Detección de fraude interno en colocaciones financieras mediante la Ley de Benford y análisis de redes transaccionales

RESUMEN : El presente proyecto tiene como objetivo identificar patrones y relaciones que podrían estar asociados a fraudes internos en colocaciones financieras, utilizando herramientas como la Ley de Benford, análisis de grafos y el algoritmo PageRank. Los datos analizados incluyen información sobre...

Full description

Autores:
Echavarría Hernández, Víctor Armando
Tipo de recurso:
Tesis
Fecha de publicación:
2024
Institución:
Universidad de Antioquia
Repositorio:
Repositorio UdeA
Idioma:
spa
OAI Identifier:
oai:bibliotecadigital.udea.edu.co:10495/44353
Acceso en línea:
https://hdl.handle.net/10495/44353
Palabra clave:
Protección contra riesgos financieros
Financial Risk Protection
Teoría de grafos
Graph theory
Delitos económicos
Commercial crimes
Fraude bancario
Bank fraud
Operaciones bancarias
Foreign exchange deposits
Rights
openAccess
License
https://creativecommons.org/licenses/by-nc-sa/4.0/
Description
Summary:RESUMEN : El presente proyecto tiene como objetivo identificar patrones y relaciones que podrían estar asociados a fraudes internos en colocaciones financieras, utilizando herramientas como la Ley de Benford, análisis de grafos y el algoritmo PageRank. Los datos analizados incluyen información sobre colocaciones de crédito, relaciones familiares de empleados y transacciones financieras de primer y segundo grado, obtenidos de bases históricas de una entidad financiera. La metodología inició con la aplicación de la Ley de Benford, que permitió identificar anomalías significativas en los montos de crédito, destacando subconjuntos de datos para análisis posterior. Este enfoque reveló que ciertos montos se desviaban notablemente de la distribución esperada, vinculándose principalmente a sucursales con más del 40% de clientes en categorías de alto riesgo. A partir de estas anomalías, se construyeron grafos transaccionales para modelar las relaciones entre empleados, clientes y relacionados, aplicando el algoritmo PageRank para identificar nodos con alta centralidad. Los resultados mostraron que los nodos con mayor importancia en la red correspondían a entidades con alta concentración de transacciones entrantes, el 79% de las cuales provenían de jurisdicciones de alto riesgo. Además, se detectaron patrones de flujo irregular, incluyendo triangulación y picos transaccionales significativos, lo que refuerza la sospecha de actividades anómalas. Como producto de esta metodología, se generaron alertas con una cobertura del 70% sobre la red total, las cuales fueron enviadas al equipo de Investigaciones de Fraude y Lavado de Activos para revisión y validación. Estos hallazgos demuestran la eficacia de combinar herramientas computacionales y enfoques analíticos para la detección de riesgos financieros.