Desarrollo de un modelo predictivo basado en aprendizaje automático para la detección de fraudes en transacciones con tarjeta de crédito
Fecha
Autores/as
Título de la revista
ISSN de la revista
Título del volumen
Editor
DOI
Resumen
En la actualidad, el enorme crecimiento de las tecnologías tanto digitales como el comercio electrónico han transformado la forma en como las personas realizan transacciones financieras o como usan y mueven su dinero. Las plataformas de pago en línea como servicios bancarios digitales como la Banca Móvil del Banco Pichincha aquí en Ecuador procesan millones de operaciones por segundo, generando un entorno muy dinámico y complejo. Sin embargo, este notable avance trae consigo múltiples vulnerabilidades que pueden y han sido aprovechadas por actores maliciosos que desarrollan de forma regular estrategias para cometer fraude. Los métodos tradicionales de detección de fraude, basados en las reglas fijas o revisiones manuales actualmente presentan considerables carencias y limitantes frente a la sofisticada forma de ataque actual por los actores maliciosos. Estos sistemas suelen depender de condiciones predefinidas, como montos máximos o ubicaciones geográficas, lo que los hacen muy rígidos y poco flexibles ante las nuevas formas y estrategias de fraude. Estos pueden generar una alta tasa de falsos positivos, afectando la experiencia del usuario, o bien fallar en la detección temprana de transacciones fraudulentas reales, ocasionando pérdidas económicas considerables. Adicionalmente, la naturaleza masiva de los datos financieros dificulta en gran parte a la identificación manual de patrones sospechosos. En este escenario surge la necesidad de implementar soluciones automatizadas capaces de analizar grandes volúmenes de información con predicción inmediata sobre datos cargados por archivo CSV y detectar comportamientos anómalos de forma eficiente. Con esta problemática, el aprendizaje automático se convierte en una alternativa viable, ya que permite a los sistemas a aprender patrones a partir de los datos históricos y así lograr adaptarse a nuevas técnicas, tendencias o estrategias de fraude. Sin embargo, el desarrollo e implementación de estos modelos no solo implica en entrenar el algoritmo sino lograr que su integración en sistemas funcionales sea factible para el uso de entornos reales. Ante este contexto, se plantea la siguiente pregunta de investigación: ¿Cómo diseñar e implementar un sistema basado en aprendizaje automático que permita detectar de manera temprana y eficiente las transacciones fraudulentas con tarjeta de crédito en grandes volúmenes de datos financieros, integrando modelos predictivos en un entorno desplegable y adaptable a nuevos datos? El presente trabajo busca responder está pregunta mediante el diseño e implementación de un modelo predictivo que permita identificar patrones sospechosos, clasificar transacciones como legítimas o fraudulentas y evaluar la efectividad del modelo mediante métricas de precisión, recall y AUC-ROC. De esta manera, el sistema propuesto podrá servir como una herramienta de apoyo para entidades financieras o plataformas digitales que deseen mejorar sus mecanismos de prevención y seguridad en línea.






