Modelo de Fiscalización Basado en Ciencia de Datos - SUSESO

Cliente: Superintendencia de Seguridad Social (SUSESO)

Tipo de proyecto: Gobernanza de datos, fiscalización continua, NLP y detección de anomalías con Machine Learning

El desafío

SUSESO fiscaliza dos mundos distintos: las Cajas de Compensación de Asignación Familiar (CCAF), a través de la Intendencia de Beneficios Sociales (IBS), y las Mutualidades de Empleadores, a través de la Intendencia de Seguridad y Salud en el Trabajo (ISESAT). El volumen que hay detrás de esa fiscalización es considerable: cerca de 30 sistemas de información, 600 entidades y ~110 millones de transacciones al año, con datos heterogéneos entre sí: distinta estructura, periodicidad, dominios y codificación.

El modelo de supervisión vigente está basado en riesgos, pero la capacidad de los equipos fiscalizadores es humana y finita. El proyecto buscó complementar ese modelo con ciencia de datos: fiscalización continua y automatizada, detección de anomalías con Machine Learning y visualización avanzada, ejecutado durante 2024 y 2025 en un contrato de 12 meses.

Qué se hizo

El trabajo combinó consultoría estratégica con desarrollo técnico aplicado, estructurado en módulos que se habilitan entre sí:

• Gobernanza de datos (módulo prioritario y habilitante de todo lo demás): levantamiento de los sistemas críticos de información (GRIS CCAF, GRIS Mutuales, SISESAT, Central de Riesgo CRCCAF, PAE, LME, SIMAT, SISILHIA), propuesta de roles de gobernanza transversales, política de gobernanza de datos (calidad, seguridad, privacidad y ética) y lineamientos para el almacén de datos institucional.

• Almacén de datos (data store): definición de arquitectura de datos estructurados y no estructurados, integrando fuentes de ambas intendencias mediante procesos ETL.

• Modelo de fiscalización continua: levantamiento y priorización de iniciativas normativas existentes, propuesta de nuevas iniciativas (con objetivo, fuente, fórmula y normativa aplicada), y un piloto de monitoreo por intendencia con dashboards interactivos que incluyen análisis descriptivo, clustering, tendencias y proyecciones.

• Modelo NLP de reclamos: extracción y clasificación automática de palabras clave desde los textos de reclamos del PAE, generando un diccionario de materias fiscalizables como insumo estructurado para los equipos.

• Modelo de detección de anomalías (ML): investigación, selección y aplicación de técnicas de detección de anomalías sobre una problemática real, definida en conjunto con los fiscalizadores de ambas intendencias.

• Sistema automatizado de alertas: panel en tiempo real que muestra los hallazgos detectados, el proceso de negocio involucrado y la normativa infringida.

• Plataforma de bajo código: propuesta de un entorno que permita a los propios fiscalizadores desarrollar y mantener modelos sin depender del consultor una vez terminado el contrato.

• Transferencia de conocimiento: jornadas presenciales de capacitación en gobernanza de datos, fiscalización continua y modelos de ML/anomalías, dirigidas a un mínimo de 40 fiscalizadores, con componentes teóricos y prácticos, casos reales y actividades interactivas.

El proyecto se organizó en 14 entregables a lo largo de 18 meses: los módulos de gobernanza y transferencia de conocimiento inicial se concentraron en septiembre de 2024, el modelo de fiscalización continua en noviembre de 2024, y durante 2025 se fueron sumando el modelo de detección de anomalías (junio), el sistema de alertas (septiembre) y la plataforma de bajo código junto con la capacitación en ML (octubre).

Requerimientos técnicos

Arquitectura y stack

• Arquitectura cloud-based, con el datawarehouse ya provisionado parcialmente en Oracle ADW.

• Fuentes de datos heterogéneas: archivos XML, bases de datos relacionales, texto no estructurado (reclamos del PAE) y plataformas propias como SISESAT o SISILHIA.

• Modelos de Machine Learning para detección de anomalías, NLP para extracción de información desde texto y análisis descriptivo con clustering.

• Plataforma de visualización con dashboards interactivos (filtros, drill-down, exportación de datos), a proponer por el consultor.

• Plataforma de bajo código a proponer, compatible con el stack de desarrollo usado en el proyecto.

  
  

Disclaimer: esta descripción fue elaborada exclusivamente en base a la información pública disponible en las bases administrativas y técnicas de la licitación. No incluye detalles confidenciales, resultados específicos de los modelos ni información contractual reservada entre SUSESO y X-Consulting.