Analysis of Public Tenders in Ecuador: Application of Explainability Techniques in Machine Learning Models
DOI:
https://doi.org/10.35290/ro.v6n1.2025.1497Keywords:
tenders, decisión making, algorithms, SHAP, feature importanceAbstract
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 influence the success of tenders. Using classification 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 artificial intelligence not only improves accuracy but also provides valuable insights for companies to optimize their participation in these processes.
Downloads
References
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
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Maria Fernanda Molina Miranda, Ángel Cuenca Ortega, Luis Espín Pazmiño, Miguel Molina Villacís
This work is licensed under a Creative Commons Attribution 4.0 International License.
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.
