Pilar 2: Sistema de Auditoría Automatizada y Análisis Predictivo

# Pilar 2: Sistema de Auditoría Automatizada y Análisis Predictivo
## Especificación Técnica y Operativa

---

## 1. VISIÓN GENERAL

**Objetivo Core:** Convertir el flujo masivo de datos del Pilar 1 (Sistema de Información Integrado) en inteligencia operativa. Un equipo de 30-40 analistas y auditores, potenciados por algoritmos, detecta en tiempo real lo que antes tardaba años.

**Principio:** La máquina detecta patrones, los humanos validan e investigan.

**Métrica de éxito:** 90% de los casos de corrupción detectados ANTES de 3 meses desde su ocurrencia (vs. 5-7 años en el sistema actual).

---

## 2. ARQUITECTURA GENERAL

### 2.1 Capas del Sistema de Auditoría

```
CAPA 1: INGESTA DE DATOS
├─ Blockchain del Pilar 1 (feed en tiempo real)
├─ Bases de datos complementarias
│  ├─ Precios de mercado históricos
│  ├─ Registros de empresas (accionistas, historial)
│  ├─ Declaraciones patrimoniales de funcionarios
│  └─ Sanciones y antecedentes
└─ Datos externos (economía, inflación, tipos de cambio)

       ↓ PROCESAMIENTO

CAPA 2: NORMALIZACIÓN Y ENRIQUECIMIENTO
├─ Limpieza de datos inconsistentes
├─ Vinculación de datos relacionados
│  ├─ ¿Esta empresa está vinculada con otra?
│  ├─ ¿Este funcionario tiene intereses declarados?
│  └─ ¿Hay antecedentes de esta empresa?
├─ Creación de grafos de relaciones
└─ Cálculo de métricas de riesgo

       ↓ ANÁLISIS

CAPA 3: DETECCIÓN DE ANOMALÍAS
├─ Algoritmos de detección automática
│  ├─ Machine Learning (identificar patrones nuevos)
│  ├─ Reglas basadas en expertos (fraude conocido)
│  └─ Análisis de red (testaferría, ciclos)
├─ Scoring de riesgo por transacción
└─ Alertas en tiempo real (banderas rojas)

       ↓ VALIDACIÓN

CAPA 4: VALIDACIÓN HUMANA
├─ Analista revisa alerta
├─ Decide: ¿es fraude real o falso positivo?
├─ Si es real: escala a investigación formal
└─ Si es falso positivo: realimenta algoritmo

       ↓ ACCIÓN

CAPA 5: INVESTIGACIÓN Y REPORTE
├─ Caso abierto en sistema de investigación
├─ Recopilación de evidencia adicional
├─ Generación de reporte para fiscal
└─ Seguimiento de resolución

       ↓ INTELIGENCIA

CAPA 6: RETROALIMENTACIÓN
├─ Aprendizaje de lo ocurrido
├─ Mejora de algoritmos
├─ Identificación de nuevos patrones
└─ Actualización de reglas de detección
```

---

## 3. EQUIPO DE AUDITORÍA AUTOMATIZADA

### 3.1 Estructura Organizacional

```
DIRECCIÓN DE AUDITORÍA AUTOMATIZADA
│
├─ SUBDIRECCIÓN TÉCNICA (Jefe: Ingeniero Principal)
│  ├─ Team Lead Data Science (5 personas)
│  │  ├─ Especialista Machine Learning
│  │  ├─ Especialista en Análisis de Redes
│  │  ├─ Ingeniero de Datos (2)
│  │  └─ Especialista en Visualización
│  │
│  └─ Team Lead Infraestructura (3 personas)
│     ├─ DevOps Engineer
│     ├─ SRE (Site Reliability Engineer)
│     └─ Especialista en Seguridad
│
├─ SUBDIRECCIÓN OPERATIVA (Jefe: Auditor Forense Principal)
│  ├─ Equipo de Análisis (12 auditores)
│  │  ├─ Auditores Senior (4): casos complejos
│  │  ├─ Auditores Mid (5): casos medianos
│  │  ├─ Auditores Junior (3): validación inicial
│  │
│  ├─ Equipo de Investigación (8 investigadores)
│  │  ├─ Investigador Forense Digital (2)
│  │  ├─ Investigador de Fraude Financiero (2)
│  │  ├─ Investigador de Testaferría (2)
│  │  └─ Investigador de Corrupción Administrativa (2)
│  │
│  └─ Equipo de Reportes (3 especialistas)
│     ├─ Redactor de Reportes Legales
│     ├─ Coordinador con Fiscalía
│     └─ Especialista en Evidencia Digital
│
├─ ASUNTOS LEGALES (1 abogado)
│  └─ Asesor en cadena de custodia, prueba digital
│
└─ DIRECTOR EJECUTIVO
   └─ Reporta a directorio de AAIE
```

**Total:** ~35 personas
**Salarios:** ~$80M/año (mix: profesionales Sr $150K, Mid $90K, Jr $60K)

### 3.2 Perfil de Roles

**Data Scientist (Especialista ML):**
- Formación: Licenciatura en Ciencias de Datos, Matemática, Ingeniería.
- Experiencia: 5+ años en ML aplicado a fraude, finanzas o sector público.
- Skills: Python/R, sklearn, XGBoost, redes neuronales, experiencia con datos complejos.
- Responsabilidad: Entrenar y mejorar modelos de detección.

**Auditor Senior:**
- Formación: Contador Público o equivalente.
- Experiencia: 10+ años en auditoría forense, fraude, o corrupción.
- Skills: análisis financiero profundo, escritura de reportes, capacidad de comunicar hallazgos a fiscales.
- Responsabilidad: Validar hallazgos de algoritmos, tomar decisiones de investigación.

**Investigador Forense Digital:**
- Formación: Ingeniería Informática o similar.
- Experiencia: 5+ años en forense digital, análisis de logs, reconstrucción de eventos.
- Skills: Linux, herramientas forenses, cadena de custodia, análisis de tráfico de red.
- Responsabilidad: Investigar cibercrimen, destrucción de evidencia, acceso no autorizado.

---

## 4. MOTORES DE DETECCIÓN

### 4.1 Motor 1: Detección Basada en Reglas (Rule-Based Detection)

**Concepto:** Reglas codificadas basadas en patrones de fraude conocidos. Son rápidas, interpretables, bajo falso positivo.

**Ejemplo 1: Concentración de Proveedor**

```
REGLA: Fraude_Concentración_Proveedor

DISPARA SI:
  Para un ministerio M en período P (ej: último año):
    Empresa E ganó > 80% de las licitaciones en que participó
    Y número de licitaciones >= 5
    Y E recibió > $10M en total

CÁLCULO:
  concentración = (licitaciones ganadas / licitaciones en que participó)

  SI concentración > 0.80 Y monto > umbral:
    → BANDERA ROJA: "Posible favoritismo"
    → Severidad: MEDIA
    → Auditor asignado: Auditor Senior con experiencia en favoritismo

CONTEXTO ADICIONAL PARA AUDITOR:
  - Historial de Empresa E: ¿ganó siempre así o es nuevo patrón?
  - Precio de E: ¿está dentro de rango de mercado?
  - Funcionarios que aprobaron: ¿hay rotación o siempre mismos?
  - Empresas que participaron pero perdieron: ¿por cuánto?
```

**Ejemplo 2: Sobrepricing (Sobrefacturación)**

```
REGLA: Fraude_Sobrepricing

DISPARA SI:
  Para una transacción T (compra de bien/servicio):
    precio_pagado > precio_mercado * 1.3
    Y no hay justificación documentada de por qué subió
    Y es bien/servicio estándar (no especializado)

CÁLCULO:
  // Base de precios de mercado: histórico de últimos 2 años
  // + consulta a precios internacionales para commodities

  ratio_precio = precio_pagado / precio_mercado_promedio
  desviación = (ratio_precio - 1) * 100

  SI desviación > 30%:
    → Solicitar justificación del comprador
    → SI no hay justificación:
      → BANDERA ROJA: "Posible sobrepricing"
      → Monto sospechoso = (precio_pagado - precio_mercado) * cantidad
      → Severidad: MEDIA-ALTA

CONTEXTO ADICIONAL:
  - ¿Es medicina? ¿Cambió algo en el mercado? (crisis, escasez)
  - ¿El precio histórico de este proveedor siempre fue así?
  - ¿Otros proveedores ofrecen lo mismo a precio menor?
```

**Ejemplo 3: Ciclo de Gasto Temporal Sospechoso**

```
REGLA: Fraude_Ciclo_Temporal_Irregularidad

DISPARA SI:
  Para un ministerio M o dependencia D:
    Patrón temporal ANÓMALO en desembolsos

    PATRONES DETECTABLES:
    a) Gasto de último día del mes: > 30% del mes en últimos 2 días
    b) Gasto de último día del año: > 50% del trimestre en últimos 5 días
    c) Pico semanal: > 60% de la semana viernes a domingo

    CONTEXTO: Son legales en situaciones legítimas (fin de periodo fiscal)
             pero pueden indicar: presión por ejecutar presupuesto +
             corrupción aprovechando menos revisión en momentos críticos

CÁLCULO:
  distribución_temporal = Análisis(gasto_por_día, últimos_12_meses)

  SI distribución NO es uniforme (outlier estadístico):
    → BANDERA AMARILLA: "Patrón temporal inusual"
    → Revisar: ¿hay justificación (proyectos con plazo específico)?
    → SI hay patrón + sobrepricing simultáneamente:
      → ELEVAR A BANDERA ROJA

CONTEXTO ADICIONAL:
  - Qué gastos concentrados: ¿emergencias o rutinarios?
  - ¿Mismo patrón en años anteriores?
  - ¿Otros ministerios similares tienen patrón distinto?
```

**Matriz de Reglas (sample):**

| Regla | Activación | Severidad | Falso Positivo (est.) | Acción |
|-------|------------|-----------|----------------------|--------|
| Concentración Proveedor | >80% participación, 5+ licitaciones | MEDIA | 10% | Auditor revisa |
| Sobrepricing | Precio >130% mercado | MEDIA-ALTA | 15% | Solicitar justificación |
| Conflicto Interés | Funcionario aprueba empresa relacionada | ALTA | 5% | Alerta inmediata |
| Ciclo Temporal | Gasto >30% en 2 últimos días mes | BAJA | 40% | Revisar contexto |
| Viajes & Dietas | Funcionario >20 viajes/mes con dietas | MEDIA | 20% | Revisar legitimidad |
| Licitación Fracasada | Licitación se desierta, luego compra directa por más | ALTA | 8% | Investigación |

### 4.2 Motor 2: Detección Basada en Machine Learning

**Concepto:** Algoritmos que aprenden patrones de fraude a partir de datos históricos. Pueden identificar fraude nuevo/desconocido.

#### 4.2.1 Modelo: Anomaly Detection (Detección de Anomalías)

**Técnica:** Isolation Forest / Autoencoders

**Idea:** Entrenar modelo con transacciones LEGÍTIMAS. El modelo aprende qué es "normal". Cualquier transacción que se desvíe significativamente = potencial fraude.

**Implementación:**

```python
import pandas as pd
from sklearn.ensemble import IsolationForest
import numpy as np

# PASO 1: PREPARAR DATOS DE ENTRENAMIENTO
# Transacciones de 2020-2024, validadas como LEGÍTIMAS

df_training = pd.read_csv("transacciones_validadas_2020_2024.csv")

# Features (características que el modelo analiza):
features = [
    'monto',
    'cantidad_items',
    'precio_unitario',
    'dias_desde_licitacion',
    'porcentaje_del_presupuesto',
    'numero_proveedores_similares',
    'precio_vs_mercado_ratio',
    'numero_aprobaciones',
    'dias_entre_aprobacion_y_pago',
    'antigüedad_proveedor_años',
    'numero_transacciones_previas_proveedor'
]

X = df_training[features]

# PASO 2: ENTRENAR MODELO
model = IsolationForest(
    contamination=0.05,  # Asumir 5% de anomalías en datos históricos
    random_state=42,
    n_estimators=100
)
model.fit(X)

# PASO 3: EVALUAR NUEVAS TRANSACCIONES (DIARIAMENTE)
def auditar_transacciones_nuevas():
    df_nuevo = obtener_transacciones_del_dia()  # Desde blockchain

    X_nuevo = df_nuevo[features]

    # Predecir: -1 = anomalía, 1 = normal
    predictions = model.predict(X_nuevo)
    anomaly_scores = model.score_samples(X_nuevo)

    for idx, (pred, score) in enumerate(zip(predictions, anomaly_scores)):
        if pred == -1:  # Es anomalía
            transaccion = df_nuevo.iloc[idx]
            severidad = calcular_severidad(score, transaccion)

            generar_alerta(
                tipo="ANOMALIA_DETECTADA",
                transaccion_id=transaccion['id'],
                anomaly_score=score,
                severidad=severidad,
                features_anómalos=identificar_features_aberrantes(X_nuevo.iloc[idx])
            )

def calcular_severidad(score, transaccion):
    """Calcular severidad basada en magnitud de anomalía + contexto"""

    magnitude = abs(score)  # Qué tan alejada está de lo normal
    monto = transaccion['monto']

    if magnitude > 3 and monto > $5_000_000:
        return "CRÍTICA"
    elif magnitude > 2 and monto > $1_000_000:
        return "ALTA"
    elif magnitude > 1.5:
        return "MEDIA"
    else:
        return "BAJA"
```

**Ejemplo de Salida:**

```
ALERTA: ANOMALIA_DETECTADA
─────────────────────────────────────────
Transacción: TX-2025-045821
Ministerio: Salud
Proveedor: MediSupply SA
Monto: $8,500,000
Fecha: 2025-03-20

ANOMALY_SCORE: -2.8 (muy anómalo)
SEVERIDAD: ALTA

FEATURES ABERRANTES:
  ✗ Precio vs Mercado Ratio: 1.65 (esperado: 0.95-1.15)
  ✗ Porcentaje del Presupuesto: 8.2% (esperado: <2%)
  ✗ Días desde Licitación: 45 días (esperado: <10 días)
  ✓ Antigüedad Proveedor: OK (8 años en sistema)
  ✓ Número de Aprobaciones: OK (3 autorizaciones)

RECOMENDACIÓN: Auditor revise por sobrepricing + ciclo temporal inusual

ASIGNADO A: Auditor Senior - Juan García
PRIORIDAD: ALTA
```

#### 4.2.2 Modelo: Clasificación de Fraude (Fraud Classification)

**Técnica:** XGBoost / Random Forest con datos etiquetados

**Idea:** Entrenar modelo con transacciones históricas donde SE CONFIRMÓ fraude. El modelo aprende qué características típicamente indican fraude. Predice probabilidad de que nueva transacción sea fraude.

**Implementación:**

```python
import xgboost as xgb
from sklearn.metrics import roc_auc_score, precision_recall_curve

# PASO 1: PREPARAR DATOS CON ETIQUETAS
# Transacciones 2020-2024 donde se confirmó fraude (label=1) o no (label=0)

df_labeled = pd.read_csv("transacciones_con_etiqueta_fraude.csv")
# Columnas: features + 'fraude' (0 o 1)

# Features basadas en dominio de fraude
features = [
    'monto',
    'precio_vs_mercado_ratio',
    'concentration_score_proveedor',  # Qué tan concentrado está en este proveedor
    'funcionario_conflicto_interes',  # 0/1: tiene conflicto
    'proveedor_vinculado_a_oficial',  # 0/1: vinculado a funcionario
    'dias_entre_licitacion_pago',
    'numero_licitaciones_participantes',
    'historial_fraude_proveedor',  # Score 0-1 de riesgo histórico
    'antigüedad_proveedor',
    'rotacion_funcionarios_aprobadores',
    'dias_autorizado_vs_ejecutado',
    'ciclo_temporal_outlier'  # 0/1: patrón temporal sospechoso
]

X = df_labeled[features]
y = df_labeled['fraude']

# PASO 2: ENTRENAR MODELO
model = xgb.XGBClassifier(
    max_depth=6,
    learning_rate=0.1,
    n_estimators=200,
    scale_pos_weight=5,  # Más peso a fraudes (que son minoría)
    random_state=42
)

model.fit(X, y, eval_set=[(X, y)], verbose=False)

# Evaluar calidad
y_pred_proba = model.predict_proba(X)[:, 1]
auc = roc_auc_score(y, y_pred_proba)
print(f"AUC del modelo: {auc:.3f}")  # Objetivo: >0.85

# PASO 3: USAR EN PRODUCCIÓN
def evaluar_fraude_nueva_transaccion(transaccion):
    """Calcular probabilidad de fraude para cada transacción nueva"""

    x_new = extraer_features(transaccion)
    probabilidad_fraude = model.predict_proba([x_new])[0][1]

    if probabilidad_fraude > 0.7:
        return {
            'riesgo': 'ALTO',
            'probabilidad': probabilidad_fraude,
            'accion': 'AUDITOR_REVISA_ANTES_DE_EJECUTAR'
        }
    elif probabilidad_fraude > 0.4:
        return {
            'riesgo': 'MEDIO',
            'probabilidad': probabilidad_fraude,
            'accion': 'REVISAR_POST_EJECUCION'
        }
    else:
        return {
            'riesgo': 'BAJO',
            'probabilidad': probabilidad_fraude,
            'accion': 'REGISTRAR_Y_MONITOREAR'
        }

# Explicabilidad: qué features más influyeron
import shap
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X)

# Para cada predicción podemos explicar: "Es alto riesgo porque X"
```

**Output Ejemplo:**

```
TRANSACCIÓN: TX-2025-046123
PROBABILIDAD DE FRAUDE: 0.78 (ALTO RIESGO)

FACTORES QUE AUMENTAN RIESGO:
  ↑↑ Proveedor tiene antecedente de fraude (score: 0.85)
  ↑↑ Funcionario tiene conflicto de interés declarado
  ↑  Precio 45% arriba del mercado
  ↑  Ciclo temporal outlier (fin de mes)

FACTORES QUE REDUCEN RIESGO:
  ↓ Proveedor tiene 12 años en sistema (antigüedad)
  ↓ Número adecuado de licitantes (4 empresas)

RECOMENDACIÓN: RECHAZO DE TRANSACCIÓN O AUDITORÍA PROFUNDA
```

### 4.3 Motor 3: Análisis de Redes (Network Analysis)

**Concepto:** Grafos donde nodos son empresas/funcionarios, aristas son transacciones/relaciones. Detecta estructuras sospechosas (testaferría, carteles, ciclos de dinero).

**Técnica:** Graph Neural Networks, detección de comunidades, análisis de centralidad.

#### 4.3.1 Construcción del Grafo

```
Nodo = Entidad (Empresa, Funcionario, Ministerio)
Arista = Relación (transacción, accionariado, familia, oficina)

EJEMPLO: Red de Testaferría

    Empresa A ─→ ($10M) ──→ Ministerio Salud
        ↑
        └─── Accionista: Sr. García ───→ [Funcionario F en Salud]

    Empresa B ─→ ($8M) ──→ Ministerio Educación
        ↑
        └─── Accionista: Sra. García (hermana de Sr. García)

    Empresa C ─→ ($5M) ──→ Ministerio Obras Públicas
        ↑
        └─── Accionista: Empresa A (circular)

GRAFO DETECTADO:
A ←→ B (accionista común) ←→ C (relación indirecta)
A → Ministerio (dinero entra)
B → Ministerio (dinero entra)
C → Ministerio (dinero entra)
Funcionario F ← García (familia)

PATRÓN: Ciclo de 3+ empresas vinculadas que todas reciben dinero del Estado
        + funcionario con vínculos a accionistas
        = BANDERA ROJA: Posible red de corrupción
```

#### 4.3.2 Algoritmos de Detección en Grafo

**Algoritmo 1: Detección de Ciclos (Testaferría)**

```python
import networkx as nx

def detectar_ciclos_sospechosos(grafo, max_longitud_ciclo=5):
    """
    Encuentra ciclos en el grafo de empresas.
    Ciclos cortos = testaferría potencial
    """

    ciclos_encontrados = []

    # Encontrar todos los ciclos simples
    for ciclo in nx.simple_cycles(grafo, length_bound=max_longitud_ciclo):

        # Validar si es ciclo "sospechoso"
        empresa_beneficiada = None
        monto_total = 0
        accionistas_comunes = set()

        # Analizar cada arista del ciclo
        for i in range(len(ciclo)):
            empresa_actual = ciclo[i]
            empresa_siguiente = ciclo[(i + 1) % len(ciclo)]

            # ¿Esta empresa tiene accionistas comunes con la siguiente?
            accionistas_actual = grafo[empresa_actual]['accionistas']
            accionistas_siguiente = grafo[empresa_siguiente]['accionistas']
            comunes = accionistas_actual & accionistas_siguiente

            accionistas_comunes.update(comunes)

            # Si hay arista a Ministerio, registrar
            if empresa_siguiente.tipo == 'Ministerio':
                empresa_beneficiada = empresa_siguiente
                monto_total += empresa_actual.monto_recibido

        if accionistas_comunes:  # Ciclo con accionistas comunes
            ciclos_encontrados.append({
                'ciclo': ciclo,
                'longitud': len(ciclo),
                'accionistas_comunes': accionistas_comunes,
                'monto_total': monto_total,
                'severidad': 'CRÍTICA' if len(ciclo) <= 3 else 'ALTA'
            })

    return ciclos_encontrados
```

**Algoritmo 2: Detección de Hubs (Concentración)**

```python
def detectar_hubs_sospechosos(grafo):
    """
    Un 'hub' es un nodo central que conecta muchos otros.
    En contexto de corrupción: una empresa que recibe de muchos ministerios,
    o un funcionario que aprueba para muchos proveedores.
    """

    hubs_empresa = {}
    hubs_funcionario = {}

    for nodo in grafo.nodes():
        if nodo.tipo == 'Empresa':
            in_degree = grafo.in_degree(nodo)  # Cuántos ministerios le pagan
            out_degree = grafo.out_degree(nodo)  # Cuánto paga a otros

            if in_degree > 20 and nodo.monto_recibido > $100_000_000:
                monto_promedio = nodo.monto_recibido / in_degree
                hubs_empresa[nodo] = {
                    'ministerios_que_pagan': in_degree,
                    'monto_total': nodo.monto_recibido,
                    'monto_promedio_por_transaccion': monto_promedio,
                    'concentración': in_degree / len(grafo.nodes())  # % de economía
                }

        elif nodo.tipo == 'Funcionario':
            out_degree = grafo.out_degree(nodo)  # Cuántas decisiones tomó
            empresas_favorecidas = set()

            for empresa, metadata in grafo[nodo].items():
                if metadata['relacion'] == 'APROBÓ':
                    empresas_favorecidas.add(empresa)

            # Si un funcionario aprobó para pocas empresas (concentración)
            if out_degree > 50 and len(empresas_favorecidas) < out_degree * 0.2:
                hubs_funcionario[nodo] = {
                    'decisiones_totales': out_degree,
                    'empresas_favorecidas': len(empresas_favorecidas),
                    'concentración_empresas': len(empresas_favorecidas) / out_degree,
                    'severidad': 'ALTA' if len(empresas_favorecidas) < 5 else 'MEDIA'
                }

    return {'hubs_empresa': hubs_empresa, 'hubs_funcionario': hubs_funcionario}
```

**Visualización:**

```
Red de Empresas - Dashboard Interactivo

      Ministerio Salud
             ↓ ($500M)
    ┌────────┴────────┐
    ↓                 ↓
Empresa A          Empresa B     ← Mismo accionista
($200M/año)        ($150M/año)
    ↓                 ↓
    └────────┬────────┘
             ↓
        Empresa C (fantasma)  ← Recibe 10% del dinero,
        ($30M/año)              no produce nada documentado
             ↓
        [CICLO CERRADO]         → FRAUDE PROBABLE

Colores:
🔴 ROJO: Alta concentración, ciclos cerrados
🟠 NARANJA: Patrones sospechosos
🟢 VERDE: Operación normal
```

---

## 5. DASHBOARD DE AUDITORÍA AUTOMATIZADA

### 5.1 Pantalla Principal (para Analista/Auditor)

```
╔════════════════════════════════════════════════════════════════╗
║          DASHBOARD DE AUDITORÍA AUTOMATIZADA - AGN             ║
╠════════════════════════════════════════════════════════════════╣
║                                                                 ║
║  ALERTAS DEL DÍA (20 de marzo, 2025)                           ║
║  ─────────────────────────────────────────────────────────────  ║
║                                                                 ║
║  🔴 CRÍTICAS (3)          ⏰ Hace 2 horas                       ║
║     • TX-046821: Sobrepricing $8.5M - Ministerio Salud         ║
║     • Red de Testaferría detectada (5 empresas) - $45M         ║
║     • Funcionario F: Conflicto de interés en TX-046933         ║
║                                                                 ║
║  🟠 ALTAS (8)             ⏰ Hace 4 horas                       ║
║     • Ciclo temporal anómalo - Obra Pública                    ║
║     • Proveedor X: 85% de licitaciones ganadas                 ║
║     • [+5 más]                                                 ║
║                                                                 ║
║  🟡 MEDIAS (12)           ⏰ Hace 8 horas                       ║
║     • Precio +35% mercado - medicinas                          ║
║     • [+11 más]                                                ║
║                                                                 ║
║  ─────────────────────────────────────────────────────────────  ║
║                                                                 ║
║  ESTADÍSTICAS (últimos 30 días)                                ║
║                                                                 ║
║  Alertas totales: 847                                          ║
║  ├─ Críticas: 12 (1.4%)     Validadas como fraude: 10 (83%)   ║
║  ├─ Altas: 95 (11.2%)        Validadas como fraude: 71 (75%)  ║
║  ├─ Medias: 380 (44.9%)      Validadas como fraude: 114 (30%) ║
║  └─ Bajas: 360 (42.5%)       Validadas como fraude: 8 (2%)    ║
║                                                                 ║
║  Casos derivados a Fiscalía: 87                                ║
║  Casos en investigación: 43                                    ║
║  Casos cerrados (sin fraude): 201                              ║
║  Fondos en riesgo identificados: $1.2 BILLONES                 ║
║                                                                 ║
╚════════════════════════════════════════════════════════════════╝
```

### 5.2 Vista de Detalle de Alerta

```
╔════════════════════════════════════════════════════════════════╗
║  ALERTA DETALLADA - TX-046821                                  ║
╠════════════════════════════════════════════════════════════════╣
║                                                                 ║
║  SEVERIDAD: 🔴 CRÍTICA                                          ║
║  TIPO: Sobrepricing + Ciclo Temporal Sospechoso                ║
║  FECHA DETECCIÓN: 20/03/2025 - 14:32:45                        ║
║                                                                 ║
║  ─ TRANSACCIÓN ─────────────────────────────────────────────   ║
║  ID: TX-046821                                                 ║
║  Ministerio: Salud Pública                                     ║
║  Dependencia: Hospital Nacional de Pediatría                   ║
║  Proveedor: MediSupply Solutions SA (CUIT: 30-71234567-9)     ║
║  Producto: Amoxicilina 500mg - 10.000 unidades                ║
║  Monto: $8,500,000                                             ║
║  Precio Unitario: $850 (Mercado: $530) = +60%                 ║
║  Fecha Compra: 28/03/2025 (ÚLTIMOS 2 DÍAS DEL MES) ⚠️         ║
║                                                                 ║
║  ─ ANÁLISIS AUTOMÁTICO ─────────────────────────────────────   ║
║                                                                 ║
║  1️⃣  ANOMALY SCORE: -2.95 (muy anómalo)                       ║
║     Features aberrantes:                                       ║
║     • Precio vs Mercado: 1.60 (esperado: 0.95-1.15)           ║
║     • Ciclo Temporal: 92% en últimos 3 días del mes            ║
║     • Porcentaje presupuesto: 11.2% (esperado: <2%)           ║
║     • Días desde licitación: 52 (esperado: <10)               ║
║                                                                 ║
║  2️⃣  PROBABILIDAD DE FRAUDE (XGBoost): 0.82 (ALTO)            ║
║     Factores influyentes:                                      ║
║     + Sobrepricing histórico de MediSupply: 35% promedio      ║
║     + MediSupply ganó 7 de 9 licitaciones último año (78%)    ║
║     + Director de Compras (Dr. García) aprobó todas 7        ║
║     - Proveedor tiene 6 años en sistema (antigüedad OK)       ║
║     - Cantidad de licitantes fue adecuada (5 empresas)        ║
║                                                                 ║
║  3️⃣  ANÁLISIS DE RED:                                          ║
║     MediSupply ← Accionista (oculto, encriptado)              ║
║             ← Vinculación potencial a Dr. García: SIN REGISTRAR║
║     [REQUIERE INVESTIGACIÓN FORENSE]                           ║
║                                                                 ║
║  ─ CONTEXTO HISTÓRICO ───────────────────────────────────────  ║
║                                                                 ║
║  Transacciones de MediSupply (últimos 24 meses):               ║
║  • 9 compras → Ministerio Salud = $45,200,000                 ║
║  • Promedio precio vs mercado: +35%                            ║
║  • Tendencia: CRECIENTE (primer año: +20%, ahora +60%)        ║
║  • Patrón: Siempre en últimos días de período                  ║
║                                                                 ║
║  Transacciones de Dr. García como aprobador:                   ║
║  • Total decisiones: 247                                       ║
║  • Aprobadas para MediSupply: 7 (2.8%)                        ║
║  • Tasa de aprobación: 100% (vs promedio 45%)                 ║
║  • Promedio montos MediSupply: $5.2M (vs promedio: $1.8M)    ║
║                                                                 ║
║  ─ RECOMENDACIÓN ────────────────────────────────────────────  ║
║                                                                 ║
║  ACCIÓN: RECHAZAR TRANSACCIÓN + AUDITORÍA PROFUNDA             ║
║                                                                 ║
║  Pasos siguientes:                                             ║
║  1. Auditor Senior valida hallazgos (manual)                   ║
║  2. Si se confirma: Caso abierto formalmente                   ║
║  3. Investigador Forense: Examinar accionistas MediSupply     ║
║  4. Investigador Fraude: Rastrear flujos de dinero             ║
║  5. Remitir a Fiscalía dentro de 5 días hábiles               ║
║                                                                 ║
║  ─ ACCIONES DISPONIBLES ─────────────────────────────────────  ║
║                                                                 ║
║  [✓ VALIDAR COMO FRAUDE]  [◯ REVISAR MÁS]  [✗ FALSO POSITIVO] ║
║  [📧 ENVIAR A AUDITOR]     [📋 CREAR CASO]  [💾 GUARDAR]       ║
║                                                                 ║
╚════════════════════════════════════════════════════════════════╝
```

### 5.3 Vista de Red (Testaferría)

```
┌─ ANÁLISIS DE RED - Sospecha de Testaferría ──────────────────┐
│                                                                │
│  Nodo: Ministerio Salud (central)                             │
│  ├─► Empresa A ($200M) ────┐                                 │
│  ├─► Empresa B ($150M) ────┼─ [ACCIONISTA COMÚN] ⚠️          │
│  ├─► Empresa C ($100M) ────┤                                 │
│  ├─► Empresa D ($80M)  ────┘                                 │
│  │                                                             │
│  └─► Empresa A ────► Empresa Z (intermediaria fantasma)      │
│                           │                                   │
│                           └─► [CICLO CERRADO] $50M ⚠️⚠️      │
│                                                                │
│  PATRÓN DETECTADO:                                            │
│  • 4 empresas reciben dinero del Ministerio                   │
│  • 3 de ellas comparten accionistas                           │
│  • Flujos de dinero cierran en ciclo (A→B→Z→A)              │
│  • Ciclo: Dinero estatal entra, sale mediante intermediarias │
│  • Potencial: $50-100M desviados anualmente                   │
│                                                                │
│  SEVERIDAD: CRÍTICA - Investigación Fiscal Recomendada        │
└────────────────────────────────────────────────────────────────┘
```

---

## 6. FLUJO DE VALIDACIÓN Y ESCALADA

### 6.1 Proceso: Alerta → Investigación → Denuncia

```
PASO 1: ALERTA AUTOMÁTICA GENERADA
└─ Algoritmo detecta anomalía
   Severity score calculado
   Caso creado en sistema

   ↓ (< 1 minuto)

PASO 2: NOTIFICACIÓN A AUDITOR
└─ Email + notificación en app
   Auditor recibe en bandeja "Pendiente Revisión"
   Debe actuar en plazo: 24 horas (crítica), 5 días (media)

   ↓

PASO 3: AUDITOR REALIZA VALIDACIÓN INICIAL
└─ Lee alerta automática
   Revisa contexto (histórico, transacciones similares)
   Tres opciones:

   A) VALIDAR COMO FRAUDE
      └─ Caso escala a "Investigación Formal"
         Investigador asignado

   B) MARCAR COMO "REQUIERE MÁS DATA"
      └─ Solicita información adicional
         Ejemplo: "Necesito justificación de por qué subió precio"
         Generador de transacción tiene 3 días para responder
         Si no responde o respuesta insuficiente → vuelve a A

   C) DESCARTAR COMO FALSO POSITIVO
      └─ Explica por qué es falso positivo
         Retroalimenta algoritmo
         Caso se cierra pero se registra
         (para mejorar precisión del modelo)

   ↓ (Si opción A)

PASO 4: INVESTIGACIÓN FORMAL
└─ Investigador asignado (forense, fraude, etc.)
   Recopila evidencia adicional:
   • Accionistas reales de proveedor
   • Historiales bancarios
   • Comunicaciones entre funcionarios
   • Documentación de licitación
   • Comparación con precios internacionales

   Duración estimada: 2-8 semanas

   ↓

PASO 5: REPORTE DE INVESTIGACIÓN
└─ Investigador redacta reporte de 10-30 páginas
   Estructura:
   • Resumen ejecutivo
   • Hechos observados
   • Marco legal violado
   • Evidencia recopilada
   • Cálculo de daño (monto defraudado)
   • Responsables identificados
   • Recomendaciones

   Revisión: Abogado + Auditor Senior + Director

   ↓

PASO 6: REMISIÓN A FISCALÍA
└─ Si se confirma delito:
   • Reporte + evidencia digital enviada a Fiscal especializado
   • Comunicación formal con protocolo de cadena de custodia
   • Seguimiento de caso

   ↓

PASO 7: MONITOREO Y CIERRE
└─ Seguimiento en Fiscalía (abierto vs cerrado)
   Resolución final registrada en sistema
   Si hay condena: entra en base de "sentencias confirmadas"
   Base alimenta modelo ML (mejora predicciones futuras)
```

### 6.2 SLA (Service Level Agreement) - Tiempos

| Tipo Alerta | Tiempo a Validación | Tiempo a Investigación | Tiempo a Fiscal |
|-------------|-------------------|----------------------|-----------------|
| CRÍTICA | 24 horas | 2 semanas | 3 semanas |
| ALTA | 3 días | 4 semanas | 5 semanas |
| MEDIA | 5 días | 8 semanas | 10 semanas |
| BAJA | 10 días | 12 semanas | N/A (si es falso positivo) |

---

## 7. MANEJO DE FALSOS POSITIVOS

### 7.1 El Problema: Precisión vs Sensibilidad

```
DILEMA: ¿Qué es peor?

A) FALSE POSITIVE (Falso Positivo)
   └─ Alerta por fraude que NO EXISTE
      Impacto: Auditor pierde tiempo, funcionario inocente sospechado
      Riesgo: Si muchos, sistema pierde credibilidad

B) FALSE NEGATIVE (Falso Negativo)
   └─ Fraude REAL que no se detecta
      Impacto: Dinero público desviado, corruptor se escapa
      Riesgo: Es lo que queremos EVITAR
```

### 7.2 Estrategia de Balance

**Objetivo:** Precision ≥ 70% (de 100 alertas, ≥70 son fraudes reales)

**Método:**

1. **Threshold Variable por Severidad**
   ```
   CRÍTICA: threshold = 0.85 (muy conservador, pocos positivos)
            └─ Si modelo dice 85%+ probabilidad fraude: ALERTA

   ALTA: threshold = 0.65 (moderado)
         └─ Si modelo dice 65%+ probabilidad fraude: ALERTA

   MEDIA: threshold = 0.45 (liberal, más alertas pero más falsos)
          └─ Si modelo dice 45%+ probabilidad fraude: ALERTA
   ```

2. **Ensemble de Algoritmos**
   ```
   Una transacción genera alerta SOLO SI:
   • Motor 1 (Reglas): DISPARÓ
   Y
   • Motor 2 (ML): probabilidad > threshold
   Y
   • Motor 3 (Redes): detectó patrón sospechoso

   Si los 3 coinciden: confianza muy alta
   Si solo 1-2 disparan: necesita más validación manual
   ```

3. **Human-in-the-Loop**
   ```
   Auditor marca "Falso Positivo"
      ↓
   Sistema registra (transacción similar en futuro)
      ↓
   Modelo reentrenado (aprende qué NO es fraude)
      ↓
   Futuras alertas similares tienen score ajustado
   ```

### 7.3 Monitoreo de Precisión

```
DASHBOARD DE CALIDAD DEL MODELO

Semana: 2-8 de marzo, 2025

Alertas generadas: 1,247
├─ Críticas: 15 → Validadas como Fraude: 14 (93% precision)
├─ Altas: 124 → Validadas como Fraude: 89 (72% precision)
├─ Medias: 658 → Validadas como Fraude: 198 (30% precision)
└─ Bajas: 450 → Validadas como Fraude: 9 (2% precision)

PRECISION PROMEDIO: (14+89+198+9) / 1,247 = 310/1,247 = 24.8%

STATUS: ⚠️ BAJO - Necesita ajuste

ACCIONES CORRECTIVAS:
• Revisar qué hace que alertas MEDIA sean 70% falsos positivos
• Probablemente threshold muy bajo para MEDIA
• Propuesta: Aumentar threshold MEDIA de 0.45 a 0.55
  └─ Esto reduciría falsos positivos pero perdería algunos fraudes reales
  └─ Trade-off aceptable: mejor pocas alertas de alta calidad

REENTRENAMIENTO PROGRAMADO:
Próximo ciclo: 15 de marzo
Input: últimas 1,000 transacciones etiquetadas
Datos positivos (fraude confirmado): 310
Datos negativos: 937
Proporción: mejor balance
```

---

## 8. INTEGRACIÓN CON FISCALÍA

### 8.1 Protocolo de Remisión de Casos

**Cuando se remite caso a Fiscal:**

1. **Documentación**
   - Reporte de 20-30 páginas
   - Evidencia digital (archivos, logs, blockchain hashes)
   - Declaraciones de testigos internos
   - Análisis financiero detallado

2. **Formato de Remisión**
   ```
   REMISIÓN A FISCALÍA

   Caso ID: INV-2025-001234
   Fiscal Especializado: Dra. María López
   Tribunal: Juzgado Penal Federal N°7

   HECHOS RESUMIDOS:
   Fraude en compra de medicinas. Proveedor "MediSupply SA"
   recibió $8.5M por medicinas con precio 60% arriba del mercado.
   Funcionario responsable aparentemente vinculado a accionistas.

   MONTOS INVOLUCRADOS:
   • Defraudación específica (TX-046821): $3.2M (diferencia de precio)
   • Defraudación total (24 meses historial): $28.7M

   RESPONSABLES IDENTIFICADOS:
   1. Dr. Juan García (Funcionario, Ministerio Salud)
   2. MediSupply SA (empresa contratada)
   3. Accionistas de MediSupply (por confirmar)

   ARCHIVOS ADJUNTOS:
   • Reporte_Investigación_Final.pdf
   • Evidencia_Blockchain.zip (transacciones íntegras)
   • Análisis_Red_Testaferría.pdf
   • Comunicaciones_Internas.pdf

   CADENA DE CUSTODIA:
   [Hash criptográfico de todos los archivos]
   Verificable y no manipulable
   ```

### 8.2 Seguimiento y Coordinación

**Sistema de Ticketing para Casos:**

```
CASO: INV-2025-001234 - MediSupply Fraud

Estado: REMITIDO A FISCALÍA
Fecha Remisión: 15 de abril, 2025
Fiscal: Dra. María López
Juzgado: Penal Federal N°7

TIMELINE:
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
Abril 1:    Investigación iniciada
Abril 15:   Reporte final completado
Abril 16:   Remisión a Fiscalía
Mayo 10:    Fiscal solicita documentación adicional
Mayo 15:    AGN proporciona datos (blockchain completo)
Junio 1:    Fiscal abre causa formal
Junio 15:   Citación de imputados
Julio 1:    [Esperando resolución]

ACTUALIZACIONES:
• [Hoy] Fiscal solicita: "¿Pueden confirmar monto real defraudado?"
  → AGN responde: "Confirmado en blockchain: $3.2M (TX específica)"
  → Estado: RESPONDIDO ✓
```

---

## 9. CAPACITACIÓN DE AUDITORES

### 9.1 Programa de Onboarding

**Duración:** 12 semanas

**Módulo 1 (Semana 1-2): Fundamentos**
- Historia de fraude en administración pública
- Tipos comunes de fraude (favoritismo, testaferría, sobrepricing)
- Marco legal: qué es delito, qué no
- Ética profesional y cadena de custodia

**Módulo 2 (Semana 3-4): Herramientas Técnicas**
- Dashboard de auditoría: navegación
- Cómo leer alertas automáticas
- Cómo interpretar anomaly scores
- Herramientas de análisis: Excel, SQL queries básicas

**Módulo 3 (Semana 5-6): Casos de Estudio**
- Fraude real nº 1: Proveedor favorecido
  - Cómo fue detectado, cómo se investigó, resultado
- Fraude real nº 2: Red de testaferría
  - Análisis de red, ciclos cerrados, investigación
- Fraude real nº 3: Sobrepricing sistemático
  - Comparación de precios, análisis temporal

**Módulo 4 (Semana 7-8): Redacción de Reportes**
- Estructura de reporte investigativo
- Cómo argumentar hallazgos
- Cómo presentar evidencia
- Prácticas: escribir reporte sobre caso ficticio

**Módulo 5 (Semana 9-10): Coordinación Interinstitucional**
- Protocolo con Fiscalía
- Cómo se maneja cadena de custodia
- Qué información es confidencial
- Práctica: simular remisión de caso

**Módulo 6 (Semana 11-12): Evaluación y Certificación**
- Examen: caso real, deben detectar fraude
- Presentación de investigación simulada
- Certificación: aprobó/reprobó

### 9.2 Formación Continua

**Cada trimestre:**
- 1 caso de estudios nuevos
- 1 capacitación sobre nuevas técnicas de fraude
- 1 actualización de herramientas/sistemas

---

## 10. MÉTRICAS DE ÉXITO DEL PILAR 2

### 10.1 Métricas de Detección

| Métrica | Baseline (Situación Actual) | Objetivo Año 3 | Fórmula |
|---------|---------------------------|----------------|---------|
| **Tiempo promedio de detección** | 5-7 años | <3 meses | (Fecha detección - Fecha inicio fraude) |
| **Fraudes detectados/año** | ~5 (conocidos) | >50 | Casos confirmados por fiscal |
| **Monto defraudado detectado/año** | ~$200M (histórico) | >$800M | Suma de montos de fraudes confirmados |
| **Precision de alertas** | N/A | ≥70% | (Fraudes confirmados / Total alertas) |
| **Recall (cobertura)** | Desconocido | ≥80% | (Fraudes detectados / Total fraudes reales) |

### 10.2 Métricas de Operación

| Métrica | Target |
|---------|--------|
| **Tiempo Auditor por alerta CRÍTICA** | <2 horas |
| **Tiempo a decisión (validar/descartar)** | SLA según severidad |
| **Tasa de reentrenamiento de modelos** | Mensual |
| **Disponibilidad del sistema** | 99.9% uptime |
| **Cobertura de transacciones auditadas** | 100% (todas ingresadas) |

### 10.3 Métricas de Impacto

| Métrica | Objetivo |
|---------|----------|
| **Casos derivados a Fiscalía/mes** | 5-10 |
| **Tasa de condena de casos derivados** | ≥60% |
| **Fondos recuperados/año** | $200-500M |
| **Disuasión: Reducción de intentos de fraude** | Reducción >30% en patrones detectables |
| **Confianza en el Estado** | Aumento de 15 puntos en encuestas |

---

## 11. COSTO OPERATIVO ANUAL (POST-IMPLEMENTACIÓN)

| Concepto | Costo Anual |
|----------|-------------|
| **Salarios (35 personas)** | $80M |
| **Infraestructura (servidores, networking)** | $12M |
| **Licencias software (ML platforms, bases de datos)** | $8M |
| **Auditoría externa + penetration testing** | $2M |
| **Capacitación continua** | $1.5M |
| **Viáticos/operación** | $1M |
| **Contingencias (5%)** | $5.2M |
| **TOTAL** | **$109.7M/año** |

**Financiamiento:** Fondos recuperados (si Pilar 1 + 2 funcionan bien) pueden cubrir esto + expansión.

---

## 12. PRÓXIMOS PASOS Y VALIDACIÓN

### 12.1 Piloto Pre-Implementación

Antes de escalar a todo el Estado:

**Fase 0: Piloto (3 meses)**
- Seleccionar 2 ministerios (Salud + Educación)
- Histórico de 2 años de transacciones
- Ejecutar motores de detección
- Validar hallazgos contra investigaciones conocidas
- Calibrar thresholds

**Objetivo:** Demostrar que sistema detecta fraude real conocido

### 12.2 Validación con Expertos

- Reunión con Auditor General actual
- Reunión con Fiscal especializada en corrupción
- Feedback de académicos en UBA/UNSAM
- Ajustes basados en input

### 12.3 Implementación Gradual

- Mes 1-3: Implementación Pilar 1 (Sistema de Información)
- Mes 2-4 (paralelo): Construcción infraestructura Pilar 2
- Mes 4-6: Operación piloto en 2 ministerios
- Mes 6-12: Escalada a todos los ministerios nacionales
- Mes 12+: Expansión a provincias

---

## CONCLUSIÓN

El Pilar 2 convierte datos del Pilar 1 en inteligencia y acción. Combina:

✓ **Reglas basadas en expertise** (detecta fraude conocido rápidamente)
✓ **Machine Learning** (identifica patrones nuevos)
✓ **Análisis de Redes** (encuentra estructuras complejas de corrupción)
✓ **Humanos validadores** (evita falsos positivos, toma decisiones finales)

**Impacto esperado:** Lo que tardaba 5-7 años en detectarse ahora se detecta en 1-3 meses.

Del caso Hospital de Niños: Los $667K/mes defraudados habrían sido detectados EN LA PRIMERA SEMANA.

---

# ÍNDICE

- Plan Integral de Reforma Administrativa - Argentina
https://pastebin.com/edit/Z19SsrUZ

- Pilar 1: Sistema de Información Integrado del Estado Argentino
https://pastebin.com/9gFV29Lj

- Pilar 2: Sistema de Auditoría Automatizada y Análisis Predictivo
https://pastebin.com/q9bqVE1W

- Pilar 3: Reforma de la Auditoría General de la Nación (AGN)
https://pastebin.com/5ppgN9Gj

- Pilar 4: Juzgados Especializados en Corrupción Administrativa
https://pastebin.com/ZxLkNvSH

- Pilar 5: Sistema de Protección de Denunciantes
https://pastebin.com/7QLN607D

- Pilar 6: Transparencia y Participación Ciudadana
https://pastebin.com/w51vGG4k

<x777x>
<x8888x>
<x147x>