24
ISUPOL, Revista de Invesgación en Seguridad Ciudadana y Orden Público
Nº 11 Diciembre 2025 • pp 24-30 • ISSN impreso 2528-8032 • ISSN digital 2773-7470
Fortalecimiento del trabajo Policial mediante Big Data y minería de datos
para la identificación de criminales y redes delictivas
Enhancing police work through Big Data and data mining for the identification of criminals
and criminal networks
• Fecha de recepción: 2025-10-05 • Fecha de aceptación: 2025-10-19 • Fecha de publicación: 2025-12-12
Guido Fabián Chamba Iza
1
Resumen
El manejo de grandes volúmenes de datos, conocido como Big Data, se caracteriza por su variedad,
velocidad y volumen, siendo la base tecnológica de múltiples herramientas disruptivas como la
minería de datos, la inteligencia artificial (IA) y el aprendizaje automático (ML). En el ámbito de la
seguridad pública, estas tecnologías permiten gestionar información estructurada y no estructurada
proveniente de fuentes diversas: bases policiales, instituciones públicas y privadas, redes sociales,
sensores urbanos y dispositivos móviles. La información procesada y transformada en inteligencia
se convierte en un insumo esencial para que las actividades policiales sean más efectivas antes,
durante y después de la comisión de un delito.
Por su parte, la minería de datos integra procedimientos estadísticos y computacionales orientados
a identificar regularidades y asociaciones no evidentes en grandes bases de datos, posibilitando
funciones de clasificación, segmentación, predicción, detección de anomalías y análisis de redes.
La combinación de ambas herramientas potencia la inteligencia policial predictiva, facilitando la
identificación de individuos con comportamientos delictivos, la detección de vínculos con
organizaciones criminales y la toma de decisiones basadas en evidencia. Este trabajo analiza un
caso de integración de fuentes policiales y judiciales en Ecuador, demostrando cómo estas
tecnologías fortalecen la identificación de redes criminales y visibilizan actores cuya detección sería
compleja mediante métodos tradicionales.
Palabras clave: análisis de redes; Big Data; inteligencia policial; minería de datos; prevención del
delito; seguridad pública
Abstract
Big Data refers to the management of massive volumes of data characterized by variety, velocity,
and volume, forming the technological foundation for disruptive tools such as data mining, artificial
intelligence, and machine learning. In public safety, these technologies enable the management of
structured and unstructured information from diverse sources including police databases, public and
private institutions, social media, urban sensors, and mobile devices. Processed and transformed
into intelligence, this information becomes essential for making police operations more effective
before, during, and after criminal events.
1
Discente del Instituto Superior Tecnológico Policía Nacional, Quito-Ecuador,
guido.chamba@policia.gob.ec, https://orcid.org/0009-0009-1608-584X
Fortalecimiento del trabajo Policial mediante Big
Data y minería de datos para la identificación de
criminales y redes delictivas
Guido Fabián Chamba Iza
___________________________________________________________________________________________________________
25
ISUPOL, Revista de Invesgación en Seguridad Ciudadana y Orden Público
Nº 11 Diciembre 2025 • pp 24-30 • ISSN impreso 2528-8032 • ISSN digital 2773-7470
Data mining comprises analytical techniques aimed at discovering patterns, correlations, and hidden
insights in large datasets, allowing functions such as classification, segmentation, prediction,
anomaly detection, and network analysis.
The combination of both tools enhances predictive police intelligence by facilitating the identification
of individuals with criminal behaviors, detecting links with criminal organizations, and enabling
evidence-based decision-making. This study analyzes a case of integrating police and judicial
sources in Ecuador to demonstrate how these technologies strengthen the identification of criminal
networks and reveal actors that are difficult to detect through traditional means.
Keywords: Big Data; criminal networks; crime prevention; data mining; police intelligence; public
safety
Introducción
El crecimiento exponencial de fuentes de datos digitales —como registros policiales, redes sociales,
bases judiciales, cámaras de videovigilancia, sensores urbanos y dispositivos móviles— ha
transformado las capacidades de investigación y prevención del delito. En este contexto, el uso de
tecnologías emergentes de la cuarta revolución industrial, como Big Data y minería de datos, permite
anticipar comportamientos delictivos mediante el análisis automatizado de información masiva
(Chen et al. 2004).
Este artículo analiza cómo la integración de estas herramientas puede fortalecer el trabajo policial
en Ecuador, especialmente en la identificación de antisociales vinculados a grupos delictivos
organizados. El objetivo es demostrar que la correlación de múltiples fuentes de datos permite
generar inteligencia criminal capaz de detectar relaciones y estructuras criminales ocultas, apoyando
la toma de decisiones estratégicas y operativas en la lucha contra el crimen organizado.
Estado del Arte
La aplicación de Big Data y minería de datos en el ámbito policial ha ganado protagonismo en la
literatura científica durante las dos últimas décadas. (Chen et al. 2004) propusieron un marco
general para la minería de datos criminal, destacando su utilidad para la detección de patrones y
correlaciones ocultas en información delictiva. (Xu y Chen 2005) demostraron que la visualización
de vínculos facilita comprender estructuras criminales complejas.
Posteriormente, (Akoglu, Tong y Koutra 2015) revisaron enfoques de detección de anomalías en
grafos aplicables al análisis de redes delictivas. (Silva y Rocha 2019) analizaron los desafíos
institucionales en la adopción de Big Data en cuerpos policiales latinoamericanos, enfatizando la
importancia de la infraestructura tecnológica, la interoperabilidad de sistemas y la ética en el uso de
datos personales.
Asimismo, (Maimon y Rokach 2010) y (Hand, Mannila y Smyth 2001) proporcionaron los
fundamentos algorítmicos de la minería de datos, mientras que (Bhattacharyya y Jha 2011)
exploraron su aplicación en la detección de fraudes, ofreciendo analogías metodológicas útiles para
el análisis criminal.
Estos estudios demuestran que la integración de fuentes heterogéneas, el análisis de redes sociales
y la visualización de datos son factores clave para fortalecer la inteligencia policial. No obstante,
existe una brecha en la aplicación contextualizada de estas tecnologías en países latinoamericanos,
Fortalecimiento del trabajo Policial mediante Big
Data y minería de datos para la identificación de
criminales y redes delictivas
Guido Fabián Chamba Iza
___________________________________________________________________________________________________________
26
ISUPOL, Revista de Invesgación en Seguridad Ciudadana y Orden Público
Nº 11 Diciembre 2025 • pp 24-30 • ISSN impreso 2528-8032 • ISSN digital 2773-7470
particularmente en Ecuador, donde la investigación empírica en seguridad basada en datos aún es
incipiente.
Big Data en el contexto policial
El concepto de Big Data indica al manejo de información masiva que, por su diversidad y rapidez de
generación, requiere tecnologías capaces de procesarla casi en tiempo real (Gandomi y Haider
2015). En el ámbito policial, su uso posibilita integrar registros estructurados, como antecedentes
judiciales, con contenidos no estructurados —videos o publicaciones digitales— para construir una
visión integral del fenómeno criminal (Gandomi y Haider 2015).
El análisis en tiempo casi real de estos datos posibilita detectar patrones de comportamiento,
correlaciones entre individuos y conexiones con grupos delictivos. Las plataformas de análisis, como
IBM i2 Analyst’s Notebook (IBM 2020), o soluciones basadas en ML, ofrecen capacidades de
integración, filtrado y visualización relacional que facilitan la construcción de mapas criminales y
modelos predictivos de riesgo.
Minería de datos para la identificación de patrones delictivos
La minería de datos permite extraer conocimiento útil mediante algoritmos de clasificación,
asociación, agrupamiento y análisis de redes sociales. Estas técnicas se aplican en investigaciones
policiales para descubrir comunidades delictivas, identificar jerarquías internas y detectar relaciones
ocultas entre actores y eventos (Xu y Chen 2005).
Entre las funciones principales destacan:
Clasificación: permite etiquetar individuos como sospechosos o no sospechosos según patrones
históricos.
Asociación: identifica relaciones frecuentes entre delitos, personas o ubicaciones.
Clusterización: detecta grupos o células delictivas con características comunes.
Análisis de redes sociales: mapea relaciones jerárquicas y roles dentro de organizaciones
criminales.
Su aplicación fortalece la inteligencia operativa y estratégica, optimizando recursos y permitiendo
intervenciones más focalizadas (Maimon y Rokach 2010).
Metodología
El presente estudio empleó un enfoque analítico basado en la integración de tres fuentes de
información institucionales:
Fuente A: Base de datos de antisociales con vínculos comprobados o presuntos a grupos delictivos
organizados, elaborada por unidades policiales.
Fuente B: Base de datos de partes de detención policial, que incluye información de personas
aprehendidas, fechas, lugares y motivos.
Fuente C: Base de datos de noticias del delito de la Fiscalía General del Estado (FGE), que registra
los casos investigativos y la tipificación delictiva.
Fortalecimiento del trabajo Policial mediante Big
Data y minería de datos para la identificación de
criminales y redes delictivas
Guido Fabián Chamba Iza
___________________________________________________________________________________________________________
27
ISUPOL, Revista de Invesgación en Seguridad Ciudadana y Orden Público
Nº 11 Diciembre 2025 • pp 24-30 • ISSN impreso 2528-8032 • ISSN digital 2773-7470
Se aplicó una metodología de cuatro etapas:
1. Recolección de datos: Captura de registros estructurados y validación cruzada de identidades
a través de cédulas, alias y grupos delictivos.
2. Preprocesamiento: Limpieza y normalización de datos para eliminar duplicados, corregir
inconsistencias y estandarizar entidades.
3. Análisis de datos: Aplicación de minería descriptiva, segmentación y análisis de vínculos para
identificar relaciones directas e indirectas entre individuos.
4. Visualización: Construcción de diagramas relacionales y mapas de calor georreferenciados
para representar la concentración espacial de eventos y asociaciones.
El enfoque metodológico propuesto se enmarca en estudios previos sobre análisis criminal basados
en minería de datos, asegurando rigor científico y replicabilidad.
Además, durante el proceso de análisis se aplicaron procedimientos manuales de correlación de
entidades mediante coincidencia aproximada de nombres, alias y números de cédula. Para ello se
utilizó una hoja de cálculo en Microsoft Excel, usando herramientas y fórmulas que ayudan la
identificación de duplicados, lo que permitió comparar registros entre las tres bases de datos y
detectar coincidencias parciales que no eran evidentes bajo una búsqueda exacta.
Este enfoque manual de vinculación fortaleció la detección de relaciones interpersonales entre
individuos asociados a grupos delictivos organizados, incrementando la precisión en la construcción
de redes y perfiles delictivos.
Resultados
Los resultados evidenciaron que la integración de datos provenientes de fuentes policiales y
judiciales permitió detectar individuos relacionados con grupos delictivos organizados (GDO). Se
identificaron cabecillas y miembros recurrentes en distintos eventos delictivos, cuyas relaciones
interpersonales y territoriales fueron mapeadas a través de diagramas de red. Para lo cual se
describen dos casos:
En el primer ejemplo (véase gráfico 1), el antisocial (B. CONOCIDO) de siglas C.H.J.G. con número
de identificación 9E63334I quien es cabecilla de un grupo delictual que opera en Durán. Al verificar
en la base de datos de la Fiscalía registra 7 procesos (NDD) como procesado o sospechoso. En el
NDD 10101816010IO aparece relacionado con el antisocial de siglas H.V.J.A. con número de
identificación 70O90O99 como detenido, quien al verificar el sistema del parte policial registra 8
aprehensiones entre el 2018 y 2024. Mientras que, en el NDD 70U0A81903015 aparece relacionado
con los antisociales de siglas: L.N.V.V. con número de identificación 7620I34E como sospechoso y
P.C.C.P. con número de identificación A066079E como procesado, quien al verificar el sistema del
parte policial registra 3 aprehensiones en el 2019.
Fortalecimiento del trabajo Policial mediante Big
Data y minería de datos para la identificación de
criminales y redes delictivas
Guido Fabián Chamba Iza
___________________________________________________________________________________________________________
28
ISUPOL, Revista de Invesgación en Seguridad Ciudadana y Orden Público
Nº 11 Diciembre 2025 • pp 24-30 • ISSN impreso 2528-8032 • ISSN digital 2773-7470
Gráfico 1
Diagrama de relaciones entre individuos asociados a GDO
Fuente: Elaboración propia, 2025
En el segundo ejemplo (véase gráfico 2), el antisocial (B. CONOCIDO) de siglas J.V.J.I. con número
de identificación 9U7A8585 quien es integrante de un grupo delictual que opera en la Zona 8. Al
verificar en la base de datos de la Fiscalía registra 3 NDD como procesado. En el NDD
0A018E003314 aparece relacionado con los antisociales de siglas: B.G.T.S. con número de
identificación 9EA36640 como procesado quien al verificar el sistema del parte policial registra 1
aprehensión en el 2020; C.C.R.H. con número de identificación 9A68E826 como procesado quien
al verificar el sistema del parte policial registra 3 aprehensiones entre 2020 y 2024; y, U.R.B.A. con
número de identificación 9UI48411 como procesado quien al verificar el sistema del parte policial
registra 3 aprehensiones entre 2020 y 2024. El cabecilla en tres partes policiales aparece detenido
con trece individuos por delincuencia organizada y tenencia de armas de fuego.
Gráfico 2
Diagrama de relaciones entre individuos asociados a GDO
Fuente: Elaboración propia, 2025
El análisis de correlaciones reveló vínculos entre detenidos que, de manera aislada, no presentaban
relación aparente, pero compartían conexiones indirectas mediante terceros. Asimismo, los mapas
de calor georreferenciados de detenciones (véase gráfico 3) mostraron zonas de alta concentración
criminal en sectores específicos del cantón Durán, coincidiendo con territorios de influencia de dos
organizaciones delictivas antagónicas.
Gráfico 3
Mapa de calor de detenciones vinculadas a GDO en Durán
Fortalecimiento del trabajo Policial mediante Big
Data y minería de datos para la identificación de
criminales y redes delictivas
Guido Fabián Chamba Iza
___________________________________________________________________________________________________________
29
ISUPOL, Revista de Invesgación en Seguridad Ciudadana y Orden Público
Nº 11 Diciembre 2025 • pp 24-30 • ISSN impreso 2528-8032 • ISSN digital 2773-7470
Fuente: Elaboración propia, 2025
Estos hallazgos confirman que la minería de datos aplicada al contexto policial es capaz de descubrir
estructuras criminales ocultas y de proporcionar una visión integral del fenómeno delictivo (Xu y
Chen 2005; Silva y Rocha 2019).
Discusión
Los resultados obtenidos demuestran la pertinencia de aplicar tecnologías de Big Data y minería de
datos en el fortalecimiento de la inteligencia policial. De acuerdo con el National Institute of Justice
(2013), el uso de analítica predictiva favorece la transición de estrategias reactivas a políticas
preventivas sustentadas en datos.
Entre los principales beneficios destacan:
• Mayor precisión en la detección de sospechosos y patrones delictivos.
• Reducción de tiempos de investigación mediante análisis automatizado.
• Identificación de líderes y redes criminales ocultas.
• Optimización de recursos humanos y logísticos en operativos policiales.
No obstante, la implementación de estas tecnologías enfrenta desafíos éticos y técnicos, entre ellos
la necesidad de garantizar la privacidad de los datos personales, la interoperabilidad entre
instituciones y la capacitación del personal en análisis de datos. La ausencia de marcos regulatorios
claros sobre el uso de información sensible podría generar riesgos de uso indebido o sesgos
algorítmicos. Por tanto, se requiere una estrategia nacional de datos en seguridad ciudadana que
defina políticas de gobernanza, auditoría y estándares éticos de aplicación (Silva y Rocha 2019).
Conclusiones
El uso de Big Data y minería de datos en el ámbito policial constituye un cambio de paradigma en
la gestión de la seguridad pública. La capacidad de integrar fuentes heterogéneas y analizar
correlaciones complejas permite identificar actores clave, mapear estructuras criminales y anticipar
posibles eventos delictivos (Chen et al. 2004).
El estudio demostró que la correlación de bases policiales y judiciales revela vínculos relevantes
entre individuos, fortaleciendo la inteligencia operativa y estratégica. Estos resultados refuerzan la
necesidad de institucionalizar sistemas analíticos interconectados que faciliten la prevención del
delito y la lucha contra el crimen organizado. Asimismo, la adopción de estas herramientas debe
Fortalecimiento del trabajo Policial mediante Big
Data y minería de datos para la identificación de
criminales y redes delictivas
Guido Fabián Chamba Iza
___________________________________________________________________________________________________________
30
ISUPOL, Revista de Invesgación en Seguridad Ciudadana y Orden Público
Nº 11 Diciembre 2025 • pp 24-30 • ISSN impreso 2528-8032 • ISSN digital 2773-7470
acompañarse de políticas públicas que regulen su aplicación ética, garantizando transparencia,
rendición de cuentas y respeto a los derechos humanos.
Recomendaciones
Institucionalización tecnológica: Implementar plataformas de análisis de Big Data
interinstitucionales, que permitan compartir información policial, judicial y social bajo protocolos de
seguridad y confidencialidad.
Capacitación especializada: Desarrollar programas de formación en analítica de datos, IA y
visualización para agentes policiales y analistas criminales.
Gobernanza de datos: Establecer marcos legales que definan la propiedad, tratamiento y
protección de la información utilizada en análisis policial.
Líneas de investigación futura: Profundizar en modelos predictivos basados en ML y redes
neuronales que permitan anticipar comportamientos delictivos y patrones espaciales de
criminalidad.
Colaboración internacional: Promover alianzas con universidades y centros de investigación para
el desarrollo de sistemas de inteligencia policial basados en datos abiertos y tecnologías
emergentes.
Estas acciones contribuirían a consolidar un modelo de seguridad sustentado en la evidencia,
eficiente y éticamente responsable.
Bibliografía
Akoglu, Leman, Hanghang Tong, y Danai Koutra. 2015. “Graph-Based Anomaly Detection and
Description: A Survey.” Data Mining and Knowledge Discovery 29 (3): 626–688.
Bhattacharyya, Siddhartha, y Sanjay Jha. 2011. “Data Mining for Credit Card Fraud: A Comparative
Study.” Decision Support Systems 50 (3): 602–613.
Chen, Hsinchun, Wingyan Chung, Jennifer J. Xu, Gang Wang, Yi Qin, y Michael Chau. 2004. “Crime
Data Mining: A General Framework and Some Examples.” Computer 37 (4): 50–56.
Gandomi, Amir, y Murtaza Haider. 2015. Beyond the Hype: Big Data Concepts, Methods, and
Analytics. International Journal of Information Management 35 (2): 137–144.
Hand, David J., Heikki Mannila, y Padhraic Smyth. 2001. Principles of Data Mining. Cambridge, MA:
MIT Press.
IBM. 2020. IBM i2 Analyst’s Notebook: Turning Data into Intelligence. White Paper.
https://www.ibm.com
Maimon, Oded, y Lior Rokach, eds. 2010. Data Mining and Knowledge Discovery Handbook. 2ª ed.
New York: Springer.
National Institute of Justice (NIJ). 2013. Using Predictive Analytics to Prevent Crime. U.S.
Department of Justice. https://nij.ojp.gov/library/publications
Silva, Mariana, y Helder Rocha. 2019. “Big Data in Law Enforcement: Applications and Challenges.”
Journal of Big Data 6 (1): 12–23.
Xu, Jennifer J., y Hsinchun Chen. 2005. “Criminal Network Analysis and Visualization.”
Communications of the ACM 48 (6): 100–107.
