Optimización de la auditoría continua en empresas de servicios públicos mediante un marco metodológico basado en aprendizaje supervisado : caso de estudio del proceso de facturación

Abstract

Este trabajo presenta un marco metodológico optimizado para auditoría continua en empresas de servicios públicos, con énfasis en el proceso de facturación, mediante el uso de aprendizaje supervisado. El proyecto surgió ante la necesidad de mejorar la detección de anomalías y riesgos operativos que, bajo enfoques tradicionales, son detectados de forma tardía, afectando la eficiencia y la confiabilidad del proceso auditor. Para ello, se diseñó e implementó un marco estructurado en siete fases, desde el diagnóstico inicial de madurez hasta la retroalimentación del modelo, aplicando metodologías CRISP-DM, COSO-ERM y principios de automatización analítica. Tras una revisión comparativa de modelos de machine learning, se seleccionó Random Forest por su robustez ante datos desbalanceados y su capacidad para capturar patrones no lineales. El modelo fue entrenado y validado con datos ofuscados de facturación, alcanzando un F1-score de 0.61 en la detección de anomalías. Posteriormente, se aplicó a un nuevo conjunto de datos simulados, identificando más de 29 mil alertas de comportamiento atípico, lo que evidenció su potencial como herramienta de apoyo para auditorías automatizadas. Los resultados validan la aplicabilidad del marco propuesto y destacan la importancia de integrar enfoques de inteligencia artificial en los sistemas de control interno del sector público (Texto tomado de la fuente).

This thesis presents an optimized methodological framework for continuous auditing in public service companies, focusing on the billing process, through the use of supervised learning. The project addresses the need to improve the detection of anomalies and operational risks, which under traditional approaches are identified too late, affecting audit efficiency and reliability. A structured framework was designed and implemented in seven phases, from initial maturity diagnosis to model feedback, applying CRISP-DM methodology, COSO-ERM, and principles of analytical automation. Following a comparative review of machine learning models, Random Forest was selected due to its robustness against imbalanced data and its ability to capture nonlinear patterns. The model was trained and validated using anonymized billing data, achieving an F1-score of 0.61 in anomaly detection. It was then applied to a new set of simulated data, identifying over 29,000 records with atypical behavior, demonstrating its potential as a support tool for automated audits. The results confirm the applicability of the proposed framework and highlight the relevance of integrating artificial intelligence approaches into internal control systems in the public sector.