En el mundo de las licitaciones públicas, donde cada variable puede alterar el precio final, los modelos predictivos ofrecen una herramienta poderosa para tomar decisiones más informadas, seguras y estratégicas. Para las empresas, contar con una estimación del precio esperado les permite presentar ofertas más competitivas y con menor incertidumbre. Para la administración pública, estos modelos pueden señalar si una licitación está significativamente por encima o por debajo del rango razonable, favoreciendo así la eficiencia y la transparencia en el uso de los recursos públicos. En este artículo, exploramos cómo un modelo predictivo basado en datos del Banco Interamericano de Desarrollo (BID) ha revelado insights clave para mejorar este proceso, incluso con limitaciones de datos.
El dataset de entrada
Para construir el modelo, utilizamos un dataset de 3,641 filas y 12 variables, cada una relacionada con contratos del BID. Estas variables incluían datos cruciales como el país del proveedor, el tipo de servicio contratado y el proceso de selección. Antes de empezar el modelado, llevamos a cabo un proceso de data enrichment, es decir, enriquecimos los datos iniciales extrayendo características adicionales a partir de las fechas y descripciones de los contratos. Este paso nos permitió obtener detalles como el día, mes y año del contrato, así como información extraída de las descripciones textuales, lo que enriqueció la base de datos inicial y añadió más contexto a las variables.
El proceso de modelado
Para el desarrollo del modelo, probamos tanto CatBoost Regressor como Linear Regression, dos algoritmos populares en la predicción de valores numéricos. Mientras que Linear Regression es un enfoque más simple y clásico, CatBoost es un algoritmo basado en árboles de decisión que suele manejar mejor conjuntos de datos con muchas variables categóricas.
Durante el proceso, ajustamos los parámetros y optimizamos las técnicas de validación utilizando cross-validation con cinco particiones para garantizar la fiabilidad de los resultados. Aunque ambos modelos fueron probados, el CatBoost Regressor resultó ser el mejor, con un Mean Absolute Error (MAE) de 30,374 USD. Esto significa que, en promedio, el error absoluto en la predicción del monto de los contratos fue de aproximadamente 30,374 USD. A pesar de ser un margen de error considerable, el proceso nos permitió identificar las variables más influyentes en la determinación de los precios de los contratos.
Insights clave del modelo
El análisis de los datos, aunque limitado por la cantidad de observaciones y la distribución de los valores de los contratos, arrojó conclusiones clave sobre las variables que más influyen en el precio de los contratos.
- Consultoría, el servicio predominante: Más del 60% de los contratos del BID están destinados a servicios de consultoría, lo que subraya la alta demanda de conocimiento especializado en proyectos internacionales. Esto sugiere que la capacidad técnica y el asesoramiento especializado son esenciales en la mayoría de las licitaciones del BID.
- España, líder en adjudicaciones competitivas: España se destacó como el país con el mayor número de adjudicaciones competitivas. Este hecho resalta la fuerte presencia de empresas españolas en los proyectos del BID y su capacidad para ofrecer propuestas competitivas.
- Los contratos más altos están vinculados a solicitudes de propuestas (Request for Proposal - RFP): Los contratos que requieren una Request for Proposal (Solicitud de Propuestas) presentan montos promedio significativamente más altos, alcanzando los 210,000 USD. Esto sugiere que los proyectos más complejos y de mayor envergadura suelen emplear este proceso de selección, donde la planificación detallada y la competencia entre proveedores son clave.
- Foco en la expertise sectorial: La Vicepresidencia para Sectores y Conocimiento del BID lidera en número de contratos, lo que refleja una clara prioridad en fortalecer la expertise sectorial dentro de la organización. Este enfoque estratégico en la contratación muestra un esfuerzo por consolidar el conocimiento especializado en áreas clave de desarrollo.
Conclusiones
En conclusión, el desarrollo del modelo predictivo, aunque limitado en su precisión, fue una herramienta valiosa para entender mejor los factores que influyen en el precio de las licitaciones públicas. Los insights obtenidos no solo ayudan a mejorar el diseño de futuras licitaciones, sino que también brindan a las organizaciones —tanto públicas como privadas— la capacidad de tomar decisiones más estratégicas, reducir incertidumbre y alinear expectativas de precio con la realidad del mercado. Este estudio demuestra el potencial de los modelos predictivos para optimizar los procesos de contratación y promover decisiones más eficientes y transparentes.
Esto tiene, sin embargo, margen de mejora: la ampliación del dataset, una mayor diversidad geográfica y la incorporación de variables externas como inflación podrían reducir el margen de error del modelo y potenciar su valor para la toma de decisiones.
Si tu empresa busca optimizar sus procesos de licitación o mejorar la toma de decisiones a través de modelos predictivos, en Mottum podemos ayudarte. Nuestro equipo de expertos en inteligencia de datos está listo para crear soluciones a medida que impulsen la eficiencia y transparencia de tus proyectos. ¡Contáctanos hoy mismo!