dc.contributor.advisor | Díaz Benito, César Orlando | |
dc.contributor.author | Torres Tovar, Wilmar Giovanny | |
dc.date.accessioned | 2023-04-12T14:18:25Z | |
dc.date.available | 2023-04-12T14:18:25Z | |
dc.date.issued | 2023 | |
dc.identifier.uri | https://repositorio.ecci.edu.co/handle/001/3403 | |
dc.description.abstract | El Banco de la Republica define el riesgo financiero como la probabilidad de ocurrencia de un
evento que tenga consecuencias financieras negativas para una organización. El concepto
debe entenderse en sentido amplio, incluyendo la posibilidad que los resultados financieros
sean mayores o menores de los esperados. Al respecto, en el primer semestre de 2022,
Santiago Gamba Santamaria y Juan Sebastián Marino en representación de este banco,
realizaron una encuesta en la cual participaron 89 entidades bancarias, con el propósito de
identificar la perspectiva de diferentes agentes de la economía frente a los riesgos y
vulnerabilidades más importantes que enfrenta el sector financiero, y evaluar cual es el nivel de
confianza que se tienen (Gamba S. Marino J., 2022).
En la actualidad la globalización de los mercados financieros ha tenido un crecimiento
exponencial con el apoyo de la tecnología, según informes del año 2022 presentados por la
asociación Asobancaria. Al mismo tiempo, este crecimiento ha llevado a las entidades
financieras a tener una exposición equivalente a la materialización del fraude, obligando así a
2
la adopción de instrumentos de medición y controles adecuados para la mitigación de riesgos
financieros, en los que se encuentran inmersos cada uno de los usuarios de este tipo de
servicios.
Es importante resaltar que esta labor de medición y control para mitigación de riesgos
es cada vez más compleja, debido al alto volumen de información financiera que viaja en cada
una de las transacciones, la cual es almacenada en diferentes estructuras. Por consiguiente, el
nivel de complejidad aumenta durante el proceso de análisis de esta información, a la vez que
se dificulta la toma de decisiones a nivel táctico, así como la adopción de medidas que
prevengan el fraude.
Por lo anterior, ha surgido la necesidad para las entidades bancarias de encontrar
estrategias que faciliten la gestión de estos altos volúmenes de información, con el fin de
afrontar las consecuencias generadas por la problemática del fraude, de la misma forma que
establecer medidas para mitigarlo o evitarlo.
Con el propósito de contribuir a la satisfacción de esta necesidad, se propone el diseño
de un modelo de analítica de datos, orientado al análisis de transacciones bancarias en una
entidad, que permita detectar las atipicidades en las mismas.
La analítica de datos incluye un conjunto de herramientas que permiten recolectar,
agregar y analizar grandes volúmenes de información de diversas fuentes, para comprender el
desempeño o comportamiento histórico, administrar o predecir resultados que no se perciben
en una escala menor, de esta forma se busca crear valor para la entidad bancaria a partir de
los datos. | spa |
dc.description.tableofcontents | Índice
1. Planteamiento del Problema 7
1.1. Descripción del Problema 8
1.2. Delimitación del Problema 8
2. Objetivos 8
2.1. Objetivo General 8
2.2. Objetivos Específicos 8
3. Justificación 9
3.1. Antecedentes 9
3.2. Justificación 9
4. Estado del Arte y Marco Teórico 10
4.1. Estado del Arte 10
4.2. Marco Teórico 12
5. Desarrollo de Objetivos 15
5.1. Diseño del modelo para la detención de fraude 15
5.1.1. Analizar las fuentes de información para la detección de fraude 15
5.1.2. Capítulo de Datos de Fraude Modelos Estadísticos 20
5.1.3. Diseñar el Modelo de Análisis para la Explotación de los Datos Transaccionales 27
5.1.4. Implementación del Modelo 44
5.1.5. Despliegue del Modelo con Data Set 46
5.1.6. Presentación de Resultados 58
6. Planteamiento de Soluciones 64
6.1. Posibles Soluciones 64
6.1.1. Posible Solución 1 Parte Operativa y Técnica. 64
6.1.2. Posible solución 2 73
6.2.1. Viabilidad Financiera. 83
6.2.2. Viabilidad Técnica2 83
6.2.3. Viabilidad Social 83
6.2.4 Viabilidad Jurídica 83
8. Conclusiones 85
9. Recomendaciones 85 | spa |
dc.format.extent | 93 p. | spa |
dc.format.mimetype | application/pdf | spa |
dc.language.iso | spa | spa |
dc.publisher | Universidad ECCI | spa |
dc.rights | Derechos Reservados - Universidad ECCI, 2023 | spa |
dc.title | Modelo de analítica de datos para el tratamiento de riesgo transaccional en una entidad bancaria | spa |
dc.type | Trabajo de grado - Maestría | spa |
dc.publisher.place | Colombia | spa |
dc.relation.references | García Arias, G. (2022). Modelo de prevención de fraude basado en video. Una aplicación de
redes neuronales y modelos estadísticos. Universidad Nacional de Colombia. | spa |
dc.relation.references | Abdallah, A., Maarof, M. A., & Zainal, A. (2016). Fraud detection system: A survey. Journal of
Network and Computer Applications, 68, 90–113. https://doi.org/10.1016/j.jnca.2016.04.007. | spa |
dc.relation.references | Antonescu, M., & Birău, R. (2015). Financial and Non-financial Implications of Cybercrimes in
Emerging Countries. Procedia Economics and Finance, 32, 618–621.
https://doi.org/10.1016/S2212-5671(15)01440-9 | spa |
dc.relation.references | Bănărescu, A. (2015). Detecting and Preventing Fraud with Data Analytics. Procedia Economics
and Finance, 32, 1827–1836. https://doi.org/10.1016/S2212-5671(15)01485-9 | spa |
dc.relation.references | Carminati, M., Caron, R., Maggi, F., Epifani, I., & Zanero, S. (2015). BankSealer: A decision
support system for online banking fraud analysis and investigation. Computers & Security, 53,
175–186. https://doi.org/10.1016/j.cose.2015.04.002 | spa |
dc.relation.references | Carneiro, N., Figueira, G., & Costa, M. (2017). A data mining-based system for credit-card fraud
detection in e-tail. Decision Support Systems, 95, 91–101.
https://doi.org/10.1016/j.dss.2017.01.002 | spa |
dc.relation.references | CheHashim, R., & Mahdzan, N. S. (2014). Fraud in letter of credit transactions: The experience
of Malaysian bankers. International Journal of Law, Crime and Justice, 42(3), 224–236.
https://doi.org/10.1016/j.ijlcj.2014.01.008 | spa |
dc.relation.references | Chen, J., Tao, Y., Wang, H., & Chen, T. (2015). Big data-based fraud risk management at
Alibaba. The Journal of Finance and Data Science, 1(1), 1–10.
https://doi.org/10.1016/j.jfds.2015.03.001 | spa |
dc.relation.references | Correa Bahnsen, A., Aouada, D., Stojanovic, A., & Ottersten, B. (2016). Feature engineering
strategies for credit card fraud detection. Expert Systems with Applications, 51, 134–142.
https://doi.org/10.1016/j.eswa.2015.12.030 | spa |
dc.relation.references | Cost of fraud hits £11bn in UK. (2016). Computer Fraud & Security, 2016(11), 3.
https://doi.org/10.1016/S1361-3723(16)30087-2 | spa |
dc.relation.references | Cost of fraud increases. (2018). Computer Fraud & Security, 2018(6), 3.
https://doi.org/10.1016/S1361-3723(18)30049-6 | spa |
dc.relation.references | de Sá, A. G. C., Pereira, A. C. M., & Pappa, G. L. (2018). A customized classification algorithm
for credit card fraud detection. Engineering Applications of Artificial Intelligence, 72, 21–29.
https://doi.org/10.1016/j.engappai.2018.03.011 | spa |
dc.relation.references | Edge, M. E., & Falcone Sampaio, P. R. (2009). A survey of signature-based methods for
financial fraud detection. Computers & Security, 28(6), 381–394.
https://doi.org/10.1016/j.cose.2009.02.001 | spa |
dc.relation.references | Financial fraud. (2016). Dental Abstracts, 61(2), 66–67.
https://doi.org/10.1016/j.denabs.2015.10.016 | spa |
dc.relation.references | Financial fraud is a boom sector. (2009). Computer Fraud & Security, 2009(9), 20.
https://doi.org/10.1016/S1361-3723(09)70117-4 | spa |
dc.relation.references | Gómez, J. A., Arévalo, J., Paredes, R., & Nin, J. (2018). End-to-end neural network architecture
for fraud scoring in card payments. Pattern Recognition Letters, 105, 175–181.
https://doi.org/10.1016/j.patrec.2017.08.024 | spa |
dc.relation.references | Hand, D. J., & Crowder, M. J. (2012). Overcoming selectivity bias in evaluating new fraud
detection systems for revolving credit operations. International Journal of Forecasting, 28(1),
216–223. https://doi.org/10.1016/j.ijforecast.2010.10.005 | spa |
dc.relation.references | Jha, S., Guillen, M., & Christopher Westland, J. (2012). Employing transaction aggregation
strategy to detect credit card fraud. Expert Systems with Applications, 39(16), 12650–12657.
https://doi.org/10.1016/j.eswa.2012.05.018 | spa |
dc.relation.references | Lin, C.-C., Chiu, A.-A., Huang, S. Y., & Yen, D. C. (2015). Detecting the financial statement
fraud: The analysis of the differences between data mining techniques and experts’ judgments.
Knowledge-Based Systems, 89, 459–470. https://doi.org/10.1016/j.knosys.2015.08.011 | spa |
dc.relation.references | López Moreno, W., & Sánchez Ríos, J. A. (2012). El triángulo del fraude. | spa |
dc.relation.references | Mahmoudi, N., & Duman, E. (2015). Detecting credit card fraud by Modified Fisher
Discriminant Analysis. Expert Systems with Applications, 42(5), 2510–2516.
https://doi.org/10.1016/j.eswa.2014.10.037 | spa |
dc.relation.references | Nami, S., & Shajari, M. (2018). Cost-sensitive payment card fraud detection based on dynamic
random forest and k-nearest neighbors. Expert Systems with Applications, 110, 381–392.
https://doi.org/10.1016/j.eswa.2018.06.011 | spa |
dc.relation.references | Nelson, B. (2018). Financial stability and monetary policy issues associated with digital
currencies. Journal of Economics and Business. https://doi.org/10.1016/j.jeconbus.2018.06.002 | spa |
dc.relation.references | Patil, S., Nemade, V., & Soni, P. K. (2018). Predictive Modelling for Credit Card Fraud
Detection Using Data Analytics. Procedia Computer Science, 132, 385–395.
https://doi.org/10.1016/j.procs.2018.05.199 | spa |
dc.relation.references | Ryman-Tubb, N. F., Krause, P., & Garn, W. (2018). How Artificial Intelligence and machine
learning research impacts payment card fraud detection: A survey and industry benchmark.
Engineering Applications of Artificial Intelligence, 76, 130–157.
https://doi.org/10.1016/j.engappai.2018.07.008 | spa |
dc.relation.references | Sahin, Y., Bulkan, S., & Duman, E. (2013). A cost-sensitive decision tree approach for fraud
detection. Expert Systems with Applications, 40(15), 5916–5923.
https://doi.org/10.1016/j.eswa.2013.05.021 | spa |
dc.relation.references | Salas-Ávila, J. A., & Reyes-Maldonado, N. M. (2016). Modelo propuesto para la detección de
fraudes por parte de los auditores internos basado en las Normas Internacionales de Auditoría.
Cuadernos de Contabilidad, 16(42). https://doi.org/10.11144/Javeriana.cc16-42.mpdf | spa |
dc.relation.references | Tan, F. T. C., Guo, Z., Cahalane, M., & Cheng, D. (2016). Developing business analytic
capabilities for combating e-commerce identity fraud: A study of Trustev’s digital verification
solution. Information & Management, 53(7), 878–891. https://doi.org/10.1016/j.im.2016.07.002 | spa |
dc.relation.references | Türkmen, B. (2016). Errors and Abuses in Financial Accounting and Results. Procedia
Economics and Finance, 38, 77–83. https://doi.org/10.1016/S2212-5671(16)30179-4 | spa |
dc.relation.references | Wang, D., Chen, B., & Chen, J. (2018). Credit card fraud detection strategies with consumer
incentives. Omega. https://doi.org/10.1016/j.omega.2018.07.001 | spa |
dc.relation.references | Zheng, Y.-J., Zhou, X.-H., Sheng, W.-G., Xue, Y., & Chen, S.-Y. (2018). Generative
adversarial network-based telecom fraud detection at the receiving bank. Neural Networks, 102,
78–86. https://doi.org/10.1016/j.neunet.2018.02.015 | spa |
dc.relation.references | CABRALES, Sergio. Diseño de una metodología para la identificación y la medición del riesgo
operativo en Instituciones Financieras. Universidad de los Andes. Departamento de Ingeniería
Industrial. Bogotá; 2008 | spa |
dc.relation.references | LARRIETA, María de los Ángeles, y SANTILLÁN, Angélica María. Minería de datos:
Concepto, características, estructura y aplicaciones. Journal-Universidad Autónoma de México,
2007. | spa |
dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
dc.subject.proposal | Analítica de datos | spa |
dc.subject.proposal | Riesgo financiero | spa |
dc.subject.proposal | Detección de fraude | spa |
dc.subject.proposal | Data analytics | eng |
dc.subject.proposal | Financial risk | eng |
dc.subject.proposal | Fraud detection | eng |
dc.type.coar | http://purl.org/coar/resource_type/c_bdcc | spa |
dc.type.content | Text | spa |
dc.type.driver | info:eu-repo/semantics/masterThesis | spa |
dc.type.redcol | https://purl.org/redcol/resource_type/TM | spa |
dc.type.version | info:eu-repo/semantics/updatedVersion | spa |
dc.description.degreelevel | Maestría | spa |
dc.description.degreename | Magíster en Gerencia de Tecnólogos de la Información y Comunicación TIC | spa |
dc.description.program | Maestría en Gerencia de Tecnologías de la Información y Comunicación TIC | spa |
dc.publisher.faculty | Posgrados | spa |
dc.type.coarversion | http://purl.org/coar/version/c_970fb48d4fbd8a85 | spa |
dc.rights.coar | http://purl.org/coar/access_right/c_abf2 | spa |