Detección y clasificación de

posibles fraudes en
afiliaciones en la ARL
Positiva
Aplicación Procesamiento de Data y Modelos de clasificación

Presentado por:

• Stephany Alejandra Bogoya Contreras

• Julissa Fernanda Cabrera Sassin
• Diana Milena Murcia Méndez
• Sandra Karina Osorio Chaparro
• Miguel Ángel Salgado Burgos

29 de Mayo 2021 Análisis de Caso II

2021-01
CONTENIDO

1 Justificación del Problema y Objetivos

2 Arquitectura

3 Perfilado de los datos

4 Preparación de los datos

5 Balanceo y normalización de los datos

6 Pasos a seguir
Análisis de Caso II
2021-01
Justificación del Problema
Contexto Colombiano
Existen entidades denominadas
“agrupadoras” que, sin contar con la
autorización del Ministerio de Salud y
Protección Social, ofrecen a través de
diferentes medios publicitarios la
1 2
posibilidad de que trabajadores
realicen pagos a Seguridad social en
unos porcentajes muy inferiores a los
determinados por la Norma.
Afiliación fraudulenta
“Aquella que no guarda
3 4
correspondencia con la situación real
del trabajador y su grupo familiar,
específicamente en su condición
laboral, dependiente o independiente,
o en la realidad económica de sus
ingresos, con el fin de sacar provecho
de las prestaciones asistenciales y
económicas que otorga la seguridad
social”
Ley 1562 del 2021
“Sistema de riesgos laborales: El
conjunto de entidades públicas y
privadas, normas y procedimientos,
destinados a prevenir, proteger y
atender a los trabajadores de los
efectos de las enfermedades y los
accidentes que puedan ocurrirles con
ocasión o como consecuencia del
trabajo que desarrollan.”
Ahorro de costos
Actualmente se evidencia que, las
empresas y los trabajadores
independientes en la búsqueda de
reducir costos de afiliación, incurren en
la modalidad de afiliación fraudulenta
al sistema de seguridad social.
Análisis de Caso II
2021-01
 Objetivos

Objetivo General

Proponer un modelo de clasificación y detección de empresas marcadas como inconsistentes antes de la

afiliación para la ARL Positiva.

Objetivos Específicos

 Conocer la Empresa de Seguros y los datos necesarios para la identificación de las diferentes
variables requeridas en el proceso.
 Preparar los datos mediante la depuración, estandarización, imputación y alistamiento. 
 Aplicar diferentes técnicas de balanceo, normalización y modelos para la clasificación y detección de
empresas marcadas como inconsistentes antes de la afiliación. 
 Evaluar la efectividad de los modelos aplicados, que permita garantizar mayor precisión en la
clasificación y detección de empresas marcadas como inconsistentes antes de la afiliación.

Análisis de Caso II
2021-01
Justificación del Problema
Arquitectura

Análisis de Caso II
2021-01
Perfilamiento de datos

Imputación del Categorización de las

recaudo variables
Se debe realizer imputación • 10 Categoricas
con base en el tamaño de la • 6 Númericas
empresa
01
06

Asignación de tipo
riesgo
02 Cantidad de registros

Con base en la actividad PERFILADO

PERFILADO Base entregada con 837.237:
economica 1529 registros • Descartados 415.140
05 • Tabajados 421.336

Marcación municipio y
Departamento
Se debe realizar la imputación de
1677 datos vacios de la base
03
04 Partición de bases
Se particiona por ESTADO:
• Afiliadas 419.790 (99%)
• Desafiliadas 1.529 ((1%)

Análisis de Caso II
2021-01
 Preparación de los datos 2. Estandarización de 419.790 registros,
eliminación de acentos , ajuste de mayúsculas y 3. Cruces de información
Transformación de datos (Para cruces) para completar datos
faltantes (Divipola)
1. Eliminación de registros duplicados (92.529) y
4. Transformación de
registros incompletos (123) y columnas que no se
variables categóricas a
van a utilizar para el Modelo
númericas

5. Concatenación de
Base empresas afiliadas data con Desafiliadas
511.821 Registros

Bases Iniciales: Data Procesada

 Datos_Afiliados: 837.237 Registros Proceso de Depuración, 421.336 Registros
 Divipola: 1.122 Registros
 Actividad Económica: 605 Registros
01 Estandarización y Clasificación:
0 = 419.169 Registros
Completitud de data 1 = 2.167 Registros

Se divide la base por empresa con estado

“AFILIADA” y “DESAFILADA” debido a la
diferencia de data que contenían

5. Concatenación de
Base empresas desafiliadas data con Afiliadas

1. Eliminación de registros duplicados (323.232) y

registros incompletos (638) y columnas que no se
van a utilizar para el Modelo
2. Estandarización de 1.546 registros,
eliminación de acentos , ajuste de
mayúsculas y Transformación de datos
(Para cruces)
3. Cruces de información para
completar datos faltantes
(Divipola) e imputación de datos
(3 variables: Cód sucursal,
recaudo mes y riesgo)
4. Transformación de
variables categóricas a
númericas
Análisis de Caso II
2021-01
Balanceo y Normalización de los Datos

Bal n
a nc e c i ó
od a
eD aliz
ato o rm
UnderSampler: s N
NearMiss-3 
Data Procesada

Data Modelo
UnderSampler: BASE
Umbral de dureza de BALANCEADA Y
Sklearn
instancia NORMALIZADA (StandardScaler)

SMOTETomek

Análisis de Caso II
2021-01
 Resultados Balanceo de Datos

UnderSampler:
Base Inicial  NearMiss-3 SMOTETomek
 Umbral de dureza de instancia

418.816
1 2.167 2.167

418.816
0 419.169 2.167

Análisis de Caso II
2021-01
Pasos a Seguir
Concluir pruebas
de modelos
Con la base procesada,
balanceada y normalizada se
iniciará a correr diferentes
modelos de Machine Learning.
Validación de
métricas
Se evaluará las métricas de
Elección del mejor
cada modelo implementado modelo y
(Accuracy, precisión, recall, f1-
score y Matriz de Confusión), conclusiones
para seleccionar el mejor. Con base en los resultados
obtenidos se entregará el
documento, código y
conclusión de los resultados
obtenidos.
Análisis de Caso II
2021-01
GRACIAS…
Análisis de Caso II
2021-01