Machine Learning

Algoritmos no supervisados de cluster

 Contenidos

01 03
Comprension de datos Generacion de
y problema cluster y evaluacion

02 04
EDA Despliegue
INTRODUCCION
Al aplicar algoritmos de clustering, los
bancos pueden detectar posibles fraudes
de manera más eficiente, reduciendo
pérdidas y fortaleciendo la seguridad
financiera, al tiempo que mejoran la
satisfacción y confianza de los clientes
al minimizar falsas alarmas.
 01
Comprension de datos y problema
 Comprension del problema
Para este caso de análisis el problema se centra en utilizar datos
históricos de alertas de fraudes, respuestas de clientes y
reclamos para mejorar la precisión y eficacia en la detección y
prevención de fraudes. Al comprender mejor cómo las alertas se
relacionan con casos reales de fraude y cómo los clientes
responden a estas alertas, la organización puede tomar
decisiones más informadas para proteger sus activos y mantener
la confianza de los clientes.
 14330
Registros

19
Variables

6 13
Categoricas Numericas
Descripcion de
variables
02
EDA
 Acciones realizadas

Eleccion de Estandarizacion
variables
Se estandarizo con media 0
Se eliminaron variables no y varianza 1, excluyendo la
nombradas en descripcion columan RUT
de variables

PCA y LOF
Datos faltantes
Se uso PCA para la
Se comprobro la
reduccion de la
inexstincia de datos
dimensionalidad y LOF
faltantes
para la deteccion de datos
anomalos
Visualización PCA
Histograma LOF
Matriz de correlación
 03
Generación de cluster y evaluación
 TIPOS DE CLUSTER

K-Means CLARA Jerarquico PAM

Metodo de codo para definir clusters
K-Means Cluster
 04
Despliegue
 Interpretacion Heatmaps
Los mapas de calor proporcionan una instantánea de las
características de los grupos:

Grupo 1: Tiene más alertas (variables TEF) y transacciones de

alto valor (variables RM) que los otros grupos.

Grupo 2: Muestra un nivel moderado de alertas y

transacciones.

Grupo 3: Parece tener menos alertas y transacciones entre los

tres grupos.

El mapa de calor mejorado proporciona una mayor granularidad

y una diferenciación más clara entre los grupos.
Grupo 1
1. Grupo 1: Alto Riesgo/Clientes Muy Activos

• Las personas en este grupo son altamente activas en transacciones.

• Presentan múltiples alertas en los últimos meses y numerosas transacciones de alto valor en momentos
específicos.
• Esta actividad puede ser indicativa de posibles riesgos o de un comportamiento inusual que requiere
atención.
• Clasificaciones potenciales para este grupo:
• Actividad de Alto Riesgo: Basado en los patrones de transacciones y alertas.
• Clientes Muy Activos: Basado en la frecuencia y magnitud de las transacciones.
• Clientes con Transacciones de Alto Valor: Enfocado en el valor monetario de las
transacciones.
Grupo 2
2. Grupo 2: Riesgo Moderado/Clientes Moderadamente Activos

• Este grupo muestra una actividad de transacción moderada.

• Poseen una mezcla equilibrada de alertas y transacciones de alto valor.
• Pueden representar el segmento promedio de clientes.
• Clasificaciones potenciales para este grupo:
• Actividad de Riesgo Moderado: Dado su perfil de transacciones y alertas.
• Clientes Moderadamente Activos: Basado en su actividad transaccional.
Grupo 3
3. Grupo 3: Bajo Riesgo/Clientes Menos Activos

• Los individuos en este grupo tienen menos alertas y transacciones.

• Realizan transacciones con menor frecuencia o en cantidades más reducidas.
• Clasificaciones potenciales para este grupo:
• Actividad de Bajo Riesgo: Dada la baja frecuencia de alertas y transacciones.
• Clientes Menos Activos: Debido a su menor actividad transaccional.
 DESPLIEGUE
• Monitoreo y Alertas: Implementar un sistema de monitoreo que genere alertas en
tiempo real, especialmente para el Grupo 1 debido a su alta probabilidad de riesgo.
• Educación al Cliente: Es esencial enviar comunicaciones educativas al Grupo 1 sobre
prácticas seguras y cómo identificar intentos de fraude.
• Revisión Periódica: Asegurarse de que el modelo se mantenga actualizado y
relevante.
• Protección Adicional: Considerar ofrecer protección adicional al Grupo 1, como
seguros contra fraude o servicios de monitoreo.
• Validación de Transacciones: Implementar sistemas de doble verificación para
transacciones de alto valor o patrones inusuales, centrados en el Grupo 1.
• Estrategia de Negocios: Diseñar ofertas o servicios personalizados para cada grupo,
basados en su comportamiento transaccional.

Estas propuestas y decisiones no solo buscan proteger mejor a los clientes, sino también ofrecer
servicios personalizados, mejorando así la confianza y satisfacción del cliente.
Muchas Gracias