Troomes

La fiscalización municipal enfrenta crecientes desafíos para garantizar el cumplimiento normativo, la seguridad ciudadana y el uso eficiente de los recursos públicos. En muchos gobiernos locales, los procesos de inspección se ejecutan de forma reactiva y poco focalizada, careciendo de herramientas analíticas que permitan anticipar riesgos críticos. Este estudio presenta el diseño, implementación y evaluación de un modelo predictivo de clasificación orientado a estimar el riesgo de clausura definitiva de establecimientos comerciales, como mecanismo de apoyo a la fiscalización inteligente basada en evidencia. El trabajo adopta la metodología CRISP-DM como marco estructural, asegurando trazabilidad, rigor metodológico e interpretabilidad. Se evaluaron distintos algoritmos de Machine Learning (árboles de decisión, Random Forest, Naive Bayes y regresión logística regularizada) utilizando validación cruzada estratificada. Los resultados evidencian que los modelos explicables, en particular el árbol J48 y la regresión logística regularizada, alcanzan un alto desempeño predictivo (recall ≥ 0.97 para la clase crítica) con una baja tasa de falsos negativos, constituyéndose en alternativas robustas y defendibles para su adopción en contextos de gestión pública.

el presente trabajo fue desarrollado por:

CLAUDIA EDITH
ALARCÓN DENEN
Maestría Ejecutiva en
Transformación Digital
Escuela de Posgrado
Universidad Nacional De
Ingeniería
Lima – Perú
claudia.alarcon.d@uni.pe

ALVARO ANTONIO ORIHUELA PASTOR
Maestría Ejecutiva en
Transformación Digital
Escuela de Posgrado
Universidad Nacional De
Ingeniería
Lima – Perú
alvaro.orihuela.p@uni.pe

ELMER
IBÁRCENA RIVERA
Maestría Ejecutiva en
Transformación Digital
Escuela de Posgrado
Universidad Nacional De
Ingeniería
Lima – Perú
elmer.ibarcena.r@uni.pe

FRANK JOE
GASPAR ÑAÑA
Maestría Ejecutiva en
Transformación Digital
Escuela de Posgrado
Universidad Nacional De
Ingeniería
Lima – Perú
frank.gaspar.n@uni.pe