Análisis de licitaciones públicas en Ecuador: aplicación de técnicas de explicabilidad en modelos de aprendizaje automático
DOI:
https://doi.org/10.35290/ro.v6n1.2025.1497Palabras clave:
licitaciones, toma de decisiones, algoritmos, SHAP, feature importanceResumen
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 fin de mejorar la toma de decisiones. Se recopiló y procesó un conjunto de datos abiertos extraídos de la base de datos del SERCOP para identificar patrones y variables clave que influyeron en el éxito de las licitaciones. Utilizando modelos de clasificación 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 artificial explicable no solo mejora la precisión, sino que también proporciona información valiosa para que las empresas optimicen su participación en estos procesos.
Descargas
Citas
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 Artificial 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 artificial 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 artificial 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 artificial 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
Riyad, B. y Laila, E. (2024). The Artificial 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 Influence 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
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Maria Fernanda Molina Miranda, Ángel Cuenca Ortega, Luis Espín Pazmiño, Miguel Molina Villacís

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que participen de los procesos de evaluación y publicación de sus ediciones conservan sus derechos de autor, cediendo a la revista el derecho a la primera publicación, tal como establecen las condiciones de reconocimiento en la licencia Creative Commons Reconocimiento 4.0 Internacional (CC BY), donde los autores autorizan el libre acceso a sus obras, permitiendo que los lectores copien, distribuyan y transmitan por diversos medios, garantizando una amplia difusión del conocimiento científico publicado.
- Toda derivación, a partir de esta obra, deberá citar la fuente y a la primera publicación en esta revista. Se permiten derechos comerciales no lucrativos sobre sus contenidos.
- Los autores pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista, es decir, podrán incluirlo en un repositorio institucional o publicarlo en un libro, siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores compartir su trabajo en línea, con la finalidad de intercambios productivos para una mayor y más rápida citación del trabajo como lo establece los efectos del movimiento ‘Acceso Abierto’.
- No puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros de hacer cualquier cosa que permita la licencia: https://creativecommons.org/licenses/by/4.0/deed.es
- La Revista ODIGOS es financiada completamente de los aportes realizados por nuestra entidad editora: Universidad Tecnológica Israel; por tal motivo, no establece cargos o cobros de ninguna índole a sus autores y colaboradores, así como tampoco genera pagos o remuneraciones de ningún tipo a ellos.
- Se asignará un Digital Object Identifier (DOI) a cada publicación.