Diseño del Modelo de IA: Detección de Fraude en Impuesto al Consumo
Un modelo de IA nativa para identificar patrones y anomalías, generando alertas predictivas de posible contrabando, adulteración o evasión fiscal, y optimizando los esfuerzos de fiscalización.
Proceso Actual y Actores Clave
Entender el ecosistema actual es el primer paso para construir un modelo efectivo y relevante para las necesidades de control.
Plataforma Central
El sistema STTI (Thomas Greg & Sons) es la principal fuente de datos, gestionando declaraciones, reembolsos y trazabilidad. Se integra con SIANCO para el control de evasión.
Punto Crítico a Resolver
La inaccesibilidad reportada de QRCOL.NET para consultar estampillas es un riesgo que debe resolverse para asegurar la trazabilidad completa y la efectividad del modelo.
Actores Operativos Clave
Subdirección de Atención al Contribuyente
Valida pagos y gestiona trámites como tornaguías e instrumentos de señalización.
Grupo de Auditoría e Inspección
Realiza inspecciones y cruces de información. Es un usuario final clave.
Grupo Especial (GEPCI)
Ejecuta operativos contra la ilegalidad (contrabando, adulteración).
Grupo de Laboratorio de Análisis
Controla la calidad y autenticidad de las bebidas alcohólicas.
Fuentes de Datos para el Modelo
El modelo de IA (MIAC) se nutrirá de múltiples fuentes de datos, integradas a través de APIs, para obtener una visión 360° del ciclo de vida del impuesto.
Datos Transaccionales
- Declaraciones de Impuesto: Productos, cantidades, base gravable y valores.
- Gestión de Tornaguías: Origen, destino, producto, transportador y fechas.
- Gestión de Bodegas: Solicitudes de autorización, modificación y cancelación.
- Gestión de Productos: Adición de nuevos productos por contribuyentes.
Datos Operativos (a ser digitalizados)
- Resultados de Operativos GEPCI: Actas, tipo de producto, cantidad, lugar y sanciones.
- Resultados del Laboratorio: Análisis de muestras (conformes, no conformes, fraudulentos).
- Historial de Auditorías: Hallazgos de inspecciones y visitas de verificación.
Fuentes Externas (vía integración)
- Datos de Cámaras de Comercio: Para validar existencia y estado de empresas.
- Datos de INVIMA: Para cruzar información sobre registros sanitarios.
Diseño y Desarrollo del Modelo de IA
Proponemos un enfoque de clasificación y detección de anomalías para asignar un "Índice de Riesgo de Fraude" a cada entidad relevante.
1
Ingeniería de Características
Creación de variables relevantes para el negocio a partir de datos brutos. Ejemplos: Frecuencia_Declaracion, Variacion_Volumen_Declarado, Ratio_Tornaguias_Anuladas.
2
Entrenamiento del Modelo
Uso de algoritmos robustos como Random Forest o XGBoost. Los datos se etiquetan con resultados históricos confirmados de fiscalizaciones para el entrenamiento supervisado y se usan modelos como Isolation Forest para detectar anomalías.
3
Validación y Calibración
El modelo se valida con datos separados para asegurar su precisión. Se calibra el "Índice de Riesgo" en conjunto con expertos de dominio para que las alertas sean relevantes y accionables.
Integración Operacional y Consumo
Un modelo predictivo solo es útil si sus resultados se integran de forma fluida en los flujos de trabajo diarios de fiscalización.
Dashboard de Riesgo Fiscal (Ejemplo)
Ranking de Contribuyentes por Índice de Riesgo
| Contribuyente | Índice de Riesgo | Justificación de Alerta |
|---|---|---|
| Comercializadora XYZ S.A.S. | 95 ALTO | Volumen declarado 300% > promedio histórico. |
| Distribuciones El Sol Ltda. | 68 MEDIO | Alto ratio de tornaguías anuladas. |
| Vinos del Valle S.A. | 15 BAJO | Comportamiento estable y consistente. |
Mapa de Calor Geográfico
Visualización de zonas con mayor incidencia de alertas para planificar operativos.
Alertas en Tiempo Real
Integración en el Flujo de Trabajo
Plan de Fiscalización
Las alertas del modelo serán un insumo clave para focalizar recursos en los casos de mayor riesgo.
Operativos del GEPCI
El mapa de calor permitirá planificar operativos más efectivos y con mayor probabilidad de éxito.
Auditorías Dirigidas
El Grupo de Auditoría podrá iniciar inspecciones basadas en alertas específicas del MIAC.