Sí. Digo que la Plataforma de Contratación del Sector Público es un 💩coprolito y lo sostengo con datos 😃.
Vamos a verlo 👇.
Vamos a verlo 👇.
https://twitter.com/JorgePay1/status/1481674994765770755
Pongamos un ejemplo tonto. Algo fácil. Digamos que quiero obtener todas las adjudicaciones a Europa Press.
Chupado, ¿verdad?
Chupado, ¿verdad?
Pues no. Porque cada entidad escribe los datos como le da la gana. Europa Press consta de cinco formas distintas:
1⃣ EUROPA PRESS DELEGACIONES
2⃣ EUROPA PRESS DELEGACIONES S.A.
3⃣ EUROPA PRESS DELEGACIONES, S.A.
4⃣ Europa Press Delegaciones, SA
5⃣ EUROPAPRESS DELEGACIONES, S.A.
1⃣ EUROPA PRESS DELEGACIONES
2⃣ EUROPA PRESS DELEGACIONES S.A.
3⃣ EUROPA PRESS DELEGACIONES, S.A.
4⃣ Europa Press Delegaciones, SA
5⃣ EUROPAPRESS DELEGACIONES, S.A.
Es decir, no existe —o no se aplica— una forma normalizada de registrar los nombres de los contratistas. En cada aldea española se escriben de una manera… o de varias.
Si buscas los contratos de «José María Fernández» no encontrarás los de José Mª Fernández.
😃🔫
Si buscas los contratos de «José María Fernández» no encontrarás los de José Mª Fernández.
😃🔫
Pero… ¡un momento! Para algo existen los NIF, ¿no?
El NIF es un identificador unívoco. Podemos utilizarlo para localizar sin ambigüedad a cualquier contratista, sea empresa o persona física 😃.
Busquemos por NIF y… ¡problema resuelto!
El NIF es un identificador unívoco. Podemos utilizarlo para localizar sin ambigüedad a cualquier contratista, sea empresa o persona física 😃.
Busquemos por NIF y… ¡problema resuelto!
Echando mano de Google encuentro rápido el NIF de «EUROPA PRESS DELEGACIONES, S.A.». Es este: A41606534. Busco todos los contratos adjudicados a este NIF, y listo. ¡Pan comido! Ya lo tenemos. Que corra el champán.
NO.
NO.
No, porque en los datos del Estado, los contratos adjudicados a la empresa de nuestro ejemplo aparecen repartidos entre siete NIF diferentes. ¡7⃣!
Uno bien y seis mal:
❌ 40285560W
❌ A-41606534
❌ A01017552
❌ A041606534
❌ A40616534
✅ A41606534
❌ A41606594
Uno bien y seis mal:
❌ 40285560W
❌ A-41606534
❌ A01017552
❌ A041606534
❌ A40616534
✅ A41606534
❌ A41606594
Es un misterio cómo es posible que un NIF —que es un identificador provisto por diseño de un dígito de control— se consigne erróneamente en una base de datos oficial sin que salte ninguna validación en el momento de la introducción del dato 🤦♂️.
También es un misterio cómo han podido atribuir un DNI —el NIF de una persona física— a una sociedad anónima. Que es lo que ha pasado en el primer caso de la lista del tuit anterior. El NIF consignado es de una persona que se llama Joan, no el del contratista de nuestra pesquisa.
La realidad es dramática: las adjudicaciones al contratista de nuestro ejemplo están repartidas entre siete entidades diferentes, solo una de las cuales es correcta. Y en 2022 no parece que exista un localizador unívoco confiable para identificar a los contratistas del Estado.
Así que hay que aplicar el ingenio. Una opción, quizá, sea agrupar los contratistas en clústeres según la similitud de su nombre y luego validar todos los NIF y aplicar el algoritmo de distancia de Levenshtein a cada NIF para encontrar y corregir las erratas. Hay que pensarlo.
Mi intención, qué remedio, es diseñar mi herramienta para que sea resiliente ante datos erróneos. Pero un buscador tendría que ser determinista, y ahora cualquier operación con los datos oficiales sucede en el territorio de la probabilídad: «parece que este es el dato correcto».
Afortunadamente tengo reciente todo lo que aprendí haciendo esto mismo a escala autonómica con los datos de Cantabria… Donde pude automatizar la aplicación de soluciones y el resultado fue bastante bueno.
https://twitter.com/JaimeObregon/status/1434926926833995779
Y es que seguramente esto se llama «minería de datos» porque te pasas el día en el subsuelo, enfangado, tratando de sacar brillo a coprolitos… ⛏️
¡Pero sigo 🥳!
¡Pero sigo 🥳!
https://twitter.com/JaimeObregon/status/1434926939878264832
• • •
Missing some Tweet in this thread? You can try to
force a refresh
