o valores atípicos que
justifican una investigación adicional en busca de posibles ineficiencias o riesgos.
Vol. 12/ Núm. 4 2025 pág. 9
● Base para Análisis Posteriores: Los clústeres identificados a través de estos métodos
pueden servir como base para análisis posteriores. Las etiquetas de clúster generadas
pueden ser utilizadas como una nueva variable categórica para explorar relaciones con otras
características no numéricas en el dataset, o incluso como una variable objetivo para el
aprendizaje supervisado si se desea construir un modelo para predecir a qué clúster podría
pertenecer un nuevo proyecto.
● Para la validación interna de los clústeres, se utilizó el Silhouette Score para evaluar la
cohesión interna y la separación entre los grupos. Además, se empleó una tabla de
contingencia para comparar la consistencia de las asignaciones entre los diferentes
métodos de agrupamiento no supervisado aplicados
● (K-Means vs GMM). Finalmente, se realizó una inspección exploratoria de los resultados
a través de visualizaciones de scatter plots y dendrogramas para una comprensión visual
de la estructura de los clústeres.
RESULTADOS Y DISCUSIÓN
La presente sección detalla los hallazgos derivados del análisis de los datos de
contratación pública del SERCOP, aplicando las metodologías descritas en la sección anterior.
Los resultados se estructuran para ofrecer una comprensión clara del estado inicial de los datos,
la correlación entre variables clave, y las agrupaciones identificadas mediante técnicas de
aprendizaje no supervisado.
Estado Inicial de los Datos
Tras el proceso de pre-procesamiento y limpieza de la información, se designaron las
variables de interés para el estudio. La distribución de estas variables es fundamental para
entender la naturaleza del conjunto de datos y se visualiza en la Figura 1.
A continuación, se describen las características observadas en cada variable:
1. Preguntas: Variable de tipo booleana, que no muestra valores atípicos significativos,
indicando una consistencia en su registro.
2. Cantidad de postulantes: No presenta valores extremos y se observan dos grupos
diferenciados en su distribución.
3. Presupuesto: Presenta una distribución orientada hacia valores bajos, lo que sugiere que la
mayoría de los procesos de contratación son de montos reducidos.
4. Duración del contrato: No se identificaron valores extremos, mostrando una distribución
relativamente homogénea.
5. Duración del proceso en días: Aunque en el proceso inicial se descartaron algunos valores
extremos, la distribución resultante sigue siendo relevante para el análisis.
6. Firma del contrato en días: La distribución se orienta a valores bajos, indicando que la
mayoría de los contratos se firman en un periodo corto tras la adjudicación.
● Base para Análisis Posteriores: Los clústeres identificados a través de estos métodos
pueden servir como base para análisis posteriores. Las etiquetas de clúster generadas
pueden ser utilizadas como una nueva variable categórica para explorar relaciones con otras
características no numéricas en el dataset, o incluso como una variable objetivo para el
aprendizaje supervisado si se desea construir un modelo para predecir a qué clúster podría
pertenecer un nuevo proyecto.
● Para la validación interna de los clústeres, se utilizó el Silhouette Score para evaluar la
cohesión interna y la separación entre los grupos. Además, se empleó una tabla de
contingencia para comparar la consistencia de las asignaciones entre los diferentes
métodos de agrupamiento no supervisado aplicados
● (K-Means vs GMM). Finalmente, se realizó una inspección exploratoria de los resultados
a través de visualizaciones de scatter plots y dendrogramas para una comprensión visual
de la estructura de los clústeres.
RESULTADOS Y DISCUSIÓN
La presente sección detalla los hallazgos derivados del análisis de los datos de
contratación pública del SERCOP, aplicando las metodologías descritas en la sección anterior.
Los resultados se estructuran para ofrecer una comprensión clara del estado inicial de los datos,
la correlación entre variables clave, y las agrupaciones identificadas mediante técnicas de
aprendizaje no supervisado.
Estado Inicial de los Datos
Tras el proceso de pre-procesamiento y limpieza de la información, se designaron las
variables de interés para el estudio. La distribución de estas variables es fundamental para
entender la naturaleza del conjunto de datos y se visualiza en la Figura 1.
A continuación, se describen las características observadas en cada variable:
1. Preguntas: Variable de tipo booleana, que no muestra valores atípicos significativos,
indicando una consistencia en su registro.
2. Cantidad de postulantes: No presenta valores extremos y se observan dos grupos
diferenciados en su distribución.
3. Presupuesto: Presenta una distribución orientada hacia valores bajos, lo que sugiere que la
mayoría de los procesos de contratación son de montos reducidos.
4. Duración del contrato: No se identificaron valores extremos, mostrando una distribución
relativamente homogénea.
5. Duración del proceso en días: Aunque en el proceso inicial se descartaron algunos valores
extremos, la distribución resultante sigue siendo relevante para el análisis.
6. Firma del contrato en días: La distribución se orienta a valores bajos, indicando que la
mayoría de los contratos se firman en un periodo corto tras la adjudicación.
Vol. 12/ Núm. 4 2025 pág. 10
7. Valoración de descripción de proceso: Presenta una distribución homogénea, lo que sugiere
una consistencia en la valoración de las descripciones.
8. Logaritmo de presupuesto: Tras la transformación logarítmica para manejar la asimetría, se
distinguen dos grupos diferenciados, facilitando su interpretación en el modelado.
Figura 1
Diagrama de distribución por variable
Para determinar el grado de correlación lineal entre estas variables de interés, se aplicó la
correlación de Pearson. Los resultados se muestran en la Tabla 1.
Tabla 1
Correlación de Pearson aplicada a las variables fundamentales
Hubo
Preguntas
(bool)
Duración del
contrato días
(int)
Duración
del proceso
en días (int)
Presupuesto
(float)
Hubo Preguntas (bool) 0.03 0.32 0.23
Duración del contrato días (int) 0.03 0.09 0.21
Duración del proceso en días
(int) 0.32 0.09 0.27
Presupuesto(float) 0.23 0.21 0.27
Como se observa en la Tabla 1, el nivel de correlación entre las variables es generalmente
bajo. Esta baja correlación justifica la necesidad de profundizar en análisis más elaborados, como
las técnicas de reducción de dimensionalidad y agrupamiento no supervisado, para descubrir
patrones y relaciones no lineales que no son evidentes a través de una simple correlación
bivariada.
7. Valoración de descripción de proceso: Presenta una distribución homogénea, lo que sugiere
una consistencia en la valoración de las descripciones.
8. Logaritmo de presupuesto: Tras la transformación logarítmica para manejar la asimetría, se
distinguen dos grupos diferenciados, facilitando su interpretación en el modelado.
Figura 1
Diagrama de distribución por variable
Para determinar el grado de correlación lineal entre estas variables de interés, se aplicó la
correlación de Pearson. Los resultados se muestran en la Tabla 1.
Tabla 1
Correlación de Pearson aplicada a las variables fundamentales
Hubo
Preguntas
(bool)
Duración del
contrato días
(int)
Duración
del proceso
en días (int)
Presupuesto
(float)
Hubo Preguntas (bool) 0.03 0.32 0.23
Duración del contrato días (int) 0.03 0.09 0.21
Duración del proceso en días
(int) 0.32 0.09 0.27
Presupuesto(float) 0.23 0.21 0.27
Como se observa en la Tabla 1, el nivel de correlación entre las variables es generalmente
bajo. Esta baja correlación justifica la necesidad de profundizar en análisis más elaborados, como
las técnicas de reducción de dimensionalidad y agrupamiento no supervisado, para descubrir
patrones y relaciones no lineales que no son evidentes a través de una simple correlación
bivariada.
Vol. 12/ Núm. 4 2025 pág. 11
Agrupamiento (clusters) por Kmeans
Para la segmentación de los datos, se aplicó el algoritmo K-Means, una técnica de
agrupamiento no supervisado ampliamente utilizada en análisis exploratorio. El número óptimo
de clústeres, determinado mediante el método del codo (Elbow method), indicó la necesidad de
establecer 10 clústeres.
Figura 2
Distribución de clusters
La Figura 2 muestra una clara desigualdad en el tamaño de los clústeres, destacándose
el clúster 1 con más de 140,000 elementos. A pesar de que los demás clústeres son
significativamente menores en tamaño, su relevancia radica en los patrones específicos que
agrupan.2.1. Visualización de Variables en Agrupaciones
A continuación, se presenta la representación de las variables clave por clúster, con el
objetivo de caracterizar los grupos identificados.
Visualización de variables en agrupaciones
La figura anterior muestra una distribución del número de elementos por cluster tras
aplicar el algoritmo K-means con k=10, en el cual podemos observar una clara desigualdad en los
clusters, destacándose el cluster 1 con más de 14000 elementos, los demás clusters son menores
en tamaño sin embargo son relevantes.
Presupuesto (amount) vs Valor de la descripción (valor)
La Figura 3 muestra la relación entre el presupuesto del proceso y el valor de su
descripción, coloreado por clúster.
Agrupamiento (clusters) por Kmeans
Para la segmentación de los datos, se aplicó el algoritmo K-Means, una técnica de
agrupamiento no supervisado ampliamente utilizada en análisis exploratorio. El número óptimo
de clústeres, determinado mediante el método del codo (Elbow method), indicó la necesidad de
establecer 10 clústeres.
Figura 2
Distribución de clusters
La Figura 2 muestra una clara desigualdad en el tamaño de los clústeres, destacándose
el clúster 1 con más de 140,000 elementos. A pesar de que los demás clústeres son
significativamente menores en tamaño, su relevancia radica en los patrones específicos que
agrupan.2.1. Visualización de Variables en Agrupaciones
A continuación, se presenta la representación de las variables clave por clúster, con el
objetivo de caracterizar los grupos identificados.
Visualización de variables en agrupaciones
La figura anterior muestra una distribución del número de elementos por cluster tras
aplicar el algoritmo K-means con k=10, en el cual podemos observar una clara desigualdad en los
clusters, destacándose el cluster 1 con más de 14000 elementos, los demás clusters son menores
en tamaño sin embargo son relevantes.
Presupuesto (amount) vs Valor de la descripción (valor)
La Figura 3 muestra la relación entre el presupuesto del proceso y el valor de su
descripción, coloreado por clúster.
Vol. 12/ Núm. 4 2025 pág. 12
Figura 3
Presupuesto (amount) vs Valor de la descripción (valor)
Basado en los clústeres más significativos, se obtienen los siguientes resultados:
● CLÚSTER 5: Caracteriza procesos con una valoración descriptiva baja pero con
presupuestos medio-altos. Esto podría indicar descripciones genéricas para contratos
económicamente importantes.
● CLÚSTERES 0 y 3: Representan procesos con presupuestos medio-altos, donde la
valoración de las descripciones es predominantemente baja. Similar al clúster 5, sugiere
una posible falta de detalle en la descripción para procesos de relevancia económica.
Presupuesto y Firma del contrato en días
La Figura 4 ilustra la relación entre el presupuesto y los días hasta la firma del contrato,
segmentada por clúster.
Figura 4
Presupuesto y Firma del contrato en días
Figura 3
Presupuesto (amount) vs Valor de la descripción (valor)
Basado en los clústeres más significativos, se obtienen los siguientes resultados:
● CLÚSTER 5: Caracteriza procesos con una valoración descriptiva baja pero con
presupuestos medio-altos. Esto podría indicar descripciones genéricas para contratos
económicamente importantes.
● CLÚSTERES 0 y 3: Representan procesos con presupuestos medio-altos, donde la
valoración de las descripciones es predominantemente baja. Similar al clúster 5, sugiere
una posible falta de detalle en la descripción para procesos de relevancia económica.
Presupuesto y Firma del contrato en días
La Figura 4 ilustra la relación entre el presupuesto y los días hasta la firma del contrato,
segmentada por clúster.
Figura 4
Presupuesto y Firma del contrato en días
Vol. 12/ Núm. 4 2025 pág. 13
A partir de esta visualización, se identifican los siguientes patrones relevantes:
● CLÚSTER 7: Agrupa procesos con un presupuesto medio-alto, pero con un tiempo hasta
la firma del contrato significativamente más alto que el promedio, lo cual puede ser un
indicador de procesos con complejidades o retrasos.
● CLÚSTER 5: Se compone de procesos de presupuesto medio-alto con un tiempo de
firma de contrato bajo. Esto sugiere procesos ágiles y eficientes, posiblemente debido a
descripciones genéricas o falta de controversia.
● CLÚSTER 1: Este clúster se observa en procesos cuya duración hasta la firma es menor
a 500 días, sin una dependencia clara del monto del contrato.
Presupuesto y Duración del proceso.
La Figura 5 representa la relación entre el presupuesto y la duración total del proceso en
días.
Figura 5
Presupuesto y Duración del proceso
En esta gráfica, los clústeres más significativos revelan:
● CLÚSTER 5: Reitera la presencia de procesos de presupuesto medio-alto con una
duración de proceso baja, sugiriendo una ejecución burocrática ágil, posiblemente
facilitada por descripciones genéricas y baja controversia.
● CLÚSTER 6: Este clúster agrupa procesos con una duración anormalmente larga,
especialmente cuando el presupuesto se encuentra en un rango intermedio (entre 7.5 y 15
en la escala logarítmica). Esto podría indicar problemas o ineficiencias significativas en
el proceso.
Presupuesto y Número de participantes
La Figura 6 muestra la relación entre el presupuesto y la cantidad de participantes en el
proceso de contratación.
A partir de esta visualización, se identifican los siguientes patrones relevantes:
● CLÚSTER 7: Agrupa procesos con un presupuesto medio-alto, pero con un tiempo hasta
la firma del contrato significativamente más alto que el promedio, lo cual puede ser un
indicador de procesos con complejidades o retrasos.
● CLÚSTER 5: Se compone de procesos de presupuesto medio-alto con un tiempo de
firma de contrato bajo. Esto sugiere procesos ágiles y eficientes, posiblemente debido a
descripciones genéricas o falta de controversia.
● CLÚSTER 1: Este clúster se observa en procesos cuya duración hasta la firma es menor
a 500 días, sin una dependencia clara del monto del contrato.
Presupuesto y Duración del proceso.
La Figura 5 representa la relación entre el presupuesto y la duración total del proceso en
días.
Figura 5
Presupuesto y Duración del proceso
En esta gráfica, los clústeres más significativos revelan:
● CLÚSTER 5: Reitera la presencia de procesos de presupuesto medio-alto con una
duración de proceso baja, sugiriendo una ejecución burocrática ágil, posiblemente
facilitada por descripciones genéricas y baja controversia.
● CLÚSTER 6: Este clúster agrupa procesos con una duración anormalmente larga,
especialmente cuando el presupuesto se encuentra en un rango intermedio (entre 7.5 y 15
en la escala logarítmica). Esto podría indicar problemas o ineficiencias significativas en
el proceso.
Presupuesto y Número de participantes
La Figura 6 muestra la relación entre el presupuesto y la cantidad de participantes en el
proceso de contratación.
Vol. 12/ Núm. 4 2025 pág. 14
Figura 6
Presupuesto y Número de participantes
Los patrones observados en esta visualización son:
● CLÚSTER 1: Presenta una distribución con dos subgrupos diferenciados por umbrales
de presupuesto (entre 7.7 y 12.5 en la escala logarítmica). El primer subgrupo tiene menos
de 200 participantes, mientras que el segundo muestra entre 300 y 600 participantes,
indicando variabilidad en la competencia para procesos de similar relevancia económica.
● CLÚSTER 5: Similar a las observaciones anteriores, este clúster agrupa procesos de
presupuesto medio-alto con tiempos de contrato bajos, reforzando la idea de procesos
rápidos y, por ende, potencialmente con menor competencia o análisis.
Consideraciones sobre clusters
En la Tabla 2, se presentan varias consideraciones sobre los resultados obtenidos de los
clusters previamente analizados.
Tabla 2
Descripción extendida sobre las propiedades de los clusters
Cluster Peso en el
conjunto*
Rasgos numéricos dominantes
(comparados con la media del
dataset)
Lectura operativa / tipo de
proceso
Riesgo o acción
recomendada
1 ≈ 52 %(grupo
mayoritario)
• Monto y valor medio-alto
• Duraciones bajas
• Nº de oferentes muy alto
Procesos competitivos y
eficientes
Mantener buenas prácticas;
sirven como referencia de
desempeño.
4 ≈ 14 % • Montos y duraciones medias
• Competencia y valor descriptivo
intermedios
Contratación semicompleja
(rutinaria pero con cierta
variabilidad)
Vigilar tiempos de firma para
reducir dispersión.
Figura 6
Presupuesto y Número de participantes
Los patrones observados en esta visualización son:
● CLÚSTER 1: Presenta una distribución con dos subgrupos diferenciados por umbrales
de presupuesto (entre 7.7 y 12.5 en la escala logarítmica). El primer subgrupo tiene menos
de 200 participantes, mientras que el segundo muestra entre 300 y 600 participantes,
indicando variabilidad en la competencia para procesos de similar relevancia económica.
● CLÚSTER 5: Similar a las observaciones anteriores, este clúster agrupa procesos de
presupuesto medio-alto con tiempos de contrato bajos, reforzando la idea de procesos
rápidos y, por ende, potencialmente con menor competencia o análisis.
Consideraciones sobre clusters
En la Tabla 2, se presentan varias consideraciones sobre los resultados obtenidos de los
clusters previamente analizados.
Tabla 2
Descripción extendida sobre las propiedades de los clusters
Cluster Peso en el
conjunto*
Rasgos numéricos dominantes
(comparados con la media del
dataset)
Lectura operativa / tipo de
proceso
Riesgo o acción
recomendada
1 ≈ 52 %(grupo
mayoritario)
• Monto y valor medio-alto
• Duraciones bajas
• Nº de oferentes muy alto
Procesos competitivos y
eficientes
Mantener buenas prácticas;
sirven como referencia de
desempeño.
4 ≈ 14 % • Montos y duraciones medias
• Competencia y valor descriptivo
intermedios
Contratación semicompleja
(rutinaria pero con cierta
variabilidad)
Vigilar tiempos de firma para
reducir dispersión.
Vol. 12/ Núm. 4 2025 pág. 15
0 ≈ 14 % • Montos medios-bajos
• Duraciones y firmas en plazos
normales
• Competencia baja-media
Procesos estándar o rutinarios Automatizar controles; poca
alerta de riesgo.
3 ≈ 2 % • Montos moderados
• Firma de contrato lenta
(> 400 días)
• Valor alto
Casos documentados pero
lentos
Revisar cuellos de botella
administrativos.
9 < 1 % • Montos altos
• Duraciones normales
• Competencia y valor altos
Procesos atípicos bien
documentados
Buena trazabilidad; buena
realización
2 < 0,5 % • Montos y valor bajos
• Pocos oferentes
Procesos poco descriptivos /
monótonos
Exigir pliegos más detallados
y apertura a más
competencia.
5 < 0,1 % • Montos bajos
• Duraciones cortas
• Valor bajo
Compras muy simples (baja
fiscalización)
Poca relevancia
6 muy residual • Firma de contrato extremadamente
tardía
(> 2 000 días)
Procesos con alta eficiencia Es posible que existan
problemas legales de por
medio
7 muy residual • Duración de proceso y firma altas
• Montos medios
Procesos críticos o
excepcionales
Posiblemente requiera
procesos legales
8 muy residual • Proceso muy prolongado (> 1 400
días)
Procesos estancados /
posiblemente
Intervención por posibles
irregularidades
Análisis por Reducción de dimensionalidad con Kmeans
Se realizó un Análisis Factorial (AF) sobre variables numéricas clave para obtener
componentes latentes que resumieran la información esencial de los datos. Posteriormente, se
aplicaron algoritmos de clustering K-Means y Gaussian Mixture Models (GMM) sobre estos
componentes factoriales para identificar agrupaciones significativas en los procesos de
contratación. La evaluación de la coherencia interna de los clústeres se realizó mediante el
coeficiente de silueta.
La Figura 7 visualiza la distribución de los clusters generados por K-Means y GMM
sobre los componentes del Análisis Factorial.
0 ≈ 14 % • Montos medios-bajos
• Duraciones y firmas en plazos
normales
• Competencia baja-media
Procesos estándar o rutinarios Automatizar controles; poca
alerta de riesgo.
3 ≈ 2 % • Montos moderados
• Firma de contrato lenta
(> 400 días)
• Valor alto
Casos documentados pero
lentos
Revisar cuellos de botella
administrativos.
9 < 1 % • Montos altos
• Duraciones normales
• Competencia y valor altos
Procesos atípicos bien
documentados
Buena trazabilidad; buena
realización
2 < 0,5 % • Montos y valor bajos
• Pocos oferentes
Procesos poco descriptivos /
monótonos
Exigir pliegos más detallados
y apertura a más
competencia.
5 < 0,1 % • Montos bajos
• Duraciones cortas
• Valor bajo
Compras muy simples (baja
fiscalización)
Poca relevancia
6 muy residual • Firma de contrato extremadamente
tardía
(> 2 000 días)
Procesos con alta eficiencia Es posible que existan
problemas legales de por
medio
7 muy residual • Duración de proceso y firma altas
• Montos medios
Procesos críticos o
excepcionales
Posiblemente requiera
procesos legales
8 muy residual • Proceso muy prolongado (> 1 400
días)
Procesos estancados /
posiblemente
Intervención por posibles
irregularidades
Análisis por Reducción de dimensionalidad con Kmeans
Se realizó un Análisis Factorial (AF) sobre variables numéricas clave para obtener
componentes latentes que resumieran la información esencial de los datos. Posteriormente, se
aplicaron algoritmos de clustering K-Means y Gaussian Mixture Models (GMM) sobre estos
componentes factoriales para identificar agrupaciones significativas en los procesos de
contratación. La evaluación de la coherencia interna de los clústeres se realizó mediante el
coeficiente de silueta.
La Figura 7 visualiza la distribución de los clusters generados por K-Means y GMM
sobre los componentes del Análisis Factorial.
Vol. 12/ Núm. 4 2025 pág. 16
Figura 7
Clusters con K-Means y GMM
El análisis comparativo de los perfiles de clústeres reveló distintas tipologías de procesos
de contratación, incluyendo grupos con alta competencia, procesos de bajo monto, y clústeres que
sugieren anomalías en tiempos de proceso o participación. Se evidenció que K-Means generó
clústeres más homogéneos y claramente diferenciables, mientras que GMM mostró una mayor
propensión a solapamiento, destacando un grupo dominante. Esto resalta la importancia del
enfoque de modelado al interpretar agrupamientos no supervisados en datos de contratación
pública.
Segmentación con K-Means sobre FA
Al aplicar K-Means sobre los componentes obtenidos del Análisis Factorial, con un
número de 5 clústeres, se logró una identificación de grupos de procesos mejor diferenciados,
incluyendo una segmentación más clara de los outliers. La Tabla 3 resume las características
principales de estos clústeres.
Tabla 3
Descripción de los clusters con el método K means
cluster Monto promedio
(amount)
Nº
Oferentes
Duración del
contrato
Valoración
(valor) Comentario general
0 $147K 8.6 179 días 2.10 Contratos medianos con buena
competencia
1 $22K 3.9 83 días 1.61 Contratos menores con baja valoración
2 $14.7M 2.7 761 días 2.57 Procesos grandes con poca
competencia
3 $32K 1.6 122 días 1.59 Procesos simples y poco participativos
4 $929K 3.4 587 días 2.24 Contratos grandes, larga duración
Figura 7
Clusters con K-Means y GMM
El análisis comparativo de los perfiles de clústeres reveló distintas tipologías de procesos
de contratación, incluyendo grupos con alta competencia, procesos de bajo monto, y clústeres que
sugieren anomalías en tiempos de proceso o participación. Se evidenció que K-Means generó
clústeres más homogéneos y claramente diferenciables, mientras que GMM mostró una mayor
propensión a solapamiento, destacando un grupo dominante. Esto resalta la importancia del
enfoque de modelado al interpretar agrupamientos no supervisados en datos de contratación
pública.
Segmentación con K-Means sobre FA
Al aplicar K-Means sobre los componentes obtenidos del Análisis Factorial, con un
número de 5 clústeres, se logró una identificación de grupos de procesos mejor diferenciados,
incluyendo una segmentación más clara de los outliers. La Tabla 3 resume las características
principales de estos clústeres.
Tabla 3
Descripción de los clusters con el método K means
cluster Monto promedio
(amount)
Nº
Oferentes
Duración del
contrato
Valoración
(valor) Comentario general
0 $147K 8.6 179 días 2.10 Contratos medianos con buena
competencia
1 $22K 3.9 83 días 1.61 Contratos menores con baja valoración
2 $14.7M 2.7 761 días 2.57 Procesos grandes con poca
competencia
3 $32K 1.6 122 días 1.59 Procesos simples y poco participativos
4 $929K 3.4 587 días 2.24 Contratos grandes, larga duración
Vol. 12/ Núm. 4 2025 pág. 17
La Tabla 2 muestra perfiles de clusters bien definidos: el Clúster 2, por ejemplo,
representa procesos de muy alto monto con baja competencia, lo cual podría ser un indicador de
riesgo de ineficiencia o incluso colusión. Por otro lado, el Clúster 0 representa procesos medianos
con buena competencia, que podrían ser considerados "saludables".
Resultados de GMM sobre FA
El modelo Gaussian Mixture Models (GMM), al ser aplicado sobre los componentes del
Análisis Factorial, identificó subgrupos más finos dentro de los clústeres creados por K-Means,
revelando patrones anidados pero con una lógica probabilística más flexible. Los principales
hallazgos fueron:
● Clústeres similares en cuanto a procesos directos (pocos oferentes y sin consultas) y
procesos comunes (bajo monto y buena frecuencia).
● Un clúster adicional con más de 100 oferentes, montos elevados y valoración alta,
posiblemente asociado a licitaciones masivas nacionales o internacionales.
Tabla 4
Características de los clústeres identificados por GMM
Clust
er
Monto
promedio
Nº
Oferentes
Duración del
contrato Valoración Comentario general
0 $188K 5.5 202 días 2.09 Contratos medianos y relativamente
comunes
1 $29K 3.8 91 días 1.66 Contratos pequeños
2 $3.87M 117 377 días 3.23 Procesos masivos con altísima
competencia
3 $38K 1.6 124 días 1.61 Procesos directos, baja participación
4 $795K 11.3 568 días 2.17 Contratos grandes con buena
competencia
La Tabla 4 complementa la información de K-Means, ofreciendo una perspectiva más
granular. El Clúster 2 de GMM, por ejemplo, es particularmente interesante, pues identifica
procesos de muy alto monto con una competencia excepcionalmente alta, sugiriendo un perfil de
licitaciones de gran envergadura y visibilidad.
Análisis de tabla de contingencia para agrupamientos de K-means y GMM
Para evaluar la consistencia y las diferencias en las asignaciones de los puntos de datos
entre los algoritmos K-Means y GMM, se utilizó una tabla de contingencia (tabla de frecuencias
cruzadas). Esta tabla resume en forma matricial el número de observaciones en cada combinación
de clústeres de ambos métodos. La Tabla 5 muestra la matriz de contingencia.
La Tabla 2 muestra perfiles de clusters bien definidos: el Clúster 2, por ejemplo,
representa procesos de muy alto monto con baja competencia, lo cual podría ser un indicador de
riesgo de ineficiencia o incluso colusión. Por otro lado, el Clúster 0 representa procesos medianos
con buena competencia, que podrían ser considerados "saludables".
Resultados de GMM sobre FA
El modelo Gaussian Mixture Models (GMM), al ser aplicado sobre los componentes del
Análisis Factorial, identificó subgrupos más finos dentro de los clústeres creados por K-Means,
revelando patrones anidados pero con una lógica probabilística más flexible. Los principales
hallazgos fueron:
● Clústeres similares en cuanto a procesos directos (pocos oferentes y sin consultas) y
procesos comunes (bajo monto y buena frecuencia).
● Un clúster adicional con más de 100 oferentes, montos elevados y valoración alta,
posiblemente asociado a licitaciones masivas nacionales o internacionales.
Tabla 4
Características de los clústeres identificados por GMM
Clust
er
Monto
promedio
Nº
Oferentes
Duración del
contrato Valoración Comentario general
0 $188K 5.5 202 días 2.09 Contratos medianos y relativamente
comunes
1 $29K 3.8 91 días 1.66 Contratos pequeños
2 $3.87M 117 377 días 3.23 Procesos masivos con altísima
competencia
3 $38K 1.6 124 días 1.61 Procesos directos, baja participación
4 $795K 11.3 568 días 2.17 Contratos grandes con buena
competencia
La Tabla 4 complementa la información de K-Means, ofreciendo una perspectiva más
granular. El Clúster 2 de GMM, por ejemplo, es particularmente interesante, pues identifica
procesos de muy alto monto con una competencia excepcionalmente alta, sugiriendo un perfil de
licitaciones de gran envergadura y visibilidad.
Análisis de tabla de contingencia para agrupamientos de K-means y GMM
Para evaluar la consistencia y las diferencias en las asignaciones de los puntos de datos
entre los algoritmos K-Means y GMM, se utilizó una tabla de contingencia (tabla de frecuencias
cruzadas). Esta tabla resume en forma matricial el número de observaciones en cada combinación
de clústeres de ambos métodos. La Tabla 5 muestra la matriz de contingencia.
Vol. 12/ Núm. 4 2025 pág. 18
Tabla 5
Correlación Cruzada
GMM sobre FA 0 1 2 3 4
Kmeans sobre FA
0 28600 13896 431 1850 1877
1 2572 80669 23 297 208
2 0 0 161 0 0
3 0 97 90 83078 252
4 2238 0 217 951 6581
Consistencia entre clústeres
Con el objetivo de evaluar la estabilidad y coherencia de los agrupamientos generados,
se realizó una comparación cruzada entre los resultados obtenidos mediante los algoritmos
K-Means y Gaussian Mixture Models (GMM). Esta comparación permite identificar qué
clústeres han sido reconocidos consistentemente por ambos métodos, lo cual puede
interpretarse como evidencia de estructuras subyacentes reales en los datos. A
continuación, se detallan los principales emparejamientos entre clústeres de ambos
modelos y su interpretación:
● K-Means clúster 2 coincide con GMM clúster 2, con un total de 161 observaciones en
común; esto indica que ambos métodos identificaron un grupo claro y extremo
(probablemente procesos con montos muy altos y poca competencia).
● K-Means clúster 3 se alinea fuertemente con GMM clúster 3, con un total de 83,078
observaciones en común; esto indica que ambos modelos coinciden en identificar
procesos pequeños, directos o con baja participación.
● K-Means clúster 1 y GMM clúster 1 también están bastante alineados, con 80,669
observaciones coincidentes; refuerza que ese grupo representa procesos comunes,
pequeños, sin características extremas.
Divergencia y mezcla
Además de identificar coincidencias entre clústeres, es importante analizar los casos en
los que los algoritmos generan asignaciones divergentes. Esta divergencia puede evidenciar
diferencias en la sensibilidad de cada método para captar estructuras internas en los datos. En esta
sección se examinan los casos donde un clúster generado por K-Means se distribuye en varios
Tabla 5
Correlación Cruzada
GMM sobre FA 0 1 2 3 4
Kmeans sobre FA
0 28600 13896 431 1850 1877
1 2572 80669 23 297 208
2 0 0 161 0 0
3 0 97 90 83078 252
4 2238 0 217 951 6581
Consistencia entre clústeres
Con el objetivo de evaluar la estabilidad y coherencia de los agrupamientos generados,
se realizó una comparación cruzada entre los resultados obtenidos mediante los algoritmos
K-Means y Gaussian Mixture Models (GMM). Esta comparación permite identificar qué
clústeres han sido reconocidos consistentemente por ambos métodos, lo cual puede
interpretarse como evidencia de estructuras subyacentes reales en los datos. A
continuación, se detallan los principales emparejamientos entre clústeres de ambos
modelos y su interpretación:
● K-Means clúster 2 coincide con GMM clúster 2, con un total de 161 observaciones en
común; esto indica que ambos métodos identificaron un grupo claro y extremo
(probablemente procesos con montos muy altos y poca competencia).
● K-Means clúster 3 se alinea fuertemente con GMM clúster 3, con un total de 83,078
observaciones en común; esto indica que ambos modelos coinciden en identificar
procesos pequeños, directos o con baja participación.
● K-Means clúster 1 y GMM clúster 1 también están bastante alineados, con 80,669
observaciones coincidentes; refuerza que ese grupo representa procesos comunes,
pequeños, sin características extremas.
Divergencia y mezcla
Además de identificar coincidencias entre clústeres, es importante analizar los casos en
los que los algoritmos generan asignaciones divergentes. Esta divergencia puede evidenciar
diferencias en la sensibilidad de cada método para captar estructuras internas en los datos. En esta
sección se examinan los casos donde un clúster generado por K-Means se distribuye en varios
Vol. 12/ Núm. 4 2025 pág. 19
clústeres de GMM, lo que sugiere una mayor capacidad del modelo de mezclas gaussianas para
capturar subgrupos más complejos o con mayor variabilidad interna..
● K-Means clúster 0 se distribuye entre GMM 0, 1, 3 y 4. Esto indica que GMM subdivide
más este grupo, es decir, que percibe subestructuras internas que K-Means no distingue.
● K-Means clúster 4 también está disperso, en especial en GMM 4 y 0, esto indica que
GMM parece detectar variabilidad interna en los contratos institucionales o de gran
escala.
La Tabla 5 de contingencia revela una coincidencia significativa entre los clústeres 1 y
3 de ambos métodos, mientras que en otros casos como el clúster 0 de K-Means, los elementos se
reparten entre varios clústeres de GMM, lo que evidencia una segmentación más refinada por
parte del modelo de mezclas gaussianas.
La divergencia en la asignación de algunos clústeres puede atribuirse a la diferencia de
supuestos: K-Means segmenta en función de la distancia euclidiana al centroide, mientras que
GMM modela distribuciones probabilísticas, permitiendo clústeres de formas elípticas y con
diferente varianza. Esta flexibilidad podría explicar la capacidad de GMM para capturar mejor
ciertas estructuras latentes del conjunto
Dendrograma Jerárquico por aplicación de cluster Jerárquico
El dendrograma es una representación gráfica de la estructura jerárquica de los datos,
derivada del análisis de clustering jerárquico. Su interpretación se basa en los siguientes
componentes:
● Hojas: Los puntos inferiores del dendrograma, etiquetados con los índices de los puntos
de datos individuales (proyectos muestreados), representan cada instancia de dato
analizada.
● Ramas y Nodos: Las líneas verticales (ramas) conectan las hojas y se unen mediante
líneas horizontales en los nodos. Estas uniones ilustran cómo los clústeres más pequeños
se fusionan progresivamente para formar clústeres más grandes, revelando la jerarquía de
agrupamiento.
● Altura de las Líneas de Fusión (Distancia): La altura de cada línea horizontal en el eje
y, etiquetada como "Distancia", indica la disimilitud entre los dos clústeres que se
fusionaron en ese punto. Una gran distancia vertical entre puntos de fusión sugiere que
los clústeres combinados eran relativamente disímiles, mientras que una distancia
pequeña indica una alta similitud al momento de la fusión.
● Corte del Dendrograma (Determinación del Número de Clústeres): Para obtener un
número específico de clústeres, se puede conceptualmente "cortar" el dendrograma a una
cierta altura en el eje de distancia. Todas las ramas conectadas por debajo de esta línea de
corte pertenecen al mismo clúster. Alternativamente, como se realizó en este estudio, se
clústeres de GMM, lo que sugiere una mayor capacidad del modelo de mezclas gaussianas para
capturar subgrupos más complejos o con mayor variabilidad interna..
● K-Means clúster 0 se distribuye entre GMM 0, 1, 3 y 4. Esto indica que GMM subdivide
más este grupo, es decir, que percibe subestructuras internas que K-Means no distingue.
● K-Means clúster 4 también está disperso, en especial en GMM 4 y 0, esto indica que
GMM parece detectar variabilidad interna en los contratos institucionales o de gran
escala.
La Tabla 5 de contingencia revela una coincidencia significativa entre los clústeres 1 y
3 de ambos métodos, mientras que en otros casos como el clúster 0 de K-Means, los elementos se
reparten entre varios clústeres de GMM, lo que evidencia una segmentación más refinada por
parte del modelo de mezclas gaussianas.
La divergencia en la asignación de algunos clústeres puede atribuirse a la diferencia de
supuestos: K-Means segmenta en función de la distancia euclidiana al centroide, mientras que
GMM modela distribuciones probabilísticas, permitiendo clústeres de formas elípticas y con
diferente varianza. Esta flexibilidad podría explicar la capacidad de GMM para capturar mejor
ciertas estructuras latentes del conjunto
Dendrograma Jerárquico por aplicación de cluster Jerárquico
El dendrograma es una representación gráfica de la estructura jerárquica de los datos,
derivada del análisis de clustering jerárquico. Su interpretación se basa en los siguientes
componentes:
● Hojas: Los puntos inferiores del dendrograma, etiquetados con los índices de los puntos
de datos individuales (proyectos muestreados), representan cada instancia de dato
analizada.
● Ramas y Nodos: Las líneas verticales (ramas) conectan las hojas y se unen mediante
líneas horizontales en los nodos. Estas uniones ilustran cómo los clústeres más pequeños
se fusionan progresivamente para formar clústeres más grandes, revelando la jerarquía de
agrupamiento.
● Altura de las Líneas de Fusión (Distancia): La altura de cada línea horizontal en el eje
y, etiquetada como "Distancia", indica la disimilitud entre los dos clústeres que se
fusionaron en ese punto. Una gran distancia vertical entre puntos de fusión sugiere que
los clústeres combinados eran relativamente disímiles, mientras que una distancia
pequeña indica una alta similitud al momento de la fusión.
● Corte del Dendrograma (Determinación del Número de Clústeres): Para obtener un
número específico de clústeres, se puede conceptualmente "cortar" el dendrograma a una
cierta altura en el eje de distancia. Todas las ramas conectadas por debajo de esta línea de
corte pertenecen al mismo clúster. Alternativamente, como se realizó en este estudio, se
Vol. 12/ Núm. 4 2025 pág. 20
puede especificar el número deseado de clústeres y una función como fcluster determina
automáticamente la altura de corte necesaria para producir ese número de agrupaciones.
● Umbral de Color: El parámetro color_threshold utilizado en la generación del
dendrograma permite colorear de manera distinta las ramas por debajo de una distancia
específica. Esto facilita la visualización de posibles agrupaciones a un nivel de disimilitud
determinado, mientras que las ramas por encima de este umbral suelen mostrarse en un
color por defecto.
En el contexto de nuestro análisis, la altura de las fusiones en el dendrograma proporciona
información visual sobre la disimilitud entre los grupos que se combinan. Aunque un
dendrograma con muchos puntos de datos puede parecer complejo, el análisis de las ramas
principales y las alturas de fusión ofrece insights sobre la estructura jerárquica de los datos y
ayuda a validar el número de clústeres seleccionados para análisis posteriores. Los colores
distintos por debajo del umbral de color resaltan las agrupaciones potenciales a un nivel de
distancia específico.
Figura 8
Cluster Jerárquico
Para explorar la estructura latente de los procesos contractuales, se aplicó un clustering
jerárquico aglomerativo utilizando el método de enlace de Ward, sobre una muestra representativa
de 10.000 registros. Esta técnica permite construir un árbol de decisiones (dendrograma) que
revela las similitudes entre observaciones sin requerir un número de clústeres predefinido.
El dendrograma obtenido muestra la progresiva fusión de observaciones en
conglomerados, basándose en la distancia euclidiana multivariada entre registros estandarizados.
La visualización truncada en las últimas 30 uniones permite observar con claridad la
conformación de varios agrupamientos bien diferenciados.
Se identificaron al menos cinco agrupaciones principales con alturas de fusión
significativamente distintas, lo cual sugiere estructura de agrupamiento robusta y heterogénea
dentro del conjunto de datos. La existencia de ramas con más de 1.000 observaciones contrastadas
con otras de menor densidad (<100 elementos) evidencia la diversidad en patrones contractuales,
puede especificar el número deseado de clústeres y una función como fcluster determina
automáticamente la altura de corte necesaria para producir ese número de agrupaciones.
● Umbral de Color: El parámetro color_threshold utilizado en la generación del
dendrograma permite colorear de manera distinta las ramas por debajo de una distancia
específica. Esto facilita la visualización de posibles agrupaciones a un nivel de disimilitud
determinado, mientras que las ramas por encima de este umbral suelen mostrarse en un
color por defecto.
En el contexto de nuestro análisis, la altura de las fusiones en el dendrograma proporciona
información visual sobre la disimilitud entre los grupos que se combinan. Aunque un
dendrograma con muchos puntos de datos puede parecer complejo, el análisis de las ramas
principales y las alturas de fusión ofrece insights sobre la estructura jerárquica de los datos y
ayuda a validar el número de clústeres seleccionados para análisis posteriores. Los colores
distintos por debajo del umbral de color resaltan las agrupaciones potenciales a un nivel de
distancia específico.
Figura 8
Cluster Jerárquico
Para explorar la estructura latente de los procesos contractuales, se aplicó un clustering
jerárquico aglomerativo utilizando el método de enlace de Ward, sobre una muestra representativa
de 10.000 registros. Esta técnica permite construir un árbol de decisiones (dendrograma) que
revela las similitudes entre observaciones sin requerir un número de clústeres predefinido.
El dendrograma obtenido muestra la progresiva fusión de observaciones en
conglomerados, basándose en la distancia euclidiana multivariada entre registros estandarizados.
La visualización truncada en las últimas 30 uniones permite observar con claridad la
conformación de varios agrupamientos bien diferenciados.
Se identificaron al menos cinco agrupaciones principales con alturas de fusión
significativamente distintas, lo cual sugiere estructura de agrupamiento robusta y heterogénea
dentro del conjunto de datos. La existencia de ramas con más de 1.000 observaciones contrastadas
con otras de menor densidad (<100 elementos) evidencia la diversidad en patrones contractuales,
Vol. 12/ Núm. 4 2025 pág. 21
posiblemente asociados a diferencias en montos, duración, número de oferentes y tiempos de
ejecución.
Esta representación es particularmente útil para interpretar la jerarquía de relaciones entre
procesos, ya que uniones a mayor altura indican disimilitud marcada entre clusters, mientras que
las uniones a menor distancia reflejan alta similitud interna. Como complemento, se calculó el
índice de Silhouette, obteniendo un valor promedio de 0.30, lo que indica una estructura de
clusters moderadamente definida y coherente con las observaciones visuales.
A diferencia de métodos como K-Means o GMM, el enfoque jerárquico no requiere
supuestos sobre la forma de los grupos ni parámetros iniciales, y proporciona una herramienta
valiosa para determinar el número óptimo de clusters en estudios exploratorios. Su aplicación
permite sustentar decisiones posteriores sobre segmentación, análisis comparativo o definición de
perfiles de riesgo en los procesos de contratación pública.
DISCUSIÓN
Los resultados de este estudio demuestran la viabilidad y el valor de aplicar técnicas de
Big Data y aprendizaje no supervisado para analizar los datos de contratación pública del
SERCOP, a pesar de sus deficiencias en calidad y completitud. La baja correlación inicial entre
las variables, como se mostró en la Tabla 1, subraya la insuficiencia de métodos tradicionales y
la necesidad de enfoques más complejos como el clustering y la reducción de dimensionalidad
para descubrir patrones ocultos.
La caracterización de los clústeres obtenidos mediante K-Means (sección 2.1)
proporciona una segmentación granular de los procesos de contratación. Por ejemplo, el Clúster
5, que agrupa procesos de presupuesto medio-alto con valor descriptivo bajo y tiempos de firma
rápidos, podría indicar una gestión eficiente, pero también levanta una bandera roja sobre la
posible falta de transparencia o detalle en la documentación. En contraste, el Clúster 7
(presupuesto medio-alto, firma de contrato muy alta) o el Clúster 6 (duración de proceso
anormalmente larga) sugieren cuellos de botella burocráticos o la presencia de problemas legales
subyacentes, lo cual requiere una fiscalización más profunda. Estas observaciones, respaldadas
por las Figuras 3, 4, 5 y 6, ofrecen insights accionables para las autoridades de control.
La integración del Análisis Factorial (AF) con K-Means y GMM (secciones 3 y 4) no
solo redujo la complejidad de los datos, sino que mejoró la interpretabilidad de los clústeres. Las
Tablas 2 y 3 detallan cómo cada método reveló perfiles distintos de procesos: desde contratos
"saludables" con buena competencia hasta procesos de alto monto con poca participación, lo cual
podría indicar ineficiencia o, en el peor de los casos, colusión. La capacidad de GMM para
identificar subgrupos con alta competencia en procesos masivos (Clúster 2 de GMM en Tabla 3)
enriquece la comprensión, destacando la existencia de licitaciones de gran envergadura y
visibilidad.
posiblemente asociados a diferencias en montos, duración, número de oferentes y tiempos de
ejecución.
Esta representación es particularmente útil para interpretar la jerarquía de relaciones entre
procesos, ya que uniones a mayor altura indican disimilitud marcada entre clusters, mientras que
las uniones a menor distancia reflejan alta similitud interna. Como complemento, se calculó el
índice de Silhouette, obteniendo un valor promedio de 0.30, lo que indica una estructura de
clusters moderadamente definida y coherente con las observaciones visuales.
A diferencia de métodos como K-Means o GMM, el enfoque jerárquico no requiere
supuestos sobre la forma de los grupos ni parámetros iniciales, y proporciona una herramienta
valiosa para determinar el número óptimo de clusters en estudios exploratorios. Su aplicación
permite sustentar decisiones posteriores sobre segmentación, análisis comparativo o definición de
perfiles de riesgo en los procesos de contratación pública.
DISCUSIÓN
Los resultados de este estudio demuestran la viabilidad y el valor de aplicar técnicas de
Big Data y aprendizaje no supervisado para analizar los datos de contratación pública del
SERCOP, a pesar de sus deficiencias en calidad y completitud. La baja correlación inicial entre
las variables, como se mostró en la Tabla 1, subraya la insuficiencia de métodos tradicionales y
la necesidad de enfoques más complejos como el clustering y la reducción de dimensionalidad
para descubrir patrones ocultos.
La caracterización de los clústeres obtenidos mediante K-Means (sección 2.1)
proporciona una segmentación granular de los procesos de contratación. Por ejemplo, el Clúster
5, que agrupa procesos de presupuesto medio-alto con valor descriptivo bajo y tiempos de firma
rápidos, podría indicar una gestión eficiente, pero también levanta una bandera roja sobre la
posible falta de transparencia o detalle en la documentación. En contraste, el Clúster 7
(presupuesto medio-alto, firma de contrato muy alta) o el Clúster 6 (duración de proceso
anormalmente larga) sugieren cuellos de botella burocráticos o la presencia de problemas legales
subyacentes, lo cual requiere una fiscalización más profunda. Estas observaciones, respaldadas
por las Figuras 3, 4, 5 y 6, ofrecen insights accionables para las autoridades de control.
La integración del Análisis Factorial (AF) con K-Means y GMM (secciones 3 y 4) no
solo redujo la complejidad de los datos, sino que mejoró la interpretabilidad de los clústeres. Las
Tablas 2 y 3 detallan cómo cada método reveló perfiles distintos de procesos: desde contratos
"saludables" con buena competencia hasta procesos de alto monto con poca participación, lo cual
podría indicar ineficiencia o, en el peor de los casos, colusión. La capacidad de GMM para
identificar subgrupos con alta competencia en procesos masivos (Clúster 2 de GMM en Tabla 3)
enriquece la comprensión, destacando la existencia de licitaciones de gran envergadura y
visibilidad.
Vol. 12/ Núm. 4 2025 pág. 22
La tabla de contingencia (sección 5, Tabla 4) fue crucial para validar la coherencia y
las diferencias entre los agrupamientos de K-Means y GMM. Las coincidencias significativas en
clústeres extremos (ej., K-Means clúster 2 con GMM clúster 2, o K-Means clúster 3 con GMM
clúster 3) refuerzan la robustez de estos hallazgos. Por otro lado, la dispersión de algunos clústeres
de K-Means en varios de GMM (ej., K-Means clúster 0 distribuido en GMM 0, 1, 3 y 4) subraya
la mayor flexibilidad y capacidad de GMM para capturar estructuras latentes más complejas y
sutiles en los datos. Esto demuestra que, si bien K-Means es útil para una segmentación inicial
clara, GMM ofrece una visión más rica y matizada de los patrones en los datos. El dendrograma
jerárquico (Figura 8) complementa este análisis al ofrecer una perspectiva visual de las
similitudes y disimilitudes, ayudando a justificar la selección de clústeres y a comprender las
relaciones jerárquicas entre los diferentes tipos de procesos de contratación.
En síntesis, este estudio no solo aborda la problemática de la baja calidad de los datos
abiertos del SERCOP, sino que también demuestra cómo, a través de una metodología rigurosa
basada en Big Data y aprendizaje no supervisado, es posible extraer conocimiento valioso. Los
perfiles de clústeres identificados, desde procesos eficientes hasta aquellos con indicadores de
posible ineficiencia o riesgo, son un testimonio del potencial de estas herramientas para
transformar grandes volúmenes de datos brutos en inteligencia estratégica para la gestión pública.
Estos hallazgos sientan las bases para el desarrollo futuro de sistemas de monitoreo y alerta
temprana que contribuyan a la transparencia y la eficiencia en la contratación pública ecuatoriana.
CONCLUSIONES
Esta investigación demostró la aplicabilidad y utilidad de técnicas de análisis no
supervisado en el contexto de los datos abiertos de contratación pública del Ecuador (SERCOP,
2015–2025). Inicialmente, se exploraron técnicas normales de regresión, pero no fue posible
obtener correlaciones significativas debido a la naturaleza dispersa y no curada de los datos. Por
esta razón, se optó por un enfoque metodológico basado en el paradigma de Big Data, integrando
procesos de preprocesamiento, reducción de dimensionalidad y segmentación automática (Pita,
2021). Esto permitió estructurar y analizar una base de datos de gran volumen, logrando así
identificar patrones y obtener insights relevantes que no fueron posibles con los métodos
tradicionales de regresión.
El Análisis Factorial (FA) permitió transformar el conjunto de variables con
correlaciones mínimas en representaciones latentes más manejables, capturando la varianza del
sistema sin sacrificar información clave. Esta reducción dimensional fue crucial para facilitar la
posterior aplicación de algoritmos de agrupamiento como K-Means, Gaussian Mixture Models
(GMM) y clustering jerárquico, los cuales, en conjunto, ofrecieron una visión integral y
multiescala de la estructura interna de los datos.
La tabla de contingencia (sección 5, Tabla 4) fue crucial para validar la coherencia y
las diferencias entre los agrupamientos de K-Means y GMM. Las coincidencias significativas en
clústeres extremos (ej., K-Means clúster 2 con GMM clúster 2, o K-Means clúster 3 con GMM
clúster 3) refuerzan la robustez de estos hallazgos. Por otro lado, la dispersión de algunos clústeres
de K-Means en varios de GMM (ej., K-Means clúster 0 distribuido en GMM 0, 1, 3 y 4) subraya
la mayor flexibilidad y capacidad de GMM para capturar estructuras latentes más complejas y
sutiles en los datos. Esto demuestra que, si bien K-Means es útil para una segmentación inicial
clara, GMM ofrece una visión más rica y matizada de los patrones en los datos. El dendrograma
jerárquico (Figura 8) complementa este análisis al ofrecer una perspectiva visual de las
similitudes y disimilitudes, ayudando a justificar la selección de clústeres y a comprender las
relaciones jerárquicas entre los diferentes tipos de procesos de contratación.
En síntesis, este estudio no solo aborda la problemática de la baja calidad de los datos
abiertos del SERCOP, sino que también demuestra cómo, a través de una metodología rigurosa
basada en Big Data y aprendizaje no supervisado, es posible extraer conocimiento valioso. Los
perfiles de clústeres identificados, desde procesos eficientes hasta aquellos con indicadores de
posible ineficiencia o riesgo, son un testimonio del potencial de estas herramientas para
transformar grandes volúmenes de datos brutos en inteligencia estratégica para la gestión pública.
Estos hallazgos sientan las bases para el desarrollo futuro de sistemas de monitoreo y alerta
temprana que contribuyan a la transparencia y la eficiencia en la contratación pública ecuatoriana.
CONCLUSIONES
Esta investigación demostró la aplicabilidad y utilidad de técnicas de análisis no
supervisado en el contexto de los datos abiertos de contratación pública del Ecuador (SERCOP,
2015–2025). Inicialmente, se exploraron técnicas normales de regresión, pero no fue posible
obtener correlaciones significativas debido a la naturaleza dispersa y no curada de los datos. Por
esta razón, se optó por un enfoque metodológico basado en el paradigma de Big Data, integrando
procesos de preprocesamiento, reducción de dimensionalidad y segmentación automática (Pita,
2021). Esto permitió estructurar y analizar una base de datos de gran volumen, logrando así
identificar patrones y obtener insights relevantes que no fueron posibles con los métodos
tradicionales de regresión.
El Análisis Factorial (FA) permitió transformar el conjunto de variables con
correlaciones mínimas en representaciones latentes más manejables, capturando la varianza del
sistema sin sacrificar información clave. Esta reducción dimensional fue crucial para facilitar la
posterior aplicación de algoritmos de agrupamiento como K-Means, Gaussian Mixture Models
(GMM) y clustering jerárquico, los cuales, en conjunto, ofrecieron una visión integral y
multiescala de la estructura interna de los datos.
Vol. 12/ Núm. 4 2025 pág. 23
El algoritmo K-Means generó agrupaciones compactas y bien diferenciadas, útiles para
establecer tipologías claras de procesos contractuales. En cambio, GMM reveló estructuras más
complejas y superpuestas, capaces de identificar subgrupos no capturados por métodos basados
únicamente en distancia euclidiana. Por su parte, el clustering jerárquico permitió analizar la
similitud entre procesos desde una perspectiva evolutiva, sin necesidad de predefinir el número
de grupos, lo que aportó profundidad al análisis exploratorio.
Entre los hallazgos más relevantes se identificaron clusteres asociados a:
● Contratos masivos con alto índice de participación,
● Procesos aparentemente direccionados con un solo oferente y sin consultas,
● Contratos de largo plazo, cuya información es ambigua o no justifica la duración.
● Procesos estándar de bajo monto, con diferentes características que promueven su rápida
ejecución.
La tabla de contingencia entre K-Means y GMM fue fundamental para evaluar la
coherencia entre los modelos, revelando una alta concordancia en clústeres extremos y
divergencia en zonas más heterogéneas. Este hallazgo refuerza la validez del enfoque aplicado y
subraya la riqueza estructural del conjunto de datos.
En resumen, este trabajo resalta cómo las técnicas de aprendizaje no supervisado, integradas en
un flujo analítico estructurado, pueden ofrecer un valor significativo en contextos
gubernamentales con datos voluminosos y heterogéneos. La combinación de reducción de
dimensionalidad, agrupamiento y validación cruzada transforma datos administrativos en
conocimiento útil, replicable y escalable para la eficiencia, transparencia y fiscalización
inteligente en el sector público.
Recomendaciones
A partir de los hallazgos de este estudio, que evidencian la deficiencia de la calidad de
los datos abiertos del SERCOP y su impacto en la capacidad de detectar riesgos (como los
clústeres de procesos prolongados o con descripciones ambiguas), se plantean las siguientes
recomendaciones con un enfoque en su implementación práctica en el contexto del Sistema
Nacional de Contratación Pública:
Mejora de la Calidad y Completitud de los Datos Publicados
○ Acción Propuesta: El SERCOP debe liderar un proyecto de mejora continua de la calidad
de datos, enfocándose en la estandarización y obligatoriedad de registro de campos
clave y la inclusión de metadatos esenciales.
Plan de Implementación
■ Corto Plazo (6-12 meses): Revisión y actualización de los formularios de carga de
información en el Sistema Oficial de Contratación del Estado (SOCE) para hacer
obligatorios campos críticos como "unidad de medida", "cantidad", "justificación de
la duración del contrato para contratos de largo plazo" y "categorías de
El algoritmo K-Means generó agrupaciones compactas y bien diferenciadas, útiles para
establecer tipologías claras de procesos contractuales. En cambio, GMM reveló estructuras más
complejas y superpuestas, capaces de identificar subgrupos no capturados por métodos basados
únicamente en distancia euclidiana. Por su parte, el clustering jerárquico permitió analizar la
similitud entre procesos desde una perspectiva evolutiva, sin necesidad de predefinir el número
de grupos, lo que aportó profundidad al análisis exploratorio.
Entre los hallazgos más relevantes se identificaron clusteres asociados a:
● Contratos masivos con alto índice de participación,
● Procesos aparentemente direccionados con un solo oferente y sin consultas,
● Contratos de largo plazo, cuya información es ambigua o no justifica la duración.
● Procesos estándar de bajo monto, con diferentes características que promueven su rápida
ejecución.
La tabla de contingencia entre K-Means y GMM fue fundamental para evaluar la
coherencia entre los modelos, revelando una alta concordancia en clústeres extremos y
divergencia en zonas más heterogéneas. Este hallazgo refuerza la validez del enfoque aplicado y
subraya la riqueza estructural del conjunto de datos.
En resumen, este trabajo resalta cómo las técnicas de aprendizaje no supervisado, integradas en
un flujo analítico estructurado, pueden ofrecer un valor significativo en contextos
gubernamentales con datos voluminosos y heterogéneos. La combinación de reducción de
dimensionalidad, agrupamiento y validación cruzada transforma datos administrativos en
conocimiento útil, replicable y escalable para la eficiencia, transparencia y fiscalización
inteligente en el sector público.
Recomendaciones
A partir de los hallazgos de este estudio, que evidencian la deficiencia de la calidad de
los datos abiertos del SERCOP y su impacto en la capacidad de detectar riesgos (como los
clústeres de procesos prolongados o con descripciones ambiguas), se plantean las siguientes
recomendaciones con un enfoque en su implementación práctica en el contexto del Sistema
Nacional de Contratación Pública:
Mejora de la Calidad y Completitud de los Datos Publicados
○ Acción Propuesta: El SERCOP debe liderar un proyecto de mejora continua de la calidad
de datos, enfocándose en la estandarización y obligatoriedad de registro de campos
clave y la inclusión de metadatos esenciales.
Plan de Implementación
■ Corto Plazo (6-12 meses): Revisión y actualización de los formularios de carga de
información en el Sistema Oficial de Contratación del Estado (SOCE) para hacer
obligatorios campos críticos como "unidad de medida", "cantidad", "justificación de
la duración del contrato para contratos de largo plazo" y "categorías de
Vol. 12/ Núm. 4 2025 pág. 24
bienes/servicios más específicas". Implementar validaciones de datos en tiempo real
en la plataforma para prevenir la carga de valores nulos o inconsistentes en estas
variables.
■ Mediano Plazo (1-2 años): Desarrollo de un módulo de metadatos dentro del
portal de datos abiertos que proporcione información sobre la frescura de los datos
(fechas de actualización), porcentaje de valores nulos por campo y alertas sobre
outliers detectados automáticamente.
■ Ejemplo Concreto (vinculado a tus clústeres): Para clústeres identificados con
"contratos de largo plazo cuya información es ambigua o no justifica la
duración", la obligatoriedad de un campo de justificación detallada permitiría a
futuros análisis discriminar entre procesos legítimamente extensos y aquellos que
podrían ocultar ineficiencias o riesgos, facilitando la labor de la Contraloría General
del Estado al proveer datos más claros para su fiscalización
Para facilitar el acceso y la reutilización de la información, se sugiere consolidar la API
oficial para que proporcione datasets limpios y actualizados, con estructuras homogéneas a lo
largo del tiempo, así como promover la interoperabilidad con otras bases de datos públicas
relevantes. Estas acciones permitirán que futuros estudios se realicen con mayor precisión y sin
pérdidas significativas de registros durante la etapa de preparación de datos.
Impacto Social y Económico Esperado: La implementación de estas acciones derivadas de
estudios de esta índole no solo reducirá las ineficiencias y los riesgos de corrupción en la
contratación pública, liberando recursos que pueden ser destinados a mejorar servicios esenciales
como salud, educación e infraestructura (impacto social), sino que también fomentará un
ambiente de competencia justa y transparente que atraerá inversión y promoverá el crecimiento
de empresas honestas en el país (impacto económico). Una gestión pública más transparente y
eficiente, respaldada por datos de calidad y herramientas analíticas, fortalecerá la confianza
ciudadana en las instituciones y contribuirá al desarrollo sostenible de Ecuador."
bienes/servicios más específicas". Implementar validaciones de datos en tiempo real
en la plataforma para prevenir la carga de valores nulos o inconsistentes en estas
variables.
■ Mediano Plazo (1-2 años): Desarrollo de un módulo de metadatos dentro del
portal de datos abiertos que proporcione información sobre la frescura de los datos
(fechas de actualización), porcentaje de valores nulos por campo y alertas sobre
outliers detectados automáticamente.
■ Ejemplo Concreto (vinculado a tus clústeres): Para clústeres identificados con
"contratos de largo plazo cuya información es ambigua o no justifica la
duración", la obligatoriedad de un campo de justificación detallada permitiría a
futuros análisis discriminar entre procesos legítimamente extensos y aquellos que
podrían ocultar ineficiencias o riesgos, facilitando la labor de la Contraloría General
del Estado al proveer datos más claros para su fiscalización
Para facilitar el acceso y la reutilización de la información, se sugiere consolidar la API
oficial para que proporcione datasets limpios y actualizados, con estructuras homogéneas a lo
largo del tiempo, así como promover la interoperabilidad con otras bases de datos públicas
relevantes. Estas acciones permitirán que futuros estudios se realicen con mayor precisión y sin
pérdidas significativas de registros durante la etapa de preparación de datos.
Impacto Social y Económico Esperado: La implementación de estas acciones derivadas de
estudios de esta índole no solo reducirá las ineficiencias y los riesgos de corrupción en la
contratación pública, liberando recursos que pueden ser destinados a mejorar servicios esenciales
como salud, educación e infraestructura (impacto social), sino que también fomentará un
ambiente de competencia justa y transparente que atraerá inversión y promoverá el crecimiento
de empresas honestas en el país (impacto económico). Una gestión pública más transparente y
eficiente, respaldada por datos de calidad y herramientas analíticas, fortalecerá la confianza
ciudadana en las instituciones y contribuirá al desarrollo sostenible de Ecuador."
Vol. 12/ Núm. 4 2025 pág. 25
REFERENCIAS
Banco Mundial. (s. f.). Proyectos y programas de adquisiciones.
https://www.worldbank.org/en/programs/project-procurement
Barrera Borbor, K. J. (2021). Análisis del Sistema Nacional de Contratación del Estado (SOCE)
actual y posibles alternativas para el mejoramiento de la compra pública [Tesis de
maestría, UCSG]. http://repositorio.ucsg.edu.ec/handle/3317/16850
Benavides, J. L., M’Causland Sánchez, M. C., Flórez Salazar, C., & Roca, M. E. (2016). Las
compras públicas en América Latina y el Caribe y en los proyectos financiados por el
BID: Un estudio normativo comparado. Banco Interamericano de Desarrollo.
García, M., Rodríguez, V., Ballesteros, P., Love, P. E. D., & Signor, R. (2022). Collusion
detection in public procurement auctions with machine learning algorithms. Automation
in Construction, 133, 104047. https://riunet.upv.es/entities/publication/ffa52850-ffa8-
4995-b71b-df93befdb105
González, J. (2014). La duración de los procedimientos de licitación pública en Ecuador: Análisis
y propuestas para su mejora [Tesis de licenciatura, Universidad Pontificia Comillas].
https://repositorio.comillas.edu/xmlui/handle/11531/4873
Joković, S. (2022). Competition and integrity in public procurement (2.ª ed.). Notion Press.
Molina, M., Acaro, X., Molina, M., Quinoñez, M., Alvarez, G., & Fernandez, J. (2023).
Application of explainable artificial intelligence to analyze basic features of a tender. En
Proceedings of the International Conference on Electrical, Computer, Communications
and Mechatronics Engineering (ICECCME 2023) (pp. 1-6). IEEE.
https://doi.org/10.1109/ICECCME57830.2023.10253063
Nai, R., Meo, R., Morina, G., & Pasteris, P. (2023). Public tenders, complaints, machine learning
and recommender systems: A case study in public administration. Computer Law &
Security Review, 51, 105887. https://doi.org/10.1016/j.clsr.2023.105887
Pita, C. (2021). Proyecto de sistema de recomendación de filtrado colaborativo basado en machine
learning. Revista PGI, 8, 48-51.
https://ojs.umsa.bo/ojs/index.php/inf_fcpn_pgi/article/view/46
Red Interamericana de Compras Gubernamentales. (2021, 9 de diciembre). Guía para la
identificación de riesgos de corrupción en contratación pública, utilizando la ciencia de
datos. Organización de los Estados Americanos; Banco de Desarrollo de América Latina.
https://ricg.org/es/publicaciones/lanzamiento-guia-para-la-identificacion-de-riesgos-de-
corrupcion-en-contratacion-publica-utilizando-ciencia-de-datos/
REFERENCIAS
Banco Mundial. (s. f.). Proyectos y programas de adquisiciones.
https://www.worldbank.org/en/programs/project-procurement
Barrera Borbor, K. J. (2021). Análisis del Sistema Nacional de Contratación del Estado (SOCE)
actual y posibles alternativas para el mejoramiento de la compra pública [Tesis de
maestría, UCSG]. http://repositorio.ucsg.edu.ec/handle/3317/16850
Benavides, J. L., M’Causland Sánchez, M. C., Flórez Salazar, C., & Roca, M. E. (2016). Las
compras públicas en América Latina y el Caribe y en los proyectos financiados por el
BID: Un estudio normativo comparado. Banco Interamericano de Desarrollo.
García, M., Rodríguez, V., Ballesteros, P., Love, P. E. D., & Signor, R. (2022). Collusion
detection in public procurement auctions with machine learning algorithms. Automation
in Construction, 133, 104047. https://riunet.upv.es/entities/publication/ffa52850-ffa8-
4995-b71b-df93befdb105
González, J. (2014). La duración de los procedimientos de licitación pública en Ecuador: Análisis
y propuestas para su mejora [Tesis de licenciatura, Universidad Pontificia Comillas].
https://repositorio.comillas.edu/xmlui/handle/11531/4873
Joković, S. (2022). Competition and integrity in public procurement (2.ª ed.). Notion Press.
Molina, M., Acaro, X., Molina, M., Quinoñez, M., Alvarez, G., & Fernandez, J. (2023).
Application of explainable artificial intelligence to analyze basic features of a tender. En
Proceedings of the International Conference on Electrical, Computer, Communications
and Mechatronics Engineering (ICECCME 2023) (pp. 1-6). IEEE.
https://doi.org/10.1109/ICECCME57830.2023.10253063
Nai, R., Meo, R., Morina, G., & Pasteris, P. (2023). Public tenders, complaints, machine learning
and recommender systems: A case study in public administration. Computer Law &
Security Review, 51, 105887. https://doi.org/10.1016/j.clsr.2023.105887
Pita, C. (2021). Proyecto de sistema de recomendación de filtrado colaborativo basado en machine
learning. Revista PGI, 8, 48-51.
https://ojs.umsa.bo/ojs/index.php/inf_fcpn_pgi/article/view/46
Red Interamericana de Compras Gubernamentales. (2021, 9 de diciembre). Guía para la
identificación de riesgos de corrupción en contratación pública, utilizando la ciencia de
datos. Organización de los Estados Americanos; Banco de Desarrollo de América Latina.
https://ricg.org/es/publicaciones/lanzamiento-guia-para-la-identificacion-de-riesgos-de-
corrupcion-en-contratacion-publica-utilizando-ciencia-de-datos/