Detección de patrones de comportamiento regulares y fraudulentos sobre un conjunto de transacciones financieras.

Abstract

Las entidades financieras de medios de pago sufren tanto pérdidas financieras como deterioro de imagen frente a sus clientes por fraude. Para reducir estas pérdidas, se busca detectar la actividad fraudulenta lo más pronto posible, destinándose personal especializado y sistemas informáticos de soporte para este fin. Generalmente estos sistemas son configurados basándose en el supuesto de que las transacciones fraudulentas siguen patrones particulares que difieren de las transacciones usuales, lo que permite su detección. Entre los sistemas de detección de fraude se destacan aquellos basados en reglas, que deben ser configurados por especialistas, cuya principal debilidad es que suelen perder su efectividad con el tiempo a medida que se evoluciona en nuevos patrones de fraude. Por otro lado, existen sistemas completamente automatizados, capaces de aprender nuevos patrones a partir de transacciones clasificadas como legítimas o fraudulentas, cuya principal debilidad es que su aprendizaje no siempre es fácilmente interpretable por un especialista que pueda aprovechar su conocimiento para ser utilizado en otras formas de prevención fuera del alcance del sistema. A partir de esta problemática, buscamos analizar y utilizar mecanismos de aprendizaje automático que permitan mejorar y mantener los sistemas de detección de fraude. Más específicamente utilizamos métodos de selección de atributos para poder entrenar modelos de forma eficiente; evaluamos métodos que permitan generar reglas que sean interpretables por especialistas y puedan ser incorporados en sistemas de detección basados en reglas y por último, analizamos métodos que generen modelos capaces de retornar un puntaje que determine el riesgo de que una transacción resulte fraudulenta. Como resultado obtuvimos una herramienta de software que permite, a partir de un conjunto de transacciones clasificadas, entrenar modelos de árboles de decisión, redes neuronales y random forest. Esto incluye tomar transacciones de la base de datos, realizar las transformaciones necesarias y aplicar algoritmos de selección de atributos. A partir de los modelos generados es posible tanto obtener un conjunto de reglas como evaluar transacciones obteniendo puntajes de riesgo para cada transacción.