Medellín - Minas - Maestría en Ingeniería - Analítica · 2022
Selección de una técnica de aprendizaje de máquina para la detección de Fraude Financiero Digital enfocado a transacciones no autorizadas o consentidas
La constante evolución de la tecnología, unida al cambio cultural de las personas, ha permitido a las empresas brindar múltiples servicios en plataformas digitales fomentando la inmediatez y el fácil acceso a servicios mediante internet. En foco de este trabajo, son los servicios financieros digitales en Colombia, los cuales han tenido buena aceptación en el mercado, permitiendo, por ejemplo, realizar pagos mediante transferencias electrónicas en tiendas de barrio; sin embargo, en paralelo al incremento en el uso de servicios digitales financieros, los fraudes en transacciones digitales también han evolucionado y aumentan cada día. En este trabajo se evalúan diferentes métodos de aprendizaje de máquina, con el objetivo de encontrar un modelo apropiado para la detección de fraudes en transacciones digitales, basado en calidad de la predicción y tiempos de ejecución. Además, se enfoca en el análisis de un conjunto de transacciones bancarias reales ya ocurridas, con el fin de detectarlas y eventualmente poderlas evitar en futuras transacciones. Se implementaron y compararon cuatro modelos usados ampliamente en la literatura para el problema de clasificación: Logistic Regression; Random Forest; Support Vector Machine (SVM); y Neural Network. Finalmente, se evidencia que un modelo apropiado para la detección de fraudes es el SVM. (Texto tomado de la fuente)
Texto completo 62 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- Capítulo 1. Propuesta de Trabajop. 10
- 1.1. Introducciónp. 10
- 1.2. Motivaciónp. 11
- 1.3. Exploración de la literaturap. 12
- 1.3.1. Crecimiento poblacional en Colombiap. 12
- 1.3.2. Crecimiento tecnológico en Colombiap. 13
- 1.3.3. Crecimiento en la banca digital en Colombiap. 14
- 1.3.4. Delitos Digitales: Definición, normatividad y crecimientop. 12
- 1.3.5. Resultados de la revisiónp. 17
- 1.3.6. Problema de Analíticap. 19
- 1.3.7. Modelos Considerados para la Detección de Fraudesp. 19
- 1.4. Objetivos de este Trabajop. 21
- 1.5. Metodología para el Desarrollo del Trabajop. 21
- Capítulo 2. Contexto del Modelo para la Detección de Fraudesp. 24
- 2.1. Introducciónp. 10
- 2.2. Sobre la Comprensión del Negociop. 24
- 2.2. Sobre la Adquisición de los Datosp. 26
- 2.3. Breve Exploración de los Datos Adquiridosp. 26
- 2.4. Infraestructura de Procesamientop. 27
- Capítulo 3. Preparación de los datosp. 29
- 3.1. Introducciónp. 10
- 3.2. Proceso de Anonimización de Datosp. 29
- 3.3. Selección de los Datosp. 30
- 3.4. Proceso de imputación de datos faltantesp. 34
- 3.5. Análisis de la variable objetivop. 36
- Capítulo 4. Implementación de Modelos para la Detección de Fraudesp. 38
- 4.1. Introducciónp. 10
- 4.2. Métricas de Evaluaciónp. 38
- 4.3. La Implementación de los Modelosp. 40
- 4.3.1. Implementación Modelo Logistic Regressionp. 40
- 4.3.1.1. Resultados Modelo Logistic Regressionp. 42
- 4.3.1.2. Análisis de los Resultados del modelo Logistic Regressionp. 42
- 4.3.2. Implementación del Modelo Random Forestp. 44
- 4.3.2.1. Resultados del modelo Random Forestp. 45
- 4.3.2.2. Análisis de los resultados del modelo Random Forestp. 45
- 4.3.3. Implementación modelo Support Vector Machine (SVM)p. 47
- 4.3.3.1. Resultados del modelo SVMp. 48
- 4.3.3.2. Análisis de los resultados del modelo SVMp. 49
- 4.3.4. Implementación modelo Redes Neuronales (Neural Network - NN)p. 49
- 4.3.4.1. Resultados modelo Redes Neuronalesp. 52
- 4.3.4.2. Análisis de resultados modelo Redes Neuronalesp. 52
- 4.4. Análisis Integral de los Resultados de los Modelosp. 54
- Capítulo 5. Conclusiones y Trabajo Futurop. 57
- 5.1. Conclusionesp. 57
- 5.2. Utilidad para el mercadop. 58
- 5.3. Trabajo Futurop. 59
- Bibliografíap. 60