El problema de la deduplicación: una licitación, cinco portales

Abra varias herramientas de seguimiento de licitaciones en paralelo, busque el mismo contrato grande de infraestructura y hay buenas probabilidades de que la oportunidad idéntica aparezca cuatro o cinco veces, cada una con un título ligeramente distinto, otro número de referencia y otra fecha de publicación. Esto no es un fallo de ningún sistema en particular. Es un rasgo estructural de cómo se publica la contratación pública, y uno de los problemas menos vistosos y más consecuentes al construir un flujo de licitaciones utilizable.

Para un equipo de compras, los duplicados no son una molestia menor. Consumen tiempo de revisión, distorsionan el conteo del embudo y hacen fácil pasar por alto que dos avisos que apuntan al mismo contrato de fondo traen plazos distintos, uno de los cuales está desactualizado.

Por qué la misma licitación termina en todas partes

Un mismo contrato público puede aparecer legítimamente en varios canales oficiales a la vez. Una entidad contratante nacional publica el aviso en su propio portal doméstico porque la ley local lo exige. Si el valor del contrato supera el umbral europeo aplicable, esa misma entidad debe publicar además en TED, a menudo mediante un anuncio traducido o reformateado que se genera de forma automática desde el sistema nacional. Las plataformas sectoriales, los tableros de anuncios de los bancos de desarrollo y los agregadores comerciales que rastrean fuentes públicas recogen luego el aviso una tercera, cuarta y quinta vez, a veces republicándolo con su propio número de referencia interno y un resumen reformulado.

Cada una de esas publicaciones es legítima. Ninguna está de más. El problema está por completo del lado del consumo: un proveedor que intenta armar un único flujo limpio a partir de muchas fuentes superpuestas y formateadas de manera independiente.

Por qué el cotejo simple no funciona

El primer enfoque obvio, cotejar por el número de referencia oficial de la licitación, suena fiable y casi nunca lo es. Los portales nacionales suelen usar una convención de numeración, TED asigna su propio número de publicación al mismo anuncio y los agregadores generan con frecuencia un identificador interno que no guarda relación con ninguno de los dos. El cotejo por título va todavía peor: el mismo contrato puede leerse como una frase exacta en el idioma de origen en el portal nacional y como una paráfrasis traducida sin rigor en TED, con la versión del agregador recortada o reescrita otra vez para su propio formato.

Los desajustes de fechas agravan el problema. Un anuncio puede publicarse primero en el portal nacional, modificarse una semana después con un plazo ampliado y ser recogido por un agregador en la versión original o en la modificada, sin ninguna señal fiable de cuál está vigente.

Qué implica de verdad la resolución de identidad

Limpiar esto exige tratar la deduplicación como un problema de resolución de identidad y no como un simple cotejo de cadenas. Eso significa combinar varias señales débiles en un solo juicio confiable en lugar de apoyarse en un único campo. El nombre y la ubicación de la entidad contratante, normalizados para absorber variaciones de grafía y diferencias de denominación administrativa, forman un ancla. El valor estimado del contrato, cuando está presente en varios avisos, es una señal fuerte si coincide de cerca, incluso si los números de referencia difieren por completo. Las fechas de publicación y de plazo, dando margen al retraso de traducción y procesamiento entre el anuncio en un portal nacional y ese mismo anuncio en TED días después, ayudan a establecer una línea de tiempo en lugar de un punto fijo único.

La similitud semántica entre descripciones importa más que la coincidencia textual exacta, porque dos versiones traducidas o resumidas de forma independiente del mismo alcance de trabajo rara vez comparten la misma redacción, pero describen los mismos entregables, cantidades y ubicación en términos reconociblemente parecidos. Combinar estas señales, en lugar de depender de que alguna de ellas sea perfectamente limpia, es lo que permite a un sistema afirmar con confianza real que dos avisos son la misma oportunidad de fondo y no dos oportunidades parecidas por casualidad.

El costo de equivocarse en cualquiera de los dos sentidos

La deduplicación tiene riesgo por los dos lados. Fusione con demasiada agresividad, tratando como duplicados contratos realmente distintos porque comparten comprador y un valor parecido, y el proveedor pierde en silencio visibilidad de oportunidades reales. Fusione con demasiada prudencia y el flujo se llena de avisos casi idénticos que gastan tiempo de revisión e inflan las métricas del embudo sin aportar señal. Ninguno de los dos modos de fallo es aceptable para un equipo que se apoya en el flujo para decidir rápido si oferta o no.

El problema de las modificaciones se suma encima. Cuando un duplicado real se identifica correctamente, el sistema también debe determinar qué versión trae el plazo y la especificación vigentes, y mostrar esa versión y no un promedio o, peor, la más rancia.

Un flujo limpio, no cinco superpuestos

Construir y mantener una deduplicación fiable en decenas de portales nacionales, TED y agregadores de terceros es exactamente el tipo de trabajo de infraestructura poco vistoso que determina si una herramienta de seguimiento de licitaciones es de verdad usable en el día a día. TRINTA lee lo que una empresa vende y muestra a diario las licitaciones que encajan, tomadas de fuentes oficiales y resueltas a una sola entrada por oportunidad real, para que un equipo de compras revise un flujo limpio en vez de desenredar cinco superpuestos a mano.