Sistema híbrido de recomendación de roles basado en filtrado colaborativo y modelos de clasificación

Abstract

En organizaciones de gran envergadura como CMPC, la gestión del control de accesos y la asignación de roles operativos en sistemas complejos como SAP suele ser un proceso manual, reactivo y propenso a generar cuellos de botella. Ante la restricción de interactuar directamente con la plataforma transaccional de la empresa, el presente trabajo propone el diseño y desarrollo de un motor predictivo basado en filtrado colaborativo para automatizar la sugerencia de roles, operando sobre un extracto estático de datos correspondientes a las sucursales de Brasil. El principal desafío técnico del proyecto radicó en modelar matemáticamente la similitud entre trabajadores. Para ello, se diseñó una arquitectura híbrida en cascada. Inicialmente, se aplicó Análisis de Componentes Principales con Kernel (KPCA) para la extracción de características no lineales y, posteriormente, se combinó esta representación latente con una métrica de similitud para generar una lista de recomendaciones candidatas. Dado que esta generación introducía una alta tasa de falsos positivos, se implementó una segunda etapa algorítmica consistente en clasificadores de Gradient Boosting basados en árboles de decisión. Esta última capa actuó como un filtro de precisión, logrando discriminar el ruido y reduciendo el volumen de recomendaciones a una escala operativamente viable. El resultado final de este trabajo es una herramienta que no solo disminuye el número de solicitudes formales, sino que optimiza los tiempos de respuesta del departamento y sienta las bases para una gestión de accesos inteligente y automatizada.