Data-driven approaches for public sector decision-making: insights from pandemic management and public procurement

Abstract

This thesis examines the application of data science to improve decision-making in the public sector, focusing on two key areas: the management of the COVID-19 pandemic and the optimization of public procurement processes.

The first case study analyzes mobility patterns during lockdowns in Santiago using granular geolocated mobile phone data. The study reveals significant socioeconomic disparities in compliance with health measures, with high-income areas reducing mobility by 50–90% primarily through voluntary shelter-in-place behavior, compared to 20–50% in low-income communities. Additionally, a 10% increase in mobility is linked to a 5% rise in infection rates. These findings informed the creation of targeted public health policies and highlighted the need for supportive measures to enhance compliance in lower-income areas.

The second case study addresses inefficiencies in Chile's public procurement system, specifically the framework agreements (FAs) managed by ChileCompra, which accounted for 23% of procurement expenditures during 2018-19. We identified low competition in some FAs' auction processes, potentially increasing government costs. In collaboration with ChileCompra, data-driven reforms were implemented, including the standardization of product catalogs using natural language processing and fostering greater competition in supplier auctions. A pilot redesign of the Food FA resulted in an 8% reduction in transaction prices, leading to broader implementation and estimated savings of approximately \$74 million in 2022.

Together, this research highlights the transformative potential of data-driven approaches in addressing complex public sector challenges, resulting in improved public policy outcomes and significant cost savings for the state.

El primer caso de estudio analiza los patrones de movilidad durante los confinamientos en Santiago utilizando datos granulares de teléfonos móviles geolocalizados. El estudio revela disparidades socioeconómicas significativas en el cumplimiento de las medidas sanitarias, con áreas de altos ingresos reduciendo la movilidad en un 50–90 % principalmente a través de comportamientos voluntarios de confinamiento, en comparación con un 20–50 % en comunidades de bajos ingresos. Además, un aumento del 10 % en la movilidad se asocia con un incremento del 5 % en las tasas de infección. Estos hallazgos permitieron la creación de políticas de salud pública dirigidas y destacaron la necesidad de medidas de apoyo en áreas de bajos ingresos para mejorar la adherencia a las medidas restrictivas. El segundo caso de estudio aborda las ineficiencias en el sistema de contratación pública de Chile, específicamente en los convenios marco gestionados por ChileCompra, que representaron el 23 % de los gastos de contratación durante 2018-19. Identificamos una baja competencia en los procesos de subasta de algunos convenios marco, lo que potencialmente incrementa los costos gubernamentales. En colaboración con ChileCompra, se implementaron reformas basadas en datos, incluyendo la estandarización de catálogos de productos utilizando procesamiento de lenguaje natural y fomentando una mayor competencia en las subastas de proveedores. Un rediseño del convenio marco de Alimentos resultó en una reducción del 8 % en los precios de transacción, lo que llevó a una implementación en otros convenios marcos y a un ahorro estimado de aproximadamente $74 millones en 2022. En conjunto, estas investigaciones destacan el potencial transformador de los enfoques basados en datos para abordar desafíos complejos del sector público, resultando en mejores resultados de políticas públicas y ahorros significativos en costos para el estado.