Diversificación de Rubros en Licitaciones Públicas: Un Enfoque Basado en Cálculo de Density Relatedness y Machine Learning para Maximizar el Éxito de la Diversificación en Rubros Potenciales
Date
2025
Type:
Thesis
item.page.extent
41 p.
item.page.accessRights
Acceso abierto
item.contributor.advisor
ORCID:
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad del Desarrollo. Facultad de Ingeniería
item.page.isbn
item.page.issn
item.page.issne
item.page.doiurl
item.page.other
item.page.references
Abstract
En el contexto de las licitaciones públicas en Chile entre 2014 y 2023, las empresas buscan constantemente oportunidades para diversificar y aumentar su éxito en futuros procesos de licitación. Este estudio tiene como objetivo explorar cómo las empresas podrían utilizar modelos de machine learning para clasificar y evaluar automáticamente oportunidades de diversificación hacia rubros relacionados, basándose en el concepto de density relatedness. A través de un
análisis planificado de datos históricos de licitaciones públicas, se desarrollaron metodologías para calcular estas métricas y se aplicó un modelo predictivo que permitirá identificar las mejores oportunidades de expansión. Se espera que los resultados demuestren que una alta density relatedness indica que el rubro potencial (r’) está estrechamente relacionado con los rubros actuales del proveedor, lo que sugiere una mayor probabilidad de éxito en la diversificación hacia ese rubro.
Description
Proyecto de grado presentado a la Facultad de Ingeniería de la Universidad del Desarrollo para optar al grado académico de Magíster en Data Science
item.page.coverage.spatial
Santiago
item.page.sponsorship
Citation
Keywords
070037S, Licitaciones públicas, Diversificación, Density relatedness