Resumen:
En una entidad de control se busca medir el desempeño con base a una serie de indicadores operativos, entre ellos el tiempo promedio de realización de auditorías desde la planificación hasta el informe final, el cumplimiento de plazos, porcentaje de recomendaciones que se han implementado en las organizaciones. La tendencia actual y creciente en auditoría es la aplicación de técnicas de aprendizaje automático (machine learning) que busca mejorar la eficiencia, precisión y exhaustividad de los procesos de auditoría. Con estas técnicas se pueden analizar grandes volúmenes de datos para identificar patrones anómalos que podrían indicar errores o comportamientos inusuales. Problema: La entidad no cuenta con un modelo que esté orientado al apoyo en la toma de decisiones informada, que aplique técnicas de aprendizaje automático y de auditoría, que permita identificar patrones de riesgo, anticipar problemas de incumplimiento en función de datos pasados, construir perfiles de comportamiento, clasificación de documentos relevantes reduciendo la carga de trabajo manual, y por supuesto evaluar la eficacia de la gestión. Objetivo: Implementar un modelo analítico-predictivo aplicando técnicas de machine learning para evaluar los niveles de cumplimiento mediante la categorización de los indicadores por tipo de examen y unidad establecidos por la entidad de control. Metodología: El presente trabajo aplica la metodología de Knowledge Discovery in Databases ( KDD). Resultados esperados: El modelo analítico-predictivo permite construir modelos basados en indicadores para tener una visión a corto plazo de las operaciones de la entidad auditada y establecer controles de cumplimiento de los planes de trabajo en los equipos. Esto beneficia al proceso de toma de decisiones y la evaluación de la eficacia en la gestión.
