I. Introducción

El objetivo de esta investigación es generar una serie de pasos, estructurados en una guía metodológica, para aplicar la minería de datos (MD), y migrar datos de la Plataforma Nacional de Transparencia (PNT), concretamente del Sistema de Portales de Obligaciones de Transparencia (SIPOT). Por esa razón, el apartado se divide en cuatro momentos.

En el primer momento, se analiza el sistema nacional de transparencia en México, el cual reconoce el derecho humano al acceso a la información pública y protección de datos personales. En ese orden de ideas, se puede acceder de manera directa a un apartado de información pública, utilizando la PNT, para obtener información en manos de las autoridades.

La PNT alberga tanto datos abiertos como documentos de carácter público, los cuales están al alcance de cualquier persona. De allí su importancia, ya que pueden ser usados, reutilizados y redistribuidos en un formato accesible. Lo anterior genera una gran base de datos, organizada y confiable, porque los sujetos obligados en todos sus niveles deben trasparentar toda la información, definida como de carácter público, de manera trimestral, y la misma debe conservarse, es decir, es de naturaleza permanente.

Además, para generar orden y los datos estén homologados, atendiendo a la gran cantidad de sujetos obligados, y con el objetivo de eliminar o reducir cualquier apreciación subjetiva, se elaboran los Lineamientos técnicos generales, los cuales determinan los elementos técnicos aplicables a la obligación de transparencia.

El segundo momento teórico analizado está relacionado con los datos abiertos en la PNT, los cuales tienen características normativas que los hacen accesibles, integrales, gratuitos, no discriminatorios, oportunos, permanentes, primarios, legibles, y pueden ser interpretados por equipos electrónicos en formatos abiertos y de libre uso. Este apartado analiza por qué los datos abiertos de la PNT son sumamente importantes para la investigación, ya que sirven para sustentar la metodología y efectuar el análisis.

El tercer momento de análisis teórico está relacionado con la MD, que consiste en migrar datos para identificar, extraer, procesar y analizar la información existente. Aquí el primer paso es identificar la base de datos que habrá que migrar, de modo que el descubrimiento de las bases de datos es primordial para aplicar tanto la migración, como las técnicas de análisis.

El cuarto apartado introduce al lector en el modelo SEMMA, como herramienta que genera una guía para el proceso de selección, exploración y modelado de datos, adecuada a la base con la que se va a trabajar, en este caso la PNT.

Analizada la parte teórica se desagrega la guía, que consiste en:

Por último, se presentan las conclusiones, en donde se desagregan las aportaciones teóricas y metodológicas, así como las limitantes y posibles líneas de investigación.

II. El Sistema Nacional de Transparencia en México

«La información es poder». Esta frase es una premisa fundamental en la administración pública (^{Velasco Zamora, 2019}), ya que tener información es transcendental para realizar análisis metódicos y racionales (^{Vivas, 2016}), y esto es importante porque genera nuevas formas de participación ciudadana (^{OCDE, 2019, p. 17}), nuevas estructuras de gobierno (^{Castillo, 2019}), y, por ende, mejores niveles de gobierno y ciudadanía (^{Ibujés y Crespo, 2019})en el foro de la Organización de las Naciones Unidas (ONU.

En México se reconoce el derecho humano al acceso a la información pública y protección de datos personales (CPEUM, 2019, art. 6o.). Esto implica que todo sujeto puede solicitar documentos en posesión de las autoridades, por medio de solicitudes de transparencia; o bien, de manera directa, puede acceder a un apartado de información pública, utilizando la PNT.

Materializar el derecho humano al acceso a la información pública no ha sido una labor sencilla -por lo menos seis reformas constitucionales dan cuenta de ello (^{DOF 2007b}; ¹⁹⁷⁷; ^2007a; ²⁰¹³; ²⁰¹⁴; ²⁰¹⁶)-, ya que obtener información de naturaleza pública, permite cristalizar otros derechos. Conjuntamente, se genera un entendimiento objetivo y racional de las actuaciones del Estado, concibiendo niveles de confianza en el gobierno para exigir su trasformación; es decir, permite generar nuevas formas de gobernabilidad al coadyuvar con las autoridades (^{Castro y Rosales, 2020}).

En ese orden de ideas se crea el Sistema Nacional de Transparencia, Acceso a la Información y Protección de Datos Personales (SNTA), el cual establece procedimientos, instrumentos y políticas en materia de transparencia, acceso a la información y protección de datos personales (LGTAIP, 2015, arts. 27-36).

Una parte del SNTA se ocupa de la generación de datos abiertos digitales de carácter público que pueden ser usados, reutilizados y redistribuidos por cualquier persona (LGTAIP, 2015, art. 3o.), y que están a disposición a través de medios electrónicos (CPEUM, 2019, art. 6o, frac. V) en un formato accesible y bajo criterios de calidad. Este medio electrónico es la PNT, que alberga distintos sistemas (LGTAIP, 2015, arts. 49-52):

Ante ello, esta investigación se centra en el análisis y establecimiento de una guía metodológica para el apartado 3, es decir, para el SIPOT.

Lo anterior implica que los sujetos obligados en todos sus niveles deben trasparentar la información definida como de carácter público (LGTAIP, art. 70). Para ello, y atendiendo a la cantidad de información y de sujetos obligados, se generan los Lineamientos técnicos generales (^{SNT, 2020}), que establecen los parámetros técnicos deben seguir los sujetos obligados para ingresar al SIPOT, con la intención de que estén homologados y estandarizados (LGTAIP, 2015, art. 31, frac. IV).

Estos Lineamientos técnicos generales (SNT, 2020) establecen obligaciones específicas para los sujetos obligados en cuanto a:

En consecuencia, la PNT alberga la información de cada sujeto obligado, en atención a las obligaciones que les corresponden, y se genera una importante base de datos de los tres niveles de gobierno y de personas morales y físicas que obtuvieron recursos públicos para realizar acciones específicas o realizan funciones públicas, de obtención gratuita, homogénea.

III. Los datos abiertos en la Plataforma Nacional de Transparencia

Los datos abiertos existentes en la PNT deben cumplir con las siguientes características: inicialmente deben ser accesibles, es decir, estar disponibles para la mayor cantidad de usuarios; deben ser integrales, esto es, que describan a detalle los elementos que lo componen; deben ser gratuitos, ya que su obtención no debe generar ningún cobro; y, deben ser no discriminatorios. Ante ello, se generan medios tecnológicos para que cualquier persona pueda disponer de los mismos. Además, los datos también deben ser oportunos, es decir, deben estar actualizados; permanentes, se debe conservar en el tiempo; de origen primario, porque devienen de la fuente inicial; y legibles, es decir, que pueden ser interpretados por equipos electrónicos en formatos abiertos y de libre uso (LGTAIP, 2015, art. 3o.).

Los datos son sumamente importantes para cualquier toma de decisión; sirven para realizar investigación académica o periodística, de corte cualitativo, cuantitativo o, en su caso, mixto (^{Torres y Navarro, 2007}). También permiten efectuar análisis estadísticos, de eficiencia, calidad o de productividad, entre otros; y son necesarios para que los softwares de análisis de datos cualitativos funcionen -SPSS, STATA, Python, Excel, R., etcétera-. La obtención de datos debe estar apegada a una secuencia lógica, o guía metodológica, para que los resultados puedan ser confiables (^{Subiyakto, 2015}) y den respuesta a la investigación o al planteamiento del problema (^{Alvesson y Sandberg, 2011}).

Mucho se ha abordado metodológicamente sobre la importancia de los datos en las investigaciones sociales (^{Hernández et al., 2006}; ²⁰¹⁴; ^{Ansolabehere et al., 2018}), y se ha insistido en que “se requiere de datos suficientes, para que la investigación cuente con validez interna, esto es, que hay coherencia en el proceso interno y consistencia en los resultados” (^{Le Dain, Blanco, Summers, 2013}).

Por tal motivo, los datos son importantes, ya que sirven para sustentar la metodología y efectuar el análisis (^{Sargent, 2011}). Sin embargo, también se ha resaltado que los datos no son fáciles de obtener, por el hecho de que el investigador tiene diferentes medios para su obtención: encuestas, entrevistas, datos públicos o privados, ya sean gratuitos o de cobro.

En ese orden de ideas, su obtención y la cantidad de datos a utilizar, es el primer obstáculo que se presenta; el segundo, sería que los datos sean apropiados, precisos y suficientes (^{Vilalta, 2016}). Aquí es donde sobresale el SIPOT, para obtener datos accesibles, integrales, gratuitos, oportunos homologados y estandarización en formatos oficiales, y de naturaleza pública (LGTAIP, 2015, arts. 61 y 65).

IV. La minería de datos

El objetivo de aplicar la minería de datos (MD) en cualquier investigación, consiste en aprovechar el acceso a las bases de datos que se desprenden de la información resguardada, clasificada y colocada en ambientes virtuales y que son de acceso público.

La MD permite implementar un proceso metodológico, estableciendo una serie de pasos para mejorar la toma de decisiones, tanto de organismos públicos como privados. Es importante referir que la MD ofrece varias técnicas de análisis de datos. La pretensión es identificar, extraer, procesar y analizar la información existente (^{Marcano y Talavera, 2007}) y, en ese orden de ideas, aplicar la técnica adecuada.

La MD consiente en migrar datos, y aquí resalta su importancia, ya que sirve especialmente para aquellas bases de datos que están constituidas de un gran número de datos (^{Riquelme y Gilbert, 2006}). Es por ello que sus antecedentes se remontan al ámbito privado. Específicamente a los negocios, los cuales requirieron construir herramientas para el análisis de los elementos que se suscitan al interior de la organización y, con ello, mejorar la toma de decisiones, cimentado en elementos objetivos y racionales, es decir, implica concebir un análisis para generar negocios inteligentes (^{Mikut y Reischl, 2011}).

Debe señalarse que la evolución de la MD ha permitido transitar del sector privado al público (^{Romero y Ventura, 2013}; ^{Obenshain, 2004}). De allí que la MD esté asociada a la predicción. Por consiguiente, surgen a la par herramientas que complementan el análisis de datos, como los árboles de decisión, ya que el objetivo de la toma de decisiones es pronosticar en un mundo de alternativas, la que sea más benéfica para la organización, o la que genere el menor daño.

En ese orden de ideas, pareciera que el principio de la MD es la migración, como primer paso; y la toma de decisión, como el último -personificada en una representación visual-. Sin embargo, la construcción de herramientas permitió que los pasos fueran heterogéneos, desde el uso de machine learning, el reconocimiento de patrones o pattern recognition (Bouza y Santiago, 2012), o el descubrimiento de conocimiento en bases de datos o knowledge discovery in databases (KDD), que consiste en usar estadística para validar la hipótesis (^{Asencios, 2004, p. 86}).

Ahora bien, migrar datos no es el único paso de esta metodología. Si bien ha sido señalado como el primero, esta investigación afirma que el primer paso implica identificar la base de datos que habrá que migrar (^{Riquelme et al., 2006, p. 12}), para procesarla, clasificarla e implementar asociaciones o patrones (^{Martínez, 2011}). Es por ello que el descubrimiento de las bases de datos es primordial para aplicar tanto la migración como las técnicas de análisis (^{Lee y Siau, 2001}).

Invariablemente, ante la diversidad de herramientas en el análisis de MD, surge la necesidad de realizar una guía metodológica para minar datos, con el objetivo de dar un correcto tratamiento a los datos; que se ajusten a la necesidad de la organización, y con ello evitar errores en la migración y por ende en los resultados e interpretación (^{Córdova y Rosales, 2017}).

V. Guía Metodológica

Para esta investigación se considera idónea la aplicación de SEMMA, una herramienta desarrollada por SAS Institute. Se considera “idónea” porque establece un guía para el proceso de selección, exploración y modelado de datos para descubrir patrones desconocidos, evaluando aspectos técnicos. Por ello es que existe una etapa de muestreo que es sumamente importante, pues genera grados de confiabilidad en los resultados (^{Miguel, Gordillo y Haed, 2011}).

En atención a lo anterior, y considerando los Lineamientos técnicos generales (^{SNT, 2020}), y por ello, los parámetros técnicos de los datos abiertos en la PNT, es que se presenta una guía bajo el modelo SEMMA, adecuada a la base de con la que se va a trabajar la PNT. Ver Ilustración 1.

Fuente: elaboración propia. Con información de ^{Obenshain 2004}

Ilustración 1 Acrónimo SEMMA 

5. Assess. Evalúe

Evaluar pretende identificar la validez de los resultados y, por ende, de los datos, pues los mismos son el objeto de la investigación. Para ello, se debe resumir las características de estos:

• Tipo de información: pública.

• Medio de obtención: PNT.

• Tipo de investigación: en atención a los Lineamientos técnicos generales (^{SNT, 2020}) y la Ley General de Transparencia (LGTAIP, art. 70).

• Ámbito de gobierno: federal o estatal.

• Sujeto obligado o institución: federal o estatal.

• Periodo de investigación: anual o trimestral.

• Cantidad de datos procesados: del universo y de la muestra.

• Tipo de dato: numérico o textual.

• Tipo de modelo: de corte cualitativo, cuantitativo o mixto.

• Variable e indicador: relacionado con los datos y el escenario de investigación.

De la evaluación se debe desprender que los datos fueron en homogéneos, y suficientes para generar una muestra significativa, de no haber sido homogéneos inicialmente, se sometieron a una limpieza para ser estandarizados, además de que existe un elemento congruente con el tipo de investigación, es decir, que fueron idóneos, ver Ilustración 2:

Fuente: elaboración propia con información de ^{Obenshain (2004)}.

Ilustración 2 Técnica de minería de datos 

Esta guía metodológica ofrece la posibilidad de analizar una gran cantidad de datos públicos y gratuitos que existen actualmente en la PNT, con el objetivo de generar investigación académica, periodística o simplemente como un referente para el conocimiento social. Sin embargo, se recalca la necesidad de que el sujeto tenga los instrumentos para saber procesar la información y, en ese orden de ideas, esté informado desde parámetros de objetividad y racionalidad utilizando para ello la MD.

V. Conclusiones

Esta investigación generó una guía metodológica para usar la MD en la PNT, específicamente en el SIPOT. Para ello se utilizó y adecuó el modelo identificado con el acrónimo SEMMA, para generar una serie de pasos ordenados y coherentes.

Las aportaciones teóricas que se identificaron están relacionadas con los criterios, clasificadores y definiciones de los Lineamientos técnicos generales, que prevén reducir o eliminar cualquier criterio subjetivo en el reporte de obligaciones de transparencia, y, con ello, homogenizar y generar criterios de confiabilidad en el uso de los datos.

Las aportaciones metodológicas están vinculadas con el modelo SEMMA, el cual se adecua a la PNT, generando cinco pasos que consisten en: 1) delimitar la investigación para generar el universo de datos, limpiar los datos y obtener la muestra; 2) generar escenarios posibles de investigación; 3) permitir que los datos y los escenarios sean modificados; 4) manipular los datos para transformarlos e identificar los datos más significativos; y 5) evaluar la validez de los resultados.

Por último, las limitaciones de esta investigación están relacionadas con que la guía solo está diseñada a un sistema de los cuatro sistemas que compone la PNT. Es decir, sólo está diseñada para el SIPOT. Por lo que, para futuras líneas de investigación, se puede considerar el análisis del sistema de solicitudes de acceso a la información; el sistema de gestión de medios de impugnación; y el sistema de comunicación entre organismos garantes y sujetos obligados.