Armonizando 4,1 Millones de Registros Fiscales Multilingües — El Pipeline de Agrupamiento por PLN de la Autoridad Tributaria de Ruanda

Desde 2013, la Autoridad Tributaria de Ruanda (RRA) ha digitalizado la facturación mediante Máquinas de Facturación Electrónica (EBM), logrando datos estructurados a nivel de artículo con el EBM v2.0/2.1. Pero la introducción manual y multilingüe de nombres de productos —'azúcar' registrado indistintamente como sucre, isukari o sukari— dejaba los registros inconsistentes y difíciles de analizar para la detección de fraude.

Armonizar nombres de productos multilingües e introducidos de forma inconsistente en categorías estandarizadas, para que productos idénticos puedan compararse entre idiomas con fines de análisis de precios y fraude.

Un estudio de 2025 realizado con el Departamento de Estrategia y Análisis de Riesgo de la RRA, que aportó los conjuntos de datos y apoyo técnico, construyó un pipeline de limpieza de texto, detección y traducción de idioma, incrustaciones de oraciones MiniLM, reducción de dimensionalidad PCA/UMAP, y agrupamiento KMeans y HDBSCAN, procesando 4.124.005 registros de EBM y aduanas (Ventanilla Única Electrónica) del EF2020-2022, de los cuales el 73,8% no estaban en inglés (kinyarwanda, francés o suajili).

El pipeline produjo 425.103 nombres de productos estandarizados, 20 categorías amplias de KMeans y 6.295 clústeres detallados de HDBSCAN (más 167.085 puntos marcados como ruido, como errores tipográficos y etiquetas raras). Agrupar productos idénticos entre idiomas permitió a los investigadores comparar los valores de importación/compra con los precios de venta del mismo artículo, revelando discrepancias de precios reales, por ejemplo un clúster de 'papel a3' que oscilaba entre 1.000 y 15.000 francos ruandeses, consistente con subfacturación o declaración incorrecta.

Se trata de un estudio de investigación revisado por pares (un proyecto de tesis de maestría) construido sobre datos administrativos reales de la RRA, y no un despliegue de producción confirmado. Los autores describen el diseño modular del pipeline como escalable a otros sectores e idiomas dentro de los sistemas de datos gubernamentales.