Análisis de anomalías en notas débito y crédito utilizando técnicas de aprendizaje automático no supervisado

RESUMEN : Este estudio desarrolla un modelo basado en aprendizaje no supervisado para detectar transacciones inusuales de ventas (Notas crédito y débito) de una empresa del sector servicios. Se utilizan métodos de reducción de dimensionalidad y UMAP para el análisis y visualización de patrones en los datos transformados. Para la identificación de anomalías, se implementaron técnicas de clustering, lo cual permite agrupar los datos y destacar comportamientos anómalos que requieren un control detallado por parte del equipo auditor de la compañía. Los resultados sustentan un modelo que, a partir de métricas como Cruces Cero y Cruces Neteo, permite identificar patrones de inestabilidad o comportamientos sospechosos; además, el análisis de estadísticas de transacciones, como la media, la desviación estándar y los valores extremos, facilita la detección de outliers, garantizando un monitoreo exhaustivo, continuo y de calidad que contribuye al cumplimiento de la normatividad financiera nacional e internacional, mejorando la gestión de riesgos de la compañía y fortaleciendo la confianza en las muestras revisadas por la auditoría.

• Autores: Duarte Foronda, María Camila; Lozano Durán, Cristian Joel
• Tipo de recurso: Tesis
• Fecha de publicación: 2024
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/44355
• Acceso en línea: https://hdl.handle.net/10495/44355
• Palabra clave: Protección contra riesgos financieros; Financial Risk Protection; Aprendizaje automático no supervisado; Unsupervised Machine Learning; Delitos económicos; Commercial crimes; Fraude bancario; Bank fraud; Operaciones bancarias; Foreign exchange deposits; Auditoría financiera; Financial auditing; https://id.nlm.nih.gov/mesh/D000069558
• Rights: openAccess
• License: https://creativecommons.org/licenses/by-nc-sa/4.0/