REVISTA
ODIGOS
rodigos@uisrael.edu.ec
• e-ISSN: 2697-3405
REVISTA ODIGOS
QUITO-ECUADOR
2025
83
Período febrero - mayo • 2025
Vol. 6, Núm. 1
Análisis de licitaciones públicas en Ecuador: aplicación de
técnicas de explicabilidad en modelos de aprendizaje automático
Analysis of Public Tenders in Ecuador: Application of Explainability
Techniques in Machine Learning Models
Fecha de recepción: 2024-12-09 • Fecha de aceptación: 2025-01-07 • Fecha de publicación: 2025-02-10
María Fernanda Molina Miranda
1
Universidad de Guayaquil, Facultad de Ciencias Matemáticas y Físicas, Ecuador
maria.molinam@ug.edu.ec
Universidad de Granada, España
molinamafer@correo.ugr.es
https://orcid.org/0000-0002-4237-4364
Ángel Cuenca Ortega
2
Universidad de Guayaquil, Facultad de Ciencias Matemáticas y Físicas, Ecuador
angel.cuencao@ug.edu.ec
https://orcid.org/0000-0001-7798-611X
Luis Espín Pazmiño
3
Universidad de Guayaquil, Facultad de Ciencias Matemáticas y Físicas, Ecuador
lespinp @ug.edu.ec
https://orcid.org/0000-0002-1663-2489
Miguel Molina Villacís
4
miguel.molinav@ug.edu.ec
Universidad de Guayaquil, Facultad de Ciencias Matemáticas y Físicas, Ecuador
https://orcid.org/0000-0002-7080-2354
https://doi.org/10.35290/ro.v6n1.2025.1497
REVISTA ODIGOS
QUITO-ECUADOR
2025
84
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
RESUMEN
Las licitaciones públicas permiten a las instituciones contratar bienes, obras y servicios esenciales
para el crecimiento del país. Este trabajo consistió en analizar los procesos de licitaciones públicas
en Ecuador mediante la aplicación de técnicas de aprendizaje automático y explicabilidad de
modelos, con el n de mejorar la toma de decisiones. Se recopiló y procesó un conjunto de datos
abiertos extraídos de la base de datos del SERCOP para identicar patrones y variables clave que
inuyeron en el éxito de las licitaciones. Utilizando modelos de clasicación como Random Forest,
AdaBoost y CatBoost, y técnicas de explicabilidad como SHAP y Feature Importance, se desarrollaron
modelos predictivos que permiten comprender de manera transparente las decisiones generadas por
los algoritmos. Los resultados mostraron que CatBoost fue el modelo con mayor precisión predictiva
y Feature Importance resultó ser la técnica más efectiva para explicar las predicciones. Además,
se procedió a crear una interfaz web que permitió ingresar los datos de entrada y determinar si es
recomendable que una empresa participe en una licitación. La inteligencia articial explicable no
solo mejora la precisión, sino que también proporciona información valiosa para que las empresas
optimicen su participación en estos procesos.
PALABRAS CLAVE: licitaciones, toma de decisiones, algoritmos, SHAP, feature importance
ABSTRACT
Public tenders allow institutions to contract goods, works, and services essential for the country’s
growth. This work consists of analyzing public tender processes in Ecuador through the application of
machine learning techniques and model explainability to improve decision-making. An open dataset
extracted from the SERCOP database was collected and processed to identify patterns and key
variables that inuence the success of tenders. Using classication models such as Random Forest,
AdaBoost, and CatBoost, along with explainability techniques like SHAP and Feature Importance,
predictive models were developed to transparently understand the decisions generated by the
algorithms. The results show that CatBoost was the model with the highest predictive accuracy,
and Feature Importance proved to be the most effective technique for explaining the predictions.
Furthermore, a web interface was created to input data and determine whether it is advisable for a
company to participate in a tender. Explainable articial intelligence not only improves accuracy but
also provides valuable insights for companies to optimize their participation in these processes.
KEYWORDS: tenders, decisión making, algorithms, SHAP, feature importance
REVISTA ODIGOS
QUITO-ECUADOR
2025
85
rodigos@uisrael.edu.ec
ANÁLISIS DE LICITACIONES PÚBLICAS EN ECUADOR: APLICACIÓN DE TÉCNICAS DE EXPLICABILIDAD EN
MODELOS DE APRENDIZAJE AUTOMÁTICO
Introducción
Las licitaciones públicas juegan un papel esencial en el desarrollo económico de los países,
ya que permiten a las instituciones acceder a los bienes, servicios y obras necesarias para su
funcionamiento. En Ecuador, este proceso constituye un mecanismo clave para fomentar la
competencia y garantizar la transparencia en la asignación de contratos. Sin embargo, a pesar de
la importancia de las licitaciones, muchas empresas enfrentan dicultades al decidir si participar
en estos procesos, debido a la falta de herramientas predictivas que les permitan evaluar sus
probabilidades de éxito. (Sisa Garcés, 2022)
Con el avance de la inteligencia articial y el aprendizaje automático, han surgido nuevas
oportunidades para analizar grandes volúmenes de datos y ofrecer modelos capaces de identicar
patrones y variables que inuyen en los resultados de las licitaciones. Este estudio buscó
aprovechar esas tecnologías integrando técnicas de explicabilidad de modelos para proporcionar
una visión clara y comprensible de las decisiones generadas por los algoritmos predictivos. En
particular, el uso de modelos explicables no solo mejora la precisión de las predicciones, sino
que también permite a las empresas tomar decisiones informadas sobre su participación en
licitaciones.
A través de la recopilación de datos abiertos del Servicio Nacional de Contratación Pública
(SERCOP), este trabajo presentó un análisis detallado del comportamiento de las licitaciones
públicas en Ecuador, desarrollando además una interfaz web que permitió a las empresas ingresar
sus datos y recibir recomendaciones sobre su participación. De esta forma, se buscó contribuir al
campo de la contratación pública mediante la creación de una herramienta que optimiza la toma de
decisiones estratégicas, brindando a las empresas una ventaja competitiva basada en datos.
1.1 Trabajos relacionados
En los últimos años, la inteligencia articial ha sido ampliamente adoptada en diferentes áreas
(Guida et al., 2023), y su rápido crecimiento en el uso de las técnicas de aprendizaje automático
está transformando los procesos de toma de decisiones, mejorando su eciencia a través del
análisis de grandes volúmenes de datos generados por estos mismos procesos (Salem et al., 2024;
Riyad y Laila, 2024).
En el ámbito de la contratación pública, estudios recientes han analizado conjuntos de datos
relacionados con procesos de licitación, entrenando modelos de aprendizaje automático para
identicar las características más inuyentes en la clasicación de propuestas (Nai et al., 2023). El
aprendizaje automático se ha consolidado como uno de los enfoques analíticos más importantes
para el análisis de datos y el reconocimiento de patrones (Arena et al., 2024). Aunque los
algoritmos suelen requerir grandes cantidades de información, las herramientas disponibles son
exibles incluso con cantidades limitadas de datos (García et al., 2022).
Además, autores como Rosales et al. (2024) destacaron que el análisis avanzado de datos no
solo permite una mejor interpretación y presentación de la información, sino que puede resolver
situaciones por sí solo a partir del análisis. Además, con la utilización de algoritmos de machine
REVISTA ODIGOS
QUITO-ECUADOR
2025
86
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
learning ya que estos requieren mucha información generando modelos de predicción (Rojas, 2020;
García et al., 2022).
Otra investigación relevante propuso un modelo inteligente para ayudar a los postores a aumentar
sus posibilidades de éxito, clasicando su elegibilidad mediante algoritmos como KNN, SVM y
Random Forest (Oussaleh y Azmani, 2023). Este enfoque es consistente con el uso de algoritmos
de clasicación como Árboles de Decisión, Regresión Logística y Random Forest, para predecir
la viabilidad de que las pequeñas y medianas empresas (PYMES) participen en compras públicas
(Molina et al., 2023).
La inteligencia articial explicable (XAI) desempeña un papel clave en este contexto, ya que
permite aclarar cómo los modelos de IA llegan a sus resultados, respondiendo a preguntas clave
sobre el proceso y ayudando a los usuarios a comprender, conar y mejorar la toma de decisiones.
Esto es fundamental en sectores como la contratación pública, donde la transparencia y la
conanza son esenciales (Gohel et al., 2021; Love et al, 2023).
Finalmente, los sistemas de recomendación basados en técnicas de Machine Learning también
se han destacado como herramientas ecaces para mejorar la precisión en las recomendaciones,
permitiendo a las empresas y organismos optimizar su alcance y servicios, y evaluando métricas
clave para asegurar el éxito de las técnicas aplicadas (Pita, 2021; Anwar y Siddiqui, 2020).
Metodología
En el presente trabajo investigativo se implementó la metodología investigativa cuantitativa y la
metodología CRISP-DM, la cual consta de las siguientes fases.
2.1 Comprensión del negocio
El proceso de licitación pública en Ecuador es fundamental para gestionar el uso de los recursos
públicos y la ejecución de proyectos que son benecios para la población ecuatoriana. El
propósito de esta investigación ha sido mejorar la toma de decisiones en un proceso licitatorio,
enfocándonos en los patrones para la selección de los ganadores. Se identicaron los factores que
inuyen en la adjudicación de los contratos para proporcionar herramientas y modelos explicativos
que ayuden a las empresas a tomar mejores decisiones sobre su participación de las licitaciones
públicas y así mejorar sus oportunidades. Además, se probaron modelos de inteligencia articial
explicable que nos indicaron qué factores son determinantes para la elección de un ganador
usando datos históricos de las licitaciones públicas que incluyó información detallada de cada
etapa de los procesos licitatorios.
2.2 Comprensión de los datos
Los datos con los que se trabajó en esta investigación fueron obtenidos de la plataforma de
Servicio Nacional de Contrataciones Públicas de datos abiertos de Ecuador. Los datos extraídos
abarcan entre los años 2022 a 2024 siendo un total de 2784 registros y 79 características donde se
REVISTA ODIGOS
QUITO-ECUADOR
2025
87
rodigos@uisrael.edu.ec
ANÁLISIS DE LICITACIONES PÚBLICAS EN ECUADOR: APLICACIÓN DE TÉCNICAS DE EXPLICABILIDAD EN
MODELOS DE APRENDIZAJE AUTOMÁTICO
pudo identicar que existen 57 atributos de tipo texto, 2 atributos de tipo numérico y 20 atributos
de tipo decimal.
La información descargada en formato xlsx está compuesta por 6 hojas. A continuación, se detalla
cada hoja:
• Releases: Información general del proceso de licitación.
• Planning: Detalles sobre la planicación de la licitación.
• Tender: Información detallada sobre la licitación, como métodos de adquisición y periodos.
• Awards: Detalles de las adjudicaciones.
• Award Suppliers: Información sobre los proveedores adjudicados.
• Contracts: Información sobre los contratos rmados.
Una vez extraído el conjunto de datos, agrupamos las hojas de Excel en un mismo DataFrame
mediante el identicador del procedimiento de contratación para tener una mejor comprensión de
los datos y una mejor vista de todas las etapas del proceso de licitación en un mismo conjunto de
datos. Posteriormente, se procedió a la recopilación manual de los presupuestos y la información
de los oferentes que participaron en las licitaciones tanto de aquellos que resultaron adjudicados
como los que no lograron la adjudicación.
La Figura 1 muestra el presupuesto que han ofertado las entidades contratantes en las licitaciones.
Se puede observar cómo se distribuyeron los presupuestos asignados en las licitaciones, en donde
la mayoría de las licitaciones se adjudicaron a proyectos que requierieron presupuestos bajos.
Figura 1
Presupuesto de las Empresas Contratantes.
REVISTA ODIGOS
QUITO-ECUADOR
2025
88
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
La Figura 2 indicó cómo existe un mayor número de licitaciones en la categoría de servicios, lo que
nos indica que es la categoría más solicitada en licitaciones.
Figura 2
Categorías de las Licitaciones.
La Figura 3 mostró el número de oferentes por licitación reejando que el número de licitaciones
disminuye a medida que aumenta el número de ofertantes, siendo menos comunes las licitaciones
con muchos ofertantes.
Figura 3
Ofertantes por Licitación.
2.3. Preparación de los datos
A partir de la exploración del conjunto de datos se evidenció que la mayoría de los atributos
son textuales, lo cual implica que no se pueden emplear directamente en el entrenamiento del
REVISTA ODIGOS
QUITO-ECUADOR
2025
89
rodigos@uisrael.edu.ec
ANÁLISIS DE LICITACIONES PÚBLICAS EN ECUADOR: APLICACIÓN DE TÉCNICAS DE EXPLICABILIDAD EN
MODELOS DE APRENDIZAJE AUTOMÁTICO
modelo. Esto se debe a que los algoritmos de aprendizaje automático requieren valores numéricos
o categóricos que puedan procesarse de manera eciente. La Tabla 1 presentó las columnas
relevantes que se eligieron resultado de las necesidades para esta investigación.
Tabla 1
Características Importantes.
Nombre Descripción Tipo de dato
budget_amount Presupuesto de la licitación Real
Amount Monto ofertado Real
Ganador Indica si gano la licitación Texto
mainProcurementCategory Categoría de la licitación Texto
numberOfTenderers Número de licitadores Entero
contractPeriod_durationInDays Duración en días del contrato Real
tenderPeriod_durationInDays Duración del período de licitación en días Real
eligibilityCriteria Criterios de elegibilidad Texto
2.3.1. Transformación y Codicación de Variables.
Se realizó la imputación de valores nulos en la columna Duración del Contrato utilizando la
mediana. Además, se eliminaron los registros con valores vacíos en cualquiera de las columnas,
dejando únicamente los datos completos recolectados de la página del SERCOP.
# Impute missing values with the median
df=df.llna({‘contractPeriod_durationInDays’:df[‘contractPeriod_durationInDays’].
median()})
# Drop rows with NaN values in any column
df = df.dropna()
Los resultados muestran que ninguna columna tiene celdas vacías, y el número nal de registros
es 2536.
# Check for empty cells by column
empty_cells = df.isnull().sum()
print(empty_cells)
# Get the number of records
record_count = df.shape[0]
print (“Number of records:”, record_count)
budget_amount 0
REVISTA ODIGOS
QUITO-ECUADOR
2025
90
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
mainProcurementCategory 0
tenderPeriod_durationInDays 0
numberOfTenderers 0
amount 0
contractPeriod_durationInDays 0
ganador 0
eligibilityCriteria 0
dtype: int64
Number of records: 2536
Además, se aplicó el codicador LabelEncoder para convertir las variables categóricas en valores
numéricos. Las variables seleccionadas para esta codicación fueron mainProcurementCategory y
ganador.
2.3.2. Análisis de Frecuencia de Criterios de Elegibilidad.
Los criterios de elegibilidad presentaban una gran variedad de valores textuales. Para estandarizar
esta variable, se seleccionaron criterios clave y se transformaron en variables binarias, lo cual
permitió identicar su impacto en el modelo.
# Dene the specic parameters
specic_parameters = [
‘Oferta Económica’,
‘Experiencia Especíca’,
‘Experiencia General’,
‘Experiencia Personal Técnico’,
‘Otros’,
‘Participación Ecuatoriana’,
‘VAE’]
# Create binary columns for each specic criterion
for criterion in specic_parameters:
df[criterion] = df[‘eligibilityCriteria’].apply(lambda x: 1 if criterion
in x else 0)
2.3.3. Eliminación de Outliers.
Se utilizó el modelo Isolation Forest para detectar y eliminar valores atípicos en el conjunto de
datos, lo cual mejoró la calidad de las predicciones del modelo. Finalmente, se muestra la cantidad
de registros que permanecen después de eliminar los valores atípicos, que es de 2485.
import pandas as pd
from sklearn.ensemble import IsolationForest
from sklearn.preprocessing import StandardScaler
# Create the Isolation Forest model
iso_forest = IsolationForest(contamination=0.02, random state=2021)
# Fit the model
REVISTA ODIGOS
QUITO-ECUADOR
2025
91
rodigos@uisrael.edu.ec
ANÁLISIS DE LICITACIONES PÚBLICAS EN ECUADOR: APLICACIÓN DE TÉCNICAS DE EXPLICABILIDAD EN
MODELOS DE APRENDIZAJE AUTOMÁTICO
iso_forest.t(df)
# Make predictions
y_pred = iso_forest.predict(df)
# Filter outliers
df = df[y_pred == 1]
# Show the number of records after removing outliers
print(“Number of records:”, df.shape[0])
2.3.4. Distribución de la clase Ganador.
La Figura 4 muestra la distribución de la variable “Ganador”, que evidenció un ligero desbalance
hacia las licitaciones perdedoras. Este sesgo podría inuir en el desempeño del modelo.
Figura 4
Distribución de la Clase “Ganador”.
2.4 Modelado
En esta fase se seleccionaron los siguientes algoritmos de clasicación:
• CatBoost. Es un algoritmo de aprendizaje automático basado en potenciación del gradiente,
funciona perfectamente con múltiples categorías de datos, además el algoritmo se basa en
la técnica de “Gradient boosting” (potenciación del gradiente). La potenciación del gradiente
es una técnica que se aplica en múltiples tipos de problemas como la detección como
motores de recomendaciones y predicciones.
• AdaBoost. Entrena de forma secuencial un conjunto de aprendices débiles a partir de un
algoritmo base común. Todos los aprendices son entrenados con el mismo conjunto de
datos, pero éstos van recibiendo pesos que dependen de los errores cometidos por cada
aprendiz.
• Random Forest. Es un algoritmo de aprendizaje supervisado utilizado tanto en tareas
de clasicación como de regresión. Este método puede manejar variables continuas y
REVISTA ODIGOS
QUITO-ECUADOR
2025
92
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
categóricas, ofreciendo resultados precisos y robustos. Su funcionamiento se basa en la
construcción de múltiples árboles de decisión durante el proceso de entrenamiento, lo que
permite mejorar la precisión.
Para realizar el modelado se seleccionaron las características más importantes como variables de
entrada que son número de oferentes, categoría principal, presupuesto, monto ofertado, duración
licitación días y duración contrato días y como variables de salida ganador. Luego, el conjunto de
datos se dividió en 70% para entrenamiento y un 30% para prueba y evaluación del modelo.
2.5 Evaluación
Para evaluar los modelos entrenados se gracó las curvas ROC y se calculó el AUC para los
tres modelos de clasicación. En la Figura 5 se comparó el desempeño de tres modelos de
clasicación: CatBoost, AdaBoost, y Random Forest. El modelo CatBoost fue el más efectivo,
con un AUC de 0.80, seguido de AdaBoost con un AUC de 0.78, y nalmente Random Forest con
un AUC de 0.67 y vemos que la curva ROC de CatBoost fue la que más se acercó a 1. Esto indicó
que CatBoost tuvo la mejor capacidad para distinguir entre las clases en este conjunto de datos,
mientras que Random Forest fue el menos preciso.
Figura 5
Curva ROC de los Modelos.
En la Figura 6 se visualizó la matriz de confusión de CatBoost, que mostró el desempeño del
modelo de clasicación en predecir si una oferta es ganadora o no ganadora. El modelo predijo
correctamente un “ganador” en 331 ocasiones y un “no ganador” en 270 ocasiones. Sin embargo,
hubo 91 casos donde predijo incorrectamente una licitación ganadora y 54 casos donde predijo
incorrectamente licitaciones no ganadoras. Esto indicó un buen desempaño general, pero con
considerables errores.
REVISTA ODIGOS
QUITO-ECUADOR
2025
93
rodigos@uisrael.edu.ec
ANÁLISIS DE LICITACIONES PÚBLICAS EN ECUADOR: APLICACIÓN DE TÉCNICAS DE EXPLICABILIDAD EN
MODELOS DE APRENDIZAJE AUTOMÁTICO
Figura 6
Matriz de Confusión.
Para implementar técnicas de inteligencia articial explicable, se seleccionaron dos métodos:
SHAP y Feature Importance.
La técnica de importancia de características permitió identicar cuáles atributos fueron más
relevantes para las decisiones del modelo. La Figura 7 ilustró esta relevancia, destacando que la
característica más inuyente fue NumeroOferentes, seguida por MontoOfertado, Presupuesto,
DuracionLicitacionDias, CategoriaPrincipal y DuracionContratoDias es la característica menos
signicativa.
La técnica SHAP proporcionó interpretaciones globales. La Figura 8 mostró un Summary plot de los
valores SHAP, el eje x muestra el impacto de cada característica en la predicción del modelo, con
valores positivos aumentando y valores negativos disminuyendo la predicción. El eje y enumera
las características del modelo y los colores indican los valores de estas características, donde el
azul representa valores bajos y el rosa y rojo valores altos. Características como NumeroOferentes
y MontoOfertado son las más inuyentes, con valores altos de ambas tendiendo a aumentar
la predicción del modelo, mientras que valores bajos tienden a reducirla. CategoriaPrincipal,
Presupuesto, DuracionLicitacionDias, y DuracionContratoDias tienen un impacto más moderado y
variable. El código fuente está disponible en https://bit.ly/3TMakNN.
REVISTA ODIGOS
QUITO-ECUADOR
2025
94
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
Figura 7
Técnica Feature Importance.
Figura 8
Técnica SHAP
2.6 Despliegue
Para el despliegue, se utilizó la biblioteca de Python Streamlit. Esta herramienta facilitó la creación
de interfaces de usuario de manera sencilla y accesible. Una vez desplegado el modelo, la página
muestra un prototipo denominado “Recomendador de Participación en Licitaciones”. Este prototipo
permite al usuario ingresar diversos parámetros del proceso licitatorio incluyendo el número de
oferentes, el monto ofertado, la categoría principal, el presupuesto, la duración de la licitación
y la duración del contrato. Después de ingresar los datos y hacer clic en “Hacer Predicción”, la
aplicación calcula y presenta una recomendación basada en la probabilidad de participación.
REVISTA ODIGOS
QUITO-ECUADOR
2025
95
rodigos@uisrael.edu.ec
ANÁLISIS DE LICITACIONES PÚBLICAS EN ECUADOR: APLICACIÓN DE TÉCNICAS DE EXPLICABILIDAD EN
MODELOS DE APRENDIZAJE AUTOMÁTICO
Figura 9
Probabilidad Alta.
En la Figura 9 se observó una alta probabilidad de éxito (0.96), lo que sugiere que es recomendable
participar en la licitación.
Figura 10
Probabilidad Moderada.
REVISTA ODIGOS
QUITO-ECUADOR
2025
96
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
En contraste, la Figura 10 mostró una probabilidad moderada (0.72), mientras que la Figura 11
indica una probabilidad baja (0.48), lo que podría implicar un menor incentivo para participar. En
estos tres casos se pudo observar que entre menor es el número de oferentes hay una mayor
probabilidad de participación. El código fuente del despliegue se encuentra disponible en https://
bit.ly/3ZD6Il6.
Figura 11
Probabilidad Baja.
Resultados
Los resultados de este estudio destacaron la importancia de utilizar técnicas de aprendizaje
automático y explicabilidad en las licitaciones públicas en Ecuador. El modelo CatBoost, con su
alta precisión y capacidad de interpretación, proporcionaron a las empresas información clave para
tomar decisiones fundamentadas sobre su participación en estos procesos.
La técnica de importancia de características ha identicado factores críticos, como el número
de oferentes y el monto ofertado, que inuyen en el éxito de las licitaciones. Esto permite a las
empresas enfocar sus esfuerzos en áreas que aumentan sus probabilidades de ganar.
La implementación de inteligencia articial explicable (XAI) facilitó la comprensión de las
decisiones del modelo, fomentando la conanza entre los usuarios. Además, la creación de
una interfaz web accesible democratiza la información, permitiendo a las empresas recibir
recomendaciones personalizadas y mejorar su eciencia en la participación.
En resumen, este estudio no solo contribuyó al análisis de las licitaciones públicas mediante
el uso de modelos predictivos, sino que también resaltó la importancia de la transparencia y la
explicabilidad en la toma de decisiones.
REVISTA ODIGOS
QUITO-ECUADOR
2025
97
rodigos@uisrael.edu.ec
ANÁLISIS DE LICITACIONES PÚBLICAS EN ECUADOR: APLICACIÓN DE TÉCNICAS DE EXPLICABILIDAD EN
MODELOS DE APRENDIZAJE AUTOMÁTICO
Conclusiones
En este trabajo se analizó el comportamiento de las empresas en licitaciones públicas en Ecuador
mediante técnicas de machine learning y explicabilidad. A partir de 2,536 datos históricos
obtenidos de la plataforma de datos abiertos de contratación pública, se aseguró la calidad y
coherencia de la información, lo que facilitó su análisis.
La exploración de datos reveló importantes tendencias y patrones destacando variables clave
como la categoría de las empresas y el monto ofertado, que mostraron correlaciones signicativas
con la participación en las licitaciones. Este análisis permitió comprender mejor los factores que
inuyen en los resultados de las licitaciones.
Además, se implementaron técnicas de explicabilidad que proporcionaron un entendimiento
más profundo del funcionamiento de los modelos predictivos. El algoritmo CatBoost se destacó
al ofrecer una precisión del 80%. Estas técnicas no solo facilitaron el desglose de cómo las
características afectan las predicciones, sino que también ayudaron a identicar los factores más
determinantes en el éxito de las ofertas.
Expresamos nuestro más sincero agradecimiento a las estudiantes Gilda Jamileth Pincay Baque y
Nicole Isabel Velásquez Arroyo por su valiosa colaboración en el proyecto FCI-046-2023, titulado
‘Modelo de predicción para la mejora de la toma de decisiones en sistemas de recomendación
de licitaciones públicas mediante técnicas de inteligencia articial explicables’. Su dedicación y
compromiso fueron fundamentales para el desarrollo de esta investigación.
REVISTA ODIGOS
QUITO-ECUADOR
2025
98
REVISTA ODIGOS • VOL.6 NUM. 1 • FEBRERO - MAYO • 2025
Referencias
Anwar, K., Siddiqui, J., y Saquib, S. (2020). Machine learning-based book recommender system: a survey and
new perspectives. International Journal of Intelligent Information and Database Systems, 13(2-4), 231-248.
https://doi.org/10.1504/IJIIDS.2020.109457
Arena, S., Florian, E., Sgarbossa, F., Sølvsberg, E., y Zennaro, I. (2024). A conceptual framework for machine lear-
ning algorithm selection for predictive maintenance. Engineering Applications of Articial Intelligence, 133.
https://doi.org/10.1016/j.engappai.2024.108340
García, M., Rodríguez, V., Ballesteros, P., Love, P., y Signor, R. (2022). Collusion detection in public procurement
auctions with machine learning algorithms. Automation in Construction, 133. https://doi.org/10.1016/j.
autcon.2021.104047
Gohel, P., Singh, P., y Mohanty, M. (2021). Explainable AI: current status and future directions. Arxiv. https://doi.
org/10.48550/arXiv.2107.07045
Guida, M., Caniato, F., Moretto, A., y Ronchi, S. (2023). The role of articial intelligence in the procurement pro-
cess: State of the art and research agenda. Journal of Purchasing and Supply Management, 29(2). https://
doi.org/10.1016/j.pursup.2023.100823
Love, P., Fang, W., Matthews, J., Porter, S., Luo, H., y Ding, L. (2023). Explainable articial intelligence (XAI):
Precepts, models, and opportunities for research in construction. Advanced Engineering Informatics, 57.
https://doi.org/10.1016/j.aei.2023.102024
Molina, M., Acaro, X., Molina, M., Quinoñez, M., Alvarez, G., y Fernandez, J. (2023). Application of explainable
articial intelligence to analyze basic features of a tender. Actas de International Conference on Electrical,
Computer, Communications and Mechatronics Engineering, ICECCME 2023 (pp. 1-6). España. 10.1109/
ICECCME57830.2023.10253063
Nai, R., Meo, R., Morina, G., y Pasteris, P. (2023). Public tenders, complaints, machine learning and recommen-
der systems: a case study in public administration. Computer Law & Security Review, 51. https://doi.or-
g/10.1016/j.clsr.2023.105887
Oussaleh, A. y Azmani, A. (2023). Smart Sourcing Framework for Public Procurement Announcements Using
Machine Learning Models. International Conference on Advanced Intelligent Systems for Sustainable Deve-
lopment, 637, 921-932. https://doi.org/10.1007/978-3-031-26384-2_83
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
REVISTA ODIGOS
QUITO-ECUADOR
2025
99
rodigos@uisrael.edu.ec
ANÁLISIS DE LICITACIONES PÚBLICAS EN ECUADOR: APLICACIÓN DE TÉCNICAS DE EXPLICABILIDAD EN
MODELOS DE APRENDIZAJE AUTOMÁTICO
Riyad, B. y Laila, E. (2024). The Articial Intelligence and Public Procurement. Actas de 2024 IEEE 15th Interna-
tional Colloquium of Logistics and Supply Chain Management (LOGISTIQUA), (pp. 1-6). Tunisia. 10.1109/
LOGISTIQUA61063.2024.10571429
Rojas, E. (2020). Machine Learning: análisis de lenguajes de programación y herramientas para desarrollo. Revis-
ta Ibérica de Sistemas e Tecnologias de Informação,(28), 586-599. https://www.proquest.com/openview/
c7e24c997199215aa26a39107dd2fe98/1?pq-origsite=gscholar&cbl=1006393
Rosales, C., Mango, P., Turpo, O., Miranda, V., y Aranda, Á. (2024). El análisis exploratorio de datos: una oportu-
nidad para desarrollar competencias STEM/STEAM. Revista Ibérica de Sistemas e Tecnologias de Infor-
mação, (70), 87-104. https://dialnet.unirioja.es/servlet/articulo?codigo=9886356
Salem, A., Eyupoglu, S., y Ma’aitah, M. (2024). The Inuence of Machine Learning on Enhancing Rational Deci-
sion-Making and Trust Levels in e-Government. Systems, 12(9). https://doi.org/10.3390/systems12090373
Sisa, G. (2022). Propuestas para mejorar la contratación e inclusión de las pequeñas y medianas empresas en el
sistema de contratación pública del Ecuador [Tesis de posgrado, Universidad Andina Simón Bolívar]. Re-
positorio Institucional. https://repositorio.uasb.edu.ec/bitstream/10644/8550/1/T3734-MDACP-Sisa-Pro-
puestas.pdf#page=53.20
REVISTA ODIGOS
QUITO-ECUADOR
2025
100
Copyright (2025) © Maria Fernanda Molina-Miranda; Angel Cuenca-Ortega; Luis Espín-Pazmiño; Miguel
Molina Villacís
Este texto está protegido bajo una licencia internacional Creative Commons 4.0.
Usted es libre para Compartir—copiar y redistribuir el material en cualquier medio o formato — y Adaptar
el documento — remezclar, transformar y crear a partir del material—para cualquier propósito, incluso para
nes comerciales, siempre que cumpla las condiciones de Atribución. Usted debe dar crédito a la obra
original de manera adecuada, proporcionar un enlace a la licencia, e indicar si se han realizado cambios.
Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que tiene el apoyo del
licenciante o lo recibe por el uso que hace de la obra.
Resumen de licencia – Texto completo de la licencia