El Miércoles 12/08 se realizó la Defensa de Tesis de Vanina Beraudo titulada “Descubriendo patrones en el portal de compras públicas COMPR.AR: aplicación exitosa de técnicas de minería de datos”.  Contó con la dirección del Mg. Eduardo Poggi. Los jurados fueron el Dr. Ramiro Galvez, el Mg. Guillermo Henrión y el Dr. Esteban Feuerstein. La defensa puede verse a través del siguiente link: https://www.youtube.com/live/ezl7PfR-foE

Resumen:

Este trabajo estudia el sistema de contrataciones públicas de la República Argentina (COMPR.AR) durante el período 2016–2022. El objetivo central consiste en analizar este dominio desde múltiples perspectivas analíticas, utilizando el sistema de compras públicas como caso de estudio para la aplicación y evaluación de diversas metodologías de Minería de Datos y aprendizaje automático adquiridas durante la formación académica y la práctica profesional. A partir de la construcción de un dataset integrado compuesto por 69.686 procesos de compra en estados finales que resultados exitosos (adjudicados) o no exitosos (desiertos y dejados sin efecto), 10.076 proveedores que participaron en estos procesos de compra y 103.893 artículos, se llevó a cabo un proceso exhaustivo de preparación, limpieza y transformación de datos mediante técnicas de feature engineering. Sobre esta base se desarrollaron los principales ejes metodológicos del trabajo:

  • Detección de anomalías: se aplicaron técnicas de identificación de outliers multivariados —entre ellas distancia de Mahalanobis, Local Outlier Factor (LOF), Isolation Forest y uCBLOF— con el objetivo de detectar comportamientos atípicos en los procesos de compra.
  • Segmentación de perfiles: se utilizaron algoritmos de clustering (K-means, clustering jerárquico, K-modes y K-prototypes) para caracterizar la heterogeneidad de los proveedores del Estado, permitiendo distinguir distintos perfiles, desde grandes actores consolidados hasta proveedores especializados y pequeñas y medianas empresas.
  • Análisis de redes: mediante herramientas de Teoría de Grafos se modelaron las relaciones estructurales entre organismos, proveedores, procesos y artículos adquiridos, posibilitando la identificación de comunidades y la aplicación de técnicas de link prediction para anticipar potenciales vínculos comerciales futuros.
  • Modelado predictivo: se evaluaron modelos de clasificación basados en algoritmos de gradient boosting (CatBoost, XGBoost y LightGBM) para estimar el éxito de las contrataciones públicas, evidenciando que la incorporación de métricas topológicas derivadas del análisis de redes mejora significativamente el desempeño predictivo.

Los resultados obtenidos demuestran que la combinación de técnicas de minería de datos, aprendizaje automático y análisis de grafos permite revelar patrones de comportamiento no visibles mediante enfoques estadísticos tradicionales, aportando una perspectiva analítica integral para el estudio de sistemas complejos de compras públicas.