Fondos De Papel es una plataforma de Ojo-Publico.com que comenzó a desarrollarse en julio del 2015 y cuya primera etapa se publicó en febrero del 2016, durante el proceso electoral para elegir al presidente y representantes al Congreso. El proyecto analizó en ese momento los aportes electorales de 25 organizaciones políticas durante las últimas tres campañas electorales. La herramienta –que combinó la investigación con el análisis de un millón de datos- reveló, entre otros hallazgos, la filtración de personas en extrema pobreza como financistas, la concentración del dinero en muy pocos partidos, los vacíos legales de la fiscalización, enormes montos de aportes sin verificar y financiamiento anónimo proveniente de irregulares cocteles y almuerzos.

Luego de las elecciones presidenciales nos propusimos diseñar una segunda etapa y darle continuidad a la investigación en un contexto de permanente penetración de dinero ilícito en la política, como ya el Caso Lava jato había confirmado con creces. El trabajo demandó un esfuerzo periodístico y tecnológico para todo el equipo por los enormes volúmenes de datos construidos. Aquí resumimos los desafíos durante el proceso de investigación, la metodología que usamos para estructurar los datos y las limitaciones de la información.

1. La pregunta adecuada. 

¿Qué información necesita conocer un ciudadano sobre una organización política?, fue la pregunta que guió la investigación y el desarrollo de la plataforma. Y a estas inquietudes se sumaron otras: qué vinculos tienen los financistas de las organizaciones políticas y sus líderes con casos investigados por crimen organizado. El equipo priorizó la construcción de una base de datos que permitiera establecer relaciones entre los financistas y principales líderes políticos con personajes investigados por casos de crimen organizado. Conformamos un equipo integrado por tres periodistas y dos programadores que durante casi 9 meses presentó además 25 pedidos de información. No todo el tiempo fue a dedicación exclusiva. La mayoría integra otros proyectos de investigación y además cubre historias de la coyuntura. Tener las preguntas e hipótesis claras desde el principio, acompañado de una estructura del proyecto, nos ayudó a no naufragar entre tanta información. 

La plataforma documenta un total de 908.965 aportes que juntos suman un total de 312'590.753 soles.

2. Encarar los datos oficiales

En esta plataforma están incluidas los perfiles financieros de 371 organizaciones políticas de todo el país que en algún momento de los últimos 11 años presentaron informes de sus ingresos ante la Oficina Nacional de Procesos Electorales (ONPE). Esta información constituye su verdad y no necesariamente refleja la realidad, pero para iniciar esta investigación lo tomamos como punto de referencia, y sobre esta información contrastamos y verificamos. 

En la primera etapa de #FondosDePapel, con un script automatizamos la descarga de toda la lista de aportantes que figuran en el sitio web de la ONPE. Se hizo así porque en su momento esta entidad dijo no poder entregarnos la información en formato de hojas de cálculo (no hay datos abiertos). Sobre esa base inicial se fue construyendo una nueva base de datos con información no oficial de financistas que pudieron ser identificados solo luego de una investigación periodística por parte del reporteo del equipo o algún proceso judicial. La plataforma documenta un total de 908.965 aportes (entre periódicos y montos de campaña electoral), que juntos hacen un total de 312'590.753 soles).

La información de la plataforma es referencial (no es concluyente, ni vinculante) e irá sumando más datos de acuerdo a los hallazgos del equipo de Ojo-Publico.com y acceso a nuevas bases de datos. También extrajimos información del Registro de Organizaciones Políticas (ROP) para conocer el número de militantes.

Boceto. El equipo pensó en formas dinámica y lúdica para la presentación del especial. Este fue uno de los primeros borradores para la home de la plataforma.

3. Las bases de datos propias

Elaborar una lista de personajes incriminados fue uno de los mayores desafíos porque esta construcción se hizo de manera manual y luego de acceder y revisar decenas de expedientes fiscales, judiciales, informes del Congreso y la Contraloría e informes de inteligencia policial, reportes de la Bolsa de Valores. De la misma forma construimos una base de datos de más tres mil personas investigadas por algún tipo de delitos ambientales durante los últimos 10 años. Es la base de incriminados más completa que tenemos.

Todos estos nombres se cruzaron luego con la base de datos de los aportantes de las organizaciones y en la mayoría de los casos se hallaron coincidencias. En el caso del APRA los resultados son más grandes porque este partido tiene también el número de aportantes más alto. Con estos hallazgos fuimos estableciendo las relaciones, nombre por nombre, caso por caso.

4. Modelar una base de datos de relaciones

Se establecieron cinco grandes grupos: Corrupción, Lavado de activos, narcotráfico, delitos ambientales, delincuencia organizada. Cada uno de ellos contempla casos específicos, que en total suman 46 casos. El cruce de las bases de datos identificó preliminarmente 462 aportantes vinculados o investigados a actividades ilícitas y 856 personas relacionadas en primer y segundo grado.

En base a los resultos definimos también los tipos de relaciones:

- Amical: cuando existe una relación de amistad o compañerismo entre los personajes.

- De complicidad: si ambos personajes forman parta de un expediente fiscal o judicial.

- Laboral: si los involucrados trabajaron juntos o formaron parte de una misma gestión de gobierno.

- Societaria: si ambos personajes son socios o accionistas de la misma empresa.

- Familiar: si existe algún parentezgo entre las personas. 

- De beneficio: para todos los personajes beneficiados con los indultos o conmutaciones de penas.

La información de la plataforma es referencial (no concluyente) e irá sumando más datos de acuerdo a los hallazgos del equipo.

5. ¿Cómo se estructuraron los hallazgos?

Llegamos a construir una base con más de tres millones de datos. De esta cantidad de información, seleccionamos lo mejor de nuestros hallazgos para contarlos en los perfiles de cada una de las 371 organizaciones políticas. Cada ficha contiene información básica (líder y número de militantes); historial financiero; una sección de sanciones, deudas o investigaciones pendientes; un ráncking de los mayores aportantes declarados, y un desagregado por tipos de aportes. De estas, son 65 las organizaciones que tienen un mapa de relaciones que vincule a sus aportantes con personajes investigados. El proyecto comenzó con estos partidos, pero aspira a ir incrementando los datos de más organizaciones.

Los mapas de relaciones son complejos de visualizar y el reto es mayor mientras más información haya que contar. Luego de revisar otros proyectos, probar muchos ejemplos y testearlos con otros integrantes, finalmente se apostó por el que actualmente acompaña el sitio.

Para entender qué tipo de financiamiento aseguraban recibir los partidos y alertados por los millonarios montos provenientes de actividades como la realización de cocteles, el equipo reclasificó manualmente los 908.965 aportes en estas categorías. Estas no coinciden con los de la ONPE. Nuestra clasificación respondió a fines periodísticos:

- Financiamiento directo (bancarizado o dinero en efectivo): Los aportes directos (efectivo o dinero bancarizado) de ciudadanos, militantes y autoridades del partido [y están incluidos los aportes de los propios partidos políticos (RUC) a sí mismos o a las alianzas políticas].

- Financiamiento de empresas nacionales y extranjeras: Aportes de empresas nacionales y extranjeras, excepto las de César Acuña.

- Financiamiento por otras actividades proselitistas Aportes por actividades proselitistas como rifas, bonos partidarios, reuniones y otras actividades proselitistas no especificadas.

#FondosDePapel se basó en el análisis de millones de datos estructurados sobre el financiamiento privados de los partidos y casos investigados por crimen organizado.

- Financiamiento por cenas, almuerzos y cocteles: Dinero proveniente de cenas, almuerzos y desayunos ofrecidos por el partido. Incluidas las actividades como cocteles, polladas, parrilladas, entre otras.

- Aportes de César Acuña, sus empresas y familiares:Aportes de César Acuña, hermanos, hijos y demás familiares. Aportes de empresas de César Acuña o allegados.

- Aportes en proceso de verificación: Aportes sin aportante identificado.

- Aportes en especie y de las ONG: Aportes en especie (bienes tangibles o intangibles). Aportes de ONG y otras asociaciones civiles.

Prototipo. Una de los mayores retos fue repensar la mejor forma de contar los miles de datos analizados y los hallazgos.

- Aportes periódicos ordinarios: Cuotas de candidatos, militantes, autoridades del partido elegidas.

- Aportes por servicios del partido político: Ingresos de las academias, clínicas, consultorios y otros servicios que ofrezcan los partidos políticos.

- Aportes periódicos sin especificar : Aportes no definidos o en blanco.

- Otros aportes periódicos: Dinero del alquiler y venta de bienes del partido. También se considera el dinero por inscripción de elecciones internas del partido, o aportes por rendimiento patrimonial

Solo 65 de las 371 tienen por el momento un mapa de relaciones que vincule a sus aportantes con personajes investigados.

El equipo eligió una presentación de la plataforma inspirada en el juego de mesa Monopolio porque recrea el camino de las organizaciones políticos para alcanzar el poder. El camino, como las investigaciones revelan, con frecuencia está asociado a dinero que proviene de personas vinculadas a actividades económicas ilícitas. Se construyó un buscador inteligente a través del cual se puede acceder a cualquier de las organizaciones, y además contiene un búsqueda avanzada para poder filtrar los resultados por departamentos o tipos de movimiento.

A nivel tecnológico usamos hojas de cálculo para la construcción de la data y luego para el análisis Neo4J y Openrefine en una primera etapa de análisis, y Python para la extracción de datos. El backend se construyó en Django, las visualizaciones se desarrollaron con D3.js y el buscador con elasticsearch.