Implementación de algoritmos de machine learning para la detección de fraudes financieros internos en ejercicio de la Auditoría TI

En este proyecto se desarrolló un modelo para la detección de fraude en transacciones financieras mediante la aplicación de algoritmos de aprendizaje automático, específicamente el algoritmo de clustering K-means. El trabajo comenzó con la preparación y limpieza de un conjunto de datos que contenía información sobre transacciones, con el fin de eliminar las columnas irrelevantes y reducir el ruido. Este proceso incluyó la selección de variables clave, como el tipo de comercio, el monto de la transacción, el tipo de tarjeta, la distancia desde el hogar, y si la transacción ocurrió durante el fin de semana. La limpieza de datos permitió enfocar el análisis en las características más importantes para identificar patrones de comportamiento asociados al fraude. Una vez que los datos estuvieron listos, se aplicó el algoritmo K-means, que agrupa las transacciones en diferentes clústeres o grupos según sus características compartidas. Este algoritmo se eligió por su capacidad para segmentar grandes volúmenes de datos en categorías homogéneas, lo que es particularmente útil para la detección de anomalías en sistemas financieros. Los resultados del clustering mostraron la formación de grupos de transacciones con distintos niveles de riesgo de fraude. Al analizar estos grupos, se pudo observar que ciertas características, como transacciones en comercios de alto riesgo o montos elevados, estaban más presentes en los clústeres que indicaban un mayor riesgo. Esto permitió identificar patrones que podrían señalar comportamientos fraudulentos, facilitando la detección de anomalías en futuras transacciones. El análisis realizado destacó el valor de la segmentación de datos en auditoría financiera, ya que permite una evaluación proactiva de riesgos y ayuda a identificar transacciones que merecen mayor atención. Con base en estos resultados, el modelo de K-means puede integrarse en un sistema de auditoría para monitorear las transacciones en tiempo real, clasificando cada una en función de su riesgo potencial y generando alertas cuando se detecten patrones sospechosos. Esto no solo mejora la capacidad de respuesta ante posibles fraudes, sino que también optimiza el proceso de monitoreo al priorizar las transacciones de mayor riesgo. Este proyecto muestra cómo el aprendizaje automático y los análisis de datos pueden aportar significativamente a la seguridad y la eficiencia en sistemas de auditoría de TI, ofreciendo herramientas innovadoras para la protección de la información financiera. Los hallazgos respaldan el uso de Técnica profesionals de clustering para mejorar la detección de fraude, abriendo la puerta a futuras investigaciones que podrían incluir la integración de algoritmos supervisados y la mejora de los modelos predictivos para aumentar la precisión y confiabilidad en la identificación de transacciones fraudulentas.

• Autores: Ibañez Martínez, Carlos Andrés
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2024
• Institución: Corporación Universitaria Remington
• Repositorio: Repositorio institucional Uniremington
• Idioma: spa
• OAI Identifier: oai:repositorio.uniremington.edu.co:123456789/5420
• Acceso en línea: https://repositorio.uniremington.edu.co/handle/123456789/5420
• Palabra clave: Transacciones financieras; Clustering; K-means; Aprendizaje automático; Auditoría financiera; Análisis de datos; Anomalías; Riesgo de fraude; Sistemas de auditoría; Segmentación de datos; Patrones de comportamiento; Seguridad financiera; Auditoría de TI; Aprendizaje automático (Inteligencia artificial); Análisis de datos; Fraude
• Rights: openAccess
• License: Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)