Construcción de Modelos Predictivos para Clasificar Transacciones Legitimas o Fraudulentas Utilizando Algoritmos de Aprendizaje Automático

Rubriche Cardenas, Juan CarlosBlanco Soler, Sergio Alfredo2024-02-072024-02-072024-02-06Blanco Soler, S. A. (2024). Construcción de Modelos Predictivos para Clasificar Transacciones Legitimas o Fraudulentas Utilizando Algoritmos de Aprendizaje Automático. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional.http://hdl.handle.net/11634/54007En la era actual, la naturaleza de las transacciones ha evolucionado drásticamente, migrando de interacciones tradicionales en persona entre tarjetahabientes y comerciantes a transacciones digitales a través de diversos canales, como aplicaciones móviles, banca virtual, billeteras digitales y sistemas de pagos electrónicos. Esta diversificación ha aumentado la susceptibilidad a diversas modalidades de fraude, tales como phishing, skimming, fraude por parte de conocidos, suplantación y robo. Estos desaf´ıos han impulsado la necesidad de implementar herramientas m´as avanzadas que las reglas tradicionales para detectar y prevenir el fraude. En este trabajo, abordamos este reto proponiendo un enfoque basado en modelos de aprendizaje autom´atico supervisado. Estos modelos tienen como objetivo detectar transacciones fraudulentas en tiempo real o casi en tiempo real, minimizando los falsos positivos y alertando o declinando transacciones con alta probabilidad de fraude.In the current era, the nature of transactions has evolved dramatically, shifting from traditional face-to-face interactions between cardholders and merchants to digital transactions through various channels, such as mobile applications, virtual banking, digital wallets, and electronic payment systems. This diversification has increased susceptibility to various forms of fraud, such as phishing, skimming, fraud by acquaintances, impersonation, and theft. These challenges have driven the need to implement more advanced tools than traditional rules to detect and prevent fraud. In this work, we address this challenge by proposing an approach based on supervised machine learning models. These models aim to detect fraudulent transactions in real-time or near real-time, minimizing false positives and alerting or declining transactions with a high likelihood of fraud.application/pdfspaAtribución-NoComercial-SinDerivadas 2.5 Colombiahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Construcción de Modelos Predictivos para Clasificar Transacciones Legitimas o Fraudulentas Utilizando Algoritmos de Aprendizaje AutomáticoDescriptive statisticsSamplingR programmingStatistical InferenceMultivariate StatisticsAlgebra LinealCalculusEstadísticaMuestreoAlgebra LinealAbierto (Texto Completo)Abierto (Texto Completo)info:eu-repo/semantics/acceptedVersioninfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2EstadísticaAnálisis EDAMinería de datosAprendizaje AutomáticoAlgoritmosPatronesFraude con TarjetasOrigenAmbienteCanalesModalidad de FraudeTrama Transaccionareponame:Repositorio Institucional Universidad Santo Tomásinstname:Universidad Santo Tomásrepourl:https://repository.usta.edu.co