​​Modelo predictivo de clasificación de pagos Fraudulentos para el área de prevención del fraude del Banco de Lima Metropolitana​

Abstract

La presente tesis muestra la aplicación de la Metodología Fundamental de Ciencia de Datos de IBM en conjunto con el marco de trabajo SCRUM para poder Analizar, modelar e implementar un modelo predictivo que permita asignar probabilidades a las transacciones bancarias y establecer cuáles son probablemente fraudulentas. Con tal objeto, se identificará al mejor modelo luego de ejecutar la validación cruzada con Kfold igual a 10 y calcular los indicadores de Área bajo la curva de la Precisión y Exhaustividad (AUC-PR) y Lift ya que nos encontramos ante un problema de datos desbalanceados donde las transacciones fraudulentas representan el 0.13% y las no fraudulentas el 99.87%. Como resultado se obtiene el mejor modelo a Gradient Boosting Classifier del que se obtuvieron los resultados con un Área bajo la curva de la Precisión y Exhaustividad (AUC-PR) de 0.036 y Lift de 3.629%; estos indicadores permitirán a la oficina de Prevención de Fraudes del Banco establecer un margen de alerta y tomar acción cuando las transacciones sean identificadas como fraudulentas.

This thesis shows the application of IBM's Fundamental Data Science Methodology in conjunction with the SCRUM framework to be able to Analyze, model and implement a predictive model that allows assigning probabilities to bank transactions and establishing which ones are probably fraudulent. For this purpose, the best model will be identified after executing the cross-validation with Kfold equal to 10 and calculating the Area under the Precision and Completeness curve (AUC-PR) and Lift indicators, since we are facing a data problem. unbalanced where fraudulent transactions represent 0.13% and non-fraudulent 99.87%. As a result, the best Gradient Boosting Classifier model is obtained, from which the results were obtained with an Area under the Precision and Completeness curve (AUC-PR) of 0.036 and Lift of 3.629%; These indicators will allow the Bank's Fraud Prevention office to establish an alert margin and take action when transactions are identified as fraudulent.