Análisis avanzado de los datos

Análisis avanzado de los datos

Información general

Nuestro sistema ofrece capacidades incomparables para abordar una amplia gama de desafíos en la contratación pública:

Fraccionamiento de contratos menores

Puede existir un abuso en el uso del contrato menor, a través de adjudicaciones directas de múltiples menores para un único objeto contractual que se debería licitar en un único contrato de agregada. Se ha creado una herramienta (basada en técnicas de NLP) que permitan evaluar automática y masivamente la similitud de los contratos menores, generando una puntuación (entre 0 y 1) para facilitar que una persona pueda examinar y centrarse en aquellos contratos con una similitud mayor.

Objetivo y utilidad: Automatizar la detección de contratos menores similares (objeto y características parecidas entre dos contratos) para detectar fraccionamiento de contratos, realizar compras unificadas más eficiente y detectar ineficiencias en la contratación menor.

Estimador del precio de adjudicación

En España hay grandes diferencias entre el importe de licitación y el importe de adjudicación, entorno al 20-25% de media dependiendo del sector (la llamada baja económica). Al ser una diferencia bastante grande, puede distorsionar la planificación presupuestaria de las AAPP. Se ha creado un estimador (basado en técnicas de Machine Learning) que predice el importe de adjudicación, gracias a que el modelo se ha entrenado y aprendido con el histórico de licitaciones.

Objetivo y utilidad: Predecir el importe de adjudicación en base a los datos de la licitación antes de adjudicarse. La herramienta para realizar la predicción se basa en los campos de la licitación: importe de licitación, órgano de contratación, CPV, tipo de contrato, tipo de procedimiento, fecha, duración del contrato, etc. La utilidad es tanto para las AAPP (podrían saber lo que se van a “ahorrar” en la licitación) y para el sector privado (sabrían el precio de mercado de la licitación a la que se presentan). Abrir el cuadro de mando de PowerBI que contiene el caso de uso (cuando esté implementado se podría guionizar en base a los resultados observados de licitaciones abiertas y explicarlo)

Estimador de posibles proveedores para la licitación

Motor de búsqueda de contratistas para una licitación dada. La búsqueda automatizada utiliza datos empresariales (Registro Mercantil) y de licitaciones (PLACSP) utilizando algoritmos de machine learning (IA). Es decir, analizando el histórico de datos se obtienen patrones y relaciones entre las licitaciones y sus adjudicatarios.

Objetivo y utilidad: Fomentar la concurrencia y facilitar la búsqueda de proveedores a las AAPP. A más concurrencia, más ahorro económico: varios estudios demuestran que por cada participante adicional, la baja aumenta un 2%. Si hubiese un participante más en cada licitación en 2023, las AAPP de España se ahorrarían 3.600 millones de euros.

Identificación de posibles casos de colusión

Detectar cárteles de empresas que operen en la contratación pública, utilizando técnicas de machine learning (IA). El sistema se entrena con el histórico de licitaciones donde hubo colusión para predecir si existe una posible colusión en una nueva licitación conocidos los ofertantes que pujaron. Es decir, un modelo de clasificación binario que automáticamente etiqueta la licitación como honesta (competitiva) o deshonesta (colusoria).

Objetivo y utilidad: La colusión es una práctica anticompetitiva y un delito muy pernicioso para las arcas públicas, ocasionando sobrecostes millonarios a las AAPP y afectando a la libre competencia. Las Autoridades de la Competencia deben velar por el cumplimiento de la libertad empresarial en la contratación pública para garantizar la igualdad de oportunidades.