Propuesta de modelo predictivo basado en Machine Learning para la detección de fraude en entidades financieras peruanas

El presente proyecto de investigación tiene como finalidad desarrollar un modelo predictivo apoyado en técnicas de machine learning para la detección de fraudes en canales digitales de instituciones financieras en el Perú. Su propósito es reconocer patrones y comportamientos asociados a actividades fraudulentas con el objetivo de anticipar riesgos y disminuir las pérdidas económicas generadas por estos incidentes. Para su construcción, se analizarán volúmenes significativos de datos históricos de transacciones, a fin de identificar variables con alto poder predictivo y seleccionar el algoritmo de machine learning que ofrezca mayor precisión en los resultados. El primer capítulo aborda el marco teórico y los antecedentes, resaltando estudios previos y el impacto creciente del fraude en el sistema financiero. El segundo capítulo describe el contexto del sector financiero peruano, la evolución de los canales digitales y el incremento de incidentes fraudulentos, además de las disposiciones legales que exigen a las entidades reforzar sus mecanismos de seguridad. El tercer capítulo analiza las principales técnicas de machine learning aplicables, junto con la caracterización de los datos transaccionales y patrones de fraude, determinando las variables clave y presentando la propuesta del modelo predictivo. Finalmente, el cuarto capítulo evalúa el desempeño del modelo en comparación con enfoques tradicionales, evidenciando su capacidad para mejorar la detección y mitigación de fraudes en tiempo real.This research project aims to develop a predictive model based on machine learning techniques for detecting fraud in the digital channels of financial institutions in Peru. Its purpose is to identify patterns and behaviors associated with fraudulent activities in order to anticipate risks and reduce the economic losses caused by such incidents. To achieve this, large volumes of historical transaction data will be analyzed to determine high-predictive-power variables and select the machine learning algorithm that delivers the highest accuracy. The first chapter presents the theoretical framework and background, highlighting previous studies and the growing impact of fraud in the financial sector. The second chapter describes the current context of the Peruvian financial industry, the evolution of digital channels, and the increasing incidence of fraud, as well as the legal requirements that oblige institutions to strengthen their security mechanisms. The third chapter examines the main applicable machine learning techniques, together with the characterization of transactional data and fraud patterns, identifying the key variables and proposing the predictive fraud detection model. Finally, the fourth chapter evaluates the performance of the proposed model against traditional approaches, demonstrating its ability to enhance real-time fraud detection and mitigation.

Authors

• Sandoval Nuñovero, Jose Maria
• Figueroa Mansicidor, Novick Modesto
• Rosadio Lino, Frank Alberto

• Detección de fraude
• Aprendizaje automático
• Instituciones financieras
• Modelado predictivo
• Canales digitales
• Prevención de fraude
• Fraud detection
• Machine learning
• Financial institutions
• Predictive modeling
• Digital channels
• Fraud prevention

Identifier

hdl:10757/689458

OAI identifier oai:identifier

oai:repositorioacademico.upc.edu.pe:10757/689458