Look-up in Google Scholar
Title: Prototipo de detección de fraudes con tarjetas de crédito basado en inteligencia artificial aplicado a un banco peruano
Other Titles: Prototype of fraud detection with credit cards based on artificial Intelligence applied to a Peruvian bank
Advisor(s): Diez Quiñones Panduro, Percy
OCDE field: https://purl.org/pe-repo/ocde/ford#2.02.04
Issue Date: 2020
Institution: Universidad de Lima
Abstract: El presente trabajo está centrado en el área de prevención y tratamiento del fraude de un banco peruano. Esta organización brinda servicios y soluciones financieras a sus clientes a través de sus diferentes canales de atención, siendo el canal de ventas por comercio electrónico el más vulnerable y el más crítico, debido a que el número de fraudes identificados por este canal se ha incrementado significativamente en el contexto pandemia - COVID 19. Existen varias formas de cometer fraudes, una de las más comunes es a través de la captura de la información de la tarjeta del cliente por “phishing”, robo o hurto desde el teléfono del cliente, el cual suele encontrar información importante como el registro de sus tarjetas en aplicativos móviles, etc. Actualmente, el banco cuenta con la herramienta Visa Risk Manager, la cual permite a los analistas de fraudes pueden crear reglas de fraude para rechazar o alertar transacciones sospechosas en base a criterios relacionados a los montos, tipos de comercio, entre otros. El comportamiento de los clientes y sus patrones de consumo son variables muy volátiles y un analista de fraudes no es capaz de poder responder rápidamente a estos cambios. Por ello, es necesario que dicho analista de fraude cuente con una herramienta o plataforma basada en Machine Learning, el cual detecte el fraude a través del canal de comercio electrónico en tiempo real, y no depender de reglas estáticas preconfiguradas. El modelo de detección de fraudes se basó en la aplicación del algoritmo Random Forest, para esto, se optó por separar el set de datos, donde el 80% corresponde a data para el entrenamiento del modelo y el 20% restante para validación y pruebas. Los resultados experimentales sobre el conjunto de datos de pruebas muestran que el modelo tiene una precisión del 48.10% con un falso positivo de 4.35, que irá mejorando a partir del aumento del volumen transaccional y la ejecución progresiva del modelo a partir de la data entrante.
Discipline: Ingeniería de Sistemas
Grade or title grantor: Universidad de Lima. Facultad de Ingeniería y Arquitectura
Grade or title: Ingeniero de Sistemas
Juror: Cárdenas Salas, Daniel Enrique; Saravia Torres, Pedro Humberto; Amable Ciudad, Miriam Elizabeth
Register date: 11-Mar-2022



This item is licensed under a Creative Commons License Creative Commons