Selección de una técnica de aprendizaje de máquina para la detección de Fraude Financiero Digital enfocado a transacciones no autorizadas o consentidas

Abstract

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)

The constant evolution of technology and the cultural change of people, has allowed companies to provide multiple services on digital platforms, promoting immediacy and easy access to services through the Internet. The focus of this work is digital financial services in Colombia, which have been well accepted in the market, allowing, for example, to make payments through electronic transfers in neighborhood stores. However, in parallel with the increase in the use of digital financial services, fraud in digital transactions has also evolved and is increasing every day. In this work, different machine learning methods will be evaluated, with the aim of finding a satisfactory result in the detection of fraud in digital transactions, based on prediction quality and execution times. In addition, it focuses on the analysis of a set of real banking transactions that have already occurred, to detect them and eventually be able to avoid them in future transactions. Four models widely used in the literature for the classification problem were implemented and compared: Logistic Regression, Random Forest, Support Vector Machine (SVM), and Neural Networks. Finally, we showed evidence that an appropriate model for fraud detection is the SVM.