Cómo la Analítica de Datos y los Grafos Pueden Desenmascarar la Corrupción

La causa "Cuadernos de la Corrupción", uno de los mayores escándalos de coimas en Argentina, reveló un sistema de pagos ilegales entre empresarios y funcionarios durante los gobiernos kirchneristas. Miles de anotaciones manuscritas detallaban entregas de dinero en bolsos y maletines, pero interpretar esa información de manera aislada no alcanza para entender la red completa. Aquí es donde el análisis de grafos y la visualización de datos se vuelven herramientas clave para reconstruir las conexiones ocultas y descubrir patrones de corrupción sistémica.

El primer paso sería recopilar y estructurar los datos de los cuadernos, que incluyen nombres de funcionarios, empresarios, montos, fechas y lugares de entrega. También habría que cruzar esta información con registros públicos, como contratos del Estado, declaraciones juradas y movimientos bancarios sospechosos. Por ejemplo, si en los cuadernos aparece un pago a un secretario de Obras Públicas, podríamos buscar si días después se aprobó un contrato millonario a una empresa vinculada. Herramientas como Python (Pandas) o OpenRefine ayudarían a limpiar y estandarizar los datos, corrigiendo variaciones en nombres (ej: "Julio López" vs. "J. López") y unificando formatos de fechas y montos.

Una vez organizada la información, el siguiente paso sería construir un grafo de relaciones usando herramientas como Graphviz (DOT) o Gephi. Cada nodo representaría un actor (funcionarios, empresarios, empresas intermediarias), y las aristas mostrarían las conexiones entre ellos (pagos, reuniones, contratos). Por ejemplo, si los cuadernos mencionan que el empresario Lázaro Báez entregó dinero a un funcionario, el grafo permitiría ver no solo ese vínculo directo, sino también cómo Báez estaba conectado con otras figuras clave, como Cristóbal López o exfuncionarios del Ministerio de Planificación Federal.

Un análisis más profundo con métricas de centralidad en Gephi revelaría quiénes eran los nodos más importantes en la red de corrupción. Por ejemplo, si un mismo intermediario aparecía vinculado a múltiples pagos, su posición en el grafo lo marcaría como un eje clave del esquema. Además, algoritmos de detección de comunidades podrían mostrar si existían grupos cerrados que operaban de manera coordinada, como un círculo de empresarios que solo pagaban a ciertos funcionarios a cambio de licitaciones amañadas.

Para entender la evolución temporal del caso, sería útil crear una línea de tiempo interactiva con Mermaid.js. Allí podríamos mapear eventos clave, como cuándo comenzaron los pagos, cuándo se adjudicaron obras sospechosas y cuándo se produjeron allanamientos o detenciones. Por ejemplo, si en 2013 aumentaron las anotaciones de pagos y en ese mismo año se licitaron varias autopistas a empresas vinculadas, la línea de tiempo ayudaría a establecer una correlación clara entre sobornos y beneficios económicos.

Un aspecto interesante sería superponer el grafo con la línea de tiempo para ver cómo cambiaban las relaciones a lo largo de los años. Por ejemplo, si ciertos funcionarios dejaron de aparecer en los cuadernos después de un cambio de gobierno, pero nuevos nombres ocuparon su lugar, esto sugeriría que el sistema de coimas se adaptaba a los cambios políticos. Herramientas como Maltego o incluso Power BI podrían ayudar en este tipo de análisis dinámico.

Finalmente, este enfoque no solo serviría para investigar lo ocurrido, sino también para prevenir futuros casos. Si se detecta que ciertos mecanismos (como empresas "pantalla" o contratos directos sin licitación) fueron recurrentes, los organismos de control podrían monitorear esas señales de alerta en tiempo real. Plataformas como Neo4j (una base de datos de grafos) permitirían incluso automatizar la detección de patrones sospechosos en nuevas bases de datos públicas.

En conclusión, los "Cuadernos de la Corrupción" son un caso ideal para demostrar el poder del análisis de grafos y la visualización de datos. Estas técnicas permiten transformar miles de anotaciones dispersas en un mapa claro de responsabilidades, ayudando a fiscales, periodistas y ciudadanos a entender la magnitud de los esquemas corruptos. Con herramientas de código abierto como Gephi, Cytoscape, Python y Mermaid.js, cualquier investigador puede aplicar estos métodos para seguir el dinero y descubrir la verdad detrás de los datos.