Modelo de clasificación de compras públicas en estándar UNCCS

Abstract

La transparencia en las compras públicas en Chile permite a la ciudadanía conocer cómo se gastan los recursos públicos, cuál es su nivel de e ciencia y permitir su rendición de cuentas hacia la sociedad. Para fomentar lo anterior, el Observatorio del Gasto Fiscal (OGF) realiza distintos análisis sobre los datos públicos provenientes de la Dirección de Compras y Contratación Pública del estado (DCCP). Sin embargo, cuentan con diversos problemas de calidad, reduciendo la capacidad de un correcto estudio sobre éstos. En especí co, el trabajo de esta tesis aborda el problema de la concordancia que existe entre la asignación del código de producto, y su descripción por parte de los compradores en los datos provenientes de la DCCP. A través de un análisis inicial de 1.200 productos de Tecnologías de la Información provenientes de municipalidades, se desprende que un 64% de éstos no tienen una correcta concordancia entre el etiquetado y su descripción de texto. Teniendo en cuenta la gran cantidad de productos transados mensualmente, resulta necesario el generar una solución automática para la clasi cación de éstos. El marco teórico nos presenta como solución la utilización de modelos de clasi cación, tanto multiclase como binario. Para poder ser aplicados correctamente, se generó un proceso que aplica técnicas de preprocesamiento de texto. Luego se buscó el mejor modelo entre Máquina de Soporte Vectorial (SVM), Árboles Aleatorios (RF), Clasi cador Bayesiano y K-vecinos más cercanos. Inicialmente se aplicó un modelo SVM multiclase para identi car la clase de un producto basado en su descripción. Sin embargo, no fue capaz de generalizar correctamente al llegando solo a un 49% de promedio F1 macro. Agregando un post procesamiento incluyendo una clase desconocida, tampoco se llegó a un resultado satisfactorio. Dados los problemas del modelo anterior, se aplicó un modelo RF binario identi cando la concordancia entre la etiqueta y descripción del producto. Este presentó un promedio F1 macro de 85% dentro de los datos de evaluación, concluyendo que este es un modelo viable para utilizar en este problema. El modelo binario llevado al servicio web gratuito de HFS tuvo un resultado satisfactorio, permitiendo correctamente a usuarios externos la utilización del modelo sobre nuevos conjuntos de datos. En especí co para OGF, el prototipo les permitirá generar modelos de clasi cación para futuros análisis relacionados a las CCPP, enfocado en distintos sectores.