Resumen

La detección de fraudes ha sido uno de los temas en el que muchas compañías del sector financiero han invertido más tiempo y recursos con el fin de mitigarlo y de esta forma mantenerse a salvo; sin embargo, encontrar patrones dentro de las metodologías empleadas para cometer fraude en entidades bancarias es un trabajo que involucra ante todo conocer muy bien el comportamiento del individuo, con la idea de finalmente hallar dentro de todas sus transacciones aquellas que no corresponderían a lo que habitualmente éste hace. De esta forma, las soluciones planteadas hasta la fecha, para este problema se han trasladado únicamente a poder identificar outliers o datos atípicos dentro de la muestra que se está analizando, lo cual no permite analizar cada individuo de manera individual y mucho menos realizar un pronóstico de fraudes. 

En este trabajo se evalúa el uso de un modelo logístico mixto para la detección de fraudes. Este modelo, a diferencia de los métodos convencionales para detección de fraudes, considera la variabilidad de las transacciones realizadas porcada individuo; lo que permite generar no sólo un modelo global, sino también un modelo por cada individuo que permite estimar la probabilidad de que una transacción realizada sea fraudulenta, teniendo en cuenta su historial de transacciones y las transacciones fraudulentas detectadas previamente.

1 INTRODUCCIÓN

Dentro de las metodologías utilizadas para la detección de fraudes a través de tarjetas de banda magnética, se encuentran las utilizadas para la detección de patrones o anomalías, que determinan una acción fraudulenta como un evento que no es consistente con otros, de esta manera se hace uso de herramientas de minería de datos que utilizan la ciencia de la estadística, la optimización y grandes volúmenes de información. Los autores del estudio [1], desde 1997 hasta 2008, realizan una revisión del estado del arte sobre las aplicaciones de la minería de datos en la detección del fraude financiero. Encuentran que las técnicas de minería de datos más comunes aplicadas a la detección de fraudes son los métodos de clasificación [2],[3],[4],[5] y de clustering [6],[7],[8]. En [9],[10] los autores revisan las técnicas estadísticas utilizadas para detectar el fraude. En concreto, la metodología más utilizada, para la detección del fraude a través de tarjetas de banda magnética, es el análisis discriminante lineal. Asimismo, las redes neuronales artificiales (RNA) se utilizan para prever este tipo de comportamientos; en [7] proponen una red neuronal no supervisada para detectar y crear criterios para identificar comportamientos individuales sospechosos, utilizando tendencias y características de los individuos. Por su parte, en [11] se propone una red supervisada, utilizando 3 capas ocultas y un algoritmo de retropropagación para determinar patrones de fraude.

• Materias:Economía Modelos matemáticos Programación lineal Teoría económica
• Subjects:Economics Mathematical models Linear programming Economic theory
• Palabras claves:Modelo lineal generalizado; Historia transaccional; Fraudes detectados; Detección de outliers.
• Keywords:Generalized linear model; Transactional history; Detected frauds; Outliers detection