Tema: Modelo para predecir la detección de

fraude en transacciones bancarias

Descripción del problema

Macro:
La problemática general se relaciona con la detección de fraude en
transacciones bancarias y su impacto en el sistema financiero.

Meso:
El problema científico se enfoca en cómo identificar el intento de fraude utilizando
técnicas de minería de datos y aprendizaje automático.

Micro:
El objetivo específico es desarrollar un modelo para la detección de fraude en
transacciones bancarias, involucrando tareas como revisión de trabajos
relacionados, selección de datos, limpieza de datos, entrenamiento de modelos y
evaluación de resultados.

Descripción del problema

El problema científico consiste en desarrollar un modelo preciso y eficiente
que permita identificar de manera precisa y oportuna el intento de fraude en
las transacciones bancarias. Este modelo debe utilizar técnicas de minería de
datos y aprendizaje automático para detectar comportamientos atípicos y
normales en las transacciones, y ser capaz de agrupar transacciones
similares para un análisis detallado. El objetivo es proporcionar a las
instituciones financieras una herramienta efectiva para prevenir y mitigar las
pérdidas asociadas al fraude, al tiempo que se preserva la confianza de los
clientes en el sistema bancario.
Objetivo General:

• Desarrollar un modelo que permita la detección de fraude en las transacciones

bancarias usando técnicas de minería de datos y aprendizaje automático.

Objetivos Específicos:

• Revisar trabajos relacionados de minería de datos y aprendizaje automático

para la detección de fraude.
• Identificar comportamientos atípicos y normales de las transacciones
bancarias
• Agrupar transacciones bancarias similares usando técnicas supervisadas de
minería de datos

Tareas:

• Investigar sobre el fraude en transacciones bancarias y seleccionar el área de

investigación de fraude que se pretende analizar.
• Seleccionar el conjunto de datos que permita realizar el estudio enfocado en
origen de datos públicos.
• Aplicar técnicas de minería de datos para la limpieza de los datos necesarios
para el estudio.
• Encontrar modelos de aprendizaje automático que permitan la detección de
fraude y seleccionar el mejor modelo que permita encontrar los valores atípicos y
normales en las transacciones.
• Evaluar modelos de clasificación que permitan agrupar las posibles
transacciones fraudulentas.
• Presentar los resultados que permitan dar a conocer las conclusiones y
recomendaciones del trabajo realizado.
Estructuras teóricas jerárquicas a seguir para la elaboración del marco teórico
de la investigación sobre el modelo de detección de fraude en transacciones
bancarias:

Nivel Macro:

Conceptos fundamentales:
En este nivel, se definirán conceptos clave relacionados con el fraude en
transacciones bancarias, como transacción, fraude, cliente, detección de fraude,
minería de datos, aprendizaje automático y modelos de detección de fraude.

Teorías y enfoques generales:

Aquí se llevará a cabo una revisión de teorías y enfoques amplios relacionados con
el fraude en el ámbito financiero. Se examinarán diferentes teorías sobre los motivos
y las causas del fraude, así como enfoques generales utilizados en la detección de
anomalías y los algoritmos de clasificación aplicados en la detección de fraude,
como árboles de decisión, redes neuronales, SVM (Máquinas de Vectores de
Soporte) y regresión logística.

Nivel Meso:

Revisión de literatura especializada:

En este nivel, se realizará un análisis exhaustivo de estudios previos y trabajos
relacionados sobre la detección de fraude en transacciones bancarias utilizando
técnicas de minería de datos y aprendizaje automático.

Métodos y técnicas específicas:

Se explorarán las metodologías, técnicas y algoritmos específicos como la
clasificación supervisada, el clustering, la detección de anomalías y las técnicas
de preprocesamiento de datos utilizadas en la preparación de los datos para el
análisis.

Nivel Micro:

Marco conceptual específico:

En este nivel, se definirán los componentes clave del modelo, como las
variables relevantes a considerar (por ejemplo, características de la transacción,
comportamiento del cliente, características del dispositivo utilizado, ubicación
geográfica, etc.), y se establecerá una conexión lógica entre los elementos del
modelo.

Descripción detallada del enfoque propuesto:

Se proporcionará una explicación detallada de los componentes y etapas del
modelo propuesto. Esto incluirá la selección de variables, la construcción del
conjunto de datos, la elección de algoritmos de aprendizaje automático y las
métricas de evaluación utilizadas para medir el rendimiento del modelo.
Hipótesis:

La implementación de un modelo basado en técnicas de minería de datos y

aprendizaje automático, utilizando algoritmos de clasificación avanzados y
datos históricos de transacciones bancarias, permitirá predecir de manera
precisa y oportuna el intento de fraude en transacciones bancarias.

Estructura tentativa del marco metodológico

Definición del diseño de investigación:

- Tipo de investigación: Investigación experimental cuantitativa.

- Enfoque de investigación: Enfoque deductivo.

Selección de la muestra:

- Población objetivo: La población objetivo estará compuesta por las transacciones

bancarias disponibles en el conjunto de datos obtenido de Kaggle, que cumplan con
los criterios de relevancia y confiabilidad para el estudio de detección de fraude.

- Tamaño de la muestra: Se determinará el tamaño adecuado de la muestra mediante

técnicas de muestreo aleatorio, considerando la representatividad de la población
objetivo y los recursos disponibles.

Recopilación de datos:

- Fuentes de datos: Los datos serán obtenidos en línea desde Kaggle,

seleccionando un conjunto de datos relacionado con transacciones bancarias
fraudulentas que contenga información relevante para el estudio.

- Procedimientos de recolección de datos: Los datos serán descargados del conjunto

seleccionado en formato adecuado (por ejemplo, CSV) y se almacenarán en una base de
datos o archivo local para su posterior análisis.

Preprocesamiento de datos:

- Limpieza de datos: Se realizará la limpieza de los datos, eliminando registros

duplicados, valores faltantes o inconsistentes, y verificando la calidad de los datos.

- Transformación de datos: Se realizarán transformaciones en los datos según sea

necesario, como la normalización de variables numéricas, la codificación de
variables categóricas y la selección de características relevantes.

Análisis de datos:
- Técnicas de minería de datos: Se aplicarán técnicas de minería de datos y aprendizaje
automático, como algoritmos de clasificación (por ejemplo, árboles de decisión, SVM,
redes neuronales), para entrenar y evaluar modelos de detección de fraude.

- Evaluación del modelo: Se evaluará el rendimiento del modelo utilizando métricas como
precisión, exhaustividad, F1-score, curvas ROC y matriz de confusión, mediante técnicas de
validación cruzada u otras metodologías apropiadas.
Resultados y conclusiones:

- Presentación de resultados: Los resultados del análisis se presentarán

utilizando visualizaciones adecuadas, como gráficos, tablas y estadísticas
descriptivas, para resaltar los hallazgos clave y patrones identificados.

- Conclusiones y recomendaciones: Las conclusiones se derivarán de los

resultados obtenidos, discutiendo la efectividad del modelo propuesto en la
detección de fraudes en transacciones bancarias. Además, se ofrecerán
recomendaciones para mejorar la detección y prevención del fraude en el
sistema bancario.

Resultados que se esperan obtener:

- Desarrollo de un modelo de detección de fraude:

Se espera obtener un modelo basado en técnicas de minería de datos y aprendizaje
automático que sea capaz de predecir de manera precisa y oportuna el intento de fraude en
transacciones bancarias. El modelo deberá ser entrenado y evaluado utilizando datos
históricos de transacciones bancarias, con el objetivo de lograr una alta tasa de detección de
fraudes y una baja tasa de falsos positivos.

- Identificación de patrones y comportamientos anómalos:

Se espera que el análisis de los datos permita identificar patrones y comportamientos
atípicos en las transacciones bancarias asociados con actividades fraudulentas. Esto
proporcionará una comprensión más profunda de las características distintivas de las
transacciones fraudulentas, lo que a su vez contribuirá a mejorar la detección y
prevención del fraude en el futuro.

- Evaluación del rendimiento del modelo:

Se evaluará el rendimiento del modelo de detección de fraude utilizando métricas de
evaluación adecuadas, como precisión, exhaustividad, F1-score y curvas ROC. Se
espera obtener resultados que demuestren la efectividad y eficiencia del modelo en la
detección de fraudes, con una alta precisión y un bajo porcentaje de falsos positivos.

- Validación de la aplicabilidad del modelo:

Se buscará validar la aplicabilidad del modelo propuesto utilizando conjuntos de
datos adicionales, diferentes a los utilizados en el entrenamiento y evaluación inicial.
Esto permitirá determinar si el modelo es generalizable y puede ser implementado en
entornos bancarios reales para mejorar los sistemas de detección de fraudes
existentes.
 Cronograma de Trabajo:

Se presenta un cronograma de trabajo tentativo para la investigación,

considerando un tiempo estimado desde el 01/07/2023 hasta el 30/11/2023:

- El presente cronograma es una sugerencia y puede ser ajustado según

la necesidad y/o preferencia.

- Es importante mencionar que se debe asignar el tiempo necesario para

cada tarea y asegurarse de contar con períodos de revisión y ajustes en
caso de requerir más tiempo en alguna etapa específica.

- Además, se sugiere considerar que las tareas pueden superponerse en el

tiempo según la complejidad de cada una y la disponibilidad del

Enlace Web: https://express.adobe.com/post/CRwUcK0whTwEr/

Elaborado por:
Diego Vallejo