{"id":{"repo_id":"utdt","oai_identifier":"oai:repositorio.utdt.edu:20.500.13098/14429"},"canonical_url":"https://search.dev.ndltd.org/etd/utdt/oai:repositorio.utdt.edu:20.500.13098/14429","repository":{"repo_id":"utdt","name":"Universidad Torcuato di Tella","base_url":"https://repositorio.utdt.edu/oai/request"},"display":{"title":"Modelado de riesgo de usuarios receptores para la prevención de estafas en billeteras digitales","abstract":"El presente trabajo desarrolla un score de riesgo para usuarios receptores de transferencias P2P en una billetera digital, con el objetivo de estimar la probabilidad de que un usuario actúe como estafador considerando su comportamiento integral dentro de la plataforma. El caso de estudio se enmarca en transacciones realizadas en la billetera digital Mercado Pago en Argentina, utilizando datos del último trimestre de 2025. A diferencia de los enfoques tradicionales basados en reglas transaccionales, el modelo propuesto evalúa al usuario como unidad de análisis en un momento t determinado, construyendo variables agregadas sobre distintas ventanas temporales (7, 30 y 90 días). Se desarrollaron múltiples features agrupadas en variables transaccionales, comportamentales, de denuncias, estructurales del usuario y una feature derivada de un modelo de clustering no supervisado (k-means), que captura el grado de anomalía comportamental de cada usuario respecto a su segmento. Se evaluaron tres algoritmos (Regresión Logística (baseline), Random Forest y LightGBM) más un ensamble de los dos últimos, utilizando un split temporal estricto que replica el escenario real de producción. La métrica principal de comparación fue el Average Precision (AUC-PR), más informativa que el AUC-ROC en contextos de fuerte desbalance de clases. LightGBM fue seleccionado como modelo final con un AP de 0.714 y un AUC-ROC de 0.948 en el conjunto de test, superando al baseline logístico en 5.5 puntos porcentuales de AP. El modelo demuestra alta estabilidad temporal en AUC-ROC, con una diferencia de tan solo 1.6 puntos entre validación (0.964) y test (0.948), y una fuerte capacidad de concentración de fraude: inspeccionando el 1% de los usuarios con mayor score se captura el 28.0% de los fraudes del período, con una precisión del 96.1%. Los resultados sugieren que el enfoque propuesto constituye una herramienta robusta y operativamente viable para la prevención de estafas, con potencial de aplicación en decisiones de negocio como asignación de beneficios, aplicación de restricciones operativas o desvinculación de usuarios de alto riesgo.","abstract_html":"El presente trabajo desarrolla un score de riesgo para usuarios receptores de transferencias P2P en una billetera digital, con el objetivo de estimar la probabilidad de que un usuario actúe como estafador considerando su comportamiento integral dentro de la plataforma. El caso de estudio se enmarca en transacciones realizadas en la billetera digital Mercado Pago en Argentina, utilizando datos del último trimestre de 2025. A diferencia de los enfoques tradicionales basados en reglas transaccionales, el modelo propuesto evalúa al usuario como unidad de análisis en un momento t determinado, construyendo variables agregadas sobre distintas ventanas temporales (7, 30 y 90 días). Se desarrollaron múltiples features agrupadas en variables transaccionales, comportamentales, de denuncias, estructurales del usuario y una feature derivada de un modelo de clustering no supervisado (k-means), que captura el grado de anomalía comportamental de cada usuario respecto a su segmento. Se evaluaron tres algoritmos (Regresión Logística (baseline), Random Forest y LightGBM) más un ensamble de los dos últimos, utilizando un split temporal estricto que replica el escenario real de producción. La métrica principal de comparación fue el Average Precision (AUC-PR), más informativa que el AUC-ROC en contextos de fuerte desbalance de clases. LightGBM fue seleccionado como modelo final con un AP de 0.714 y un AUC-ROC de 0.948 en el conjunto de test, superando al baseline logístico en 5.5 puntos porcentuales de AP. El modelo demuestra alta estabilidad temporal en AUC-ROC, con una diferencia de tan solo 1.6 puntos entre validación (0.964) y test (0.948), y una fuerte capacidad de concentración de fraude: inspeccionando el 1% de los usuarios con mayor score se captura el 28.0% de los fraudes del período, con una precisión del 96.1%. Los resultados sugieren que el enfoque propuesto constituye una herramienta robusta y operativamente viable para la prevención de estafas, con potencial de aplicación en decisiones de negocio como asignación de beneficios, aplicación de restricciones operativas o desvinculación de usuarios de alto riesgo.","abstract_has_math":false,"creators":["Turrini, Ornella"],"institution":"Universidad Torcuato Di Tella","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Gago, Andrés"],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-07-27T21:55:12Z","subjects":["Actividad bancaria y financiera","Tratamiento de datos","Inteligencia artificial","Comportamiento del Consumidor","Banking and Financial activity","Data processing","Artificial intelligence","Consumer behavior"],"languages":["spa"],"rights":["info:eu-repo/semantics/openAccess"],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"https://repositorio.utdt.edu/handle/20.500.13098/14429","outbound_label":"Repository record","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Gago, Andrés"]},{"key":"dc:creator","label":"Author","values":["Turrini, Ornella"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2026-07-21T21:40:48Z"]},{"key":"dc:date.issued","label":"Date","values":["2026"]},{"key":"dc:publisher","label":"Institution","values":["Universidad Torcuato Di Tella"]},{"key":"dc:type","label":"Dc Type","values":["info:eu-repo/semantics/masterThesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Actividad bancaria y financiera","Tratamiento de datos","Inteligencia artificial","Comportamiento del Consumidor","Banking and Financial activity","Data processing","Artificial intelligence","Consumer behavior"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["spa"]},{"key":"dc:rights","label":"Dc Rights","values":["info:eu-repo/semantics/openAccess"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://repositorio.utdt.edu/handle/20.500.13098/14429"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["El presente trabajo desarrolla un score de riesgo para usuarios receptores de transferencias P2P en una billetera digital, con el objetivo de estimar la probabilidad de que un usuario actúe como estafador considerando su comportamiento integral dentro de la plataforma. El caso de estudio se enmarca en transacciones realizadas en la billetera digital Mercado Pago en Argentina, utilizando datos del último trimestre de 2025. A diferencia de los enfoques tradicionales basados en reglas transaccionales, el modelo propuesto evalúa al usuario como unidad de análisis en un momento t determinado, construyendo variables agregadas sobre distintas ventanas temporales (7, 30 y 90 días). Se desarrollaron múltiples features agrupadas en variables transaccionales, comportamentales, de denuncias, estructurales del usuario y una feature derivada de un modelo de clustering no supervisado (k-means), que captura el grado de anomalía comportamental de cada usuario respecto a su segmento. Se evaluaron tres algoritmos (Regresión Logística (baseline), Random Forest y LightGBM) más un ensamble de los dos últimos, utilizando un split temporal estricto que replica el escenario real de producción. La métrica principal de comparación fue el Average Precision (AUC-PR), más informativa que el AUC-ROC en contextos de fuerte desbalance de clases. LightGBM fue seleccionado como modelo final con un AP de 0.714 y un AUC-ROC de 0.948 en el conjunto de test, superando al baseline logístico en 5.5 puntos porcentuales de AP. El modelo demuestra alta estabilidad temporal en AUC-ROC, con una diferencia de tan solo 1.6 puntos entre validación (0.964) y test (0.948), y una fuerte capacidad de concentración de fraude: inspeccionando el 1% de los usuarios con mayor score se captura el 28.0% de los fraudes del período, con una precisión del 96.1%. Los resultados sugieren que el enfoque propuesto constituye una herramienta robusta y operativamente viable para la prevención de estafas, con potencial de aplicación en decisiones de negocio como asignación de beneficios, aplicación de restricciones operativas o desvinculación de usuarios de alto riesgo."]},{"key":"dc:format.medium","label":"Dc Format Medium","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Modelado de riesgo de usuarios receptores para la prevención de estafas en billeteras digitales"]}]}],"canonical_facts":{"dc:contributor.advisor":["Gago, Andrés"],"dc:creator":["Turrini, Ornella"],"dc:date.accessioned":["2026-07-21T21:40:48Z"],"dc:date.issued":["2026"],"dc:description.abstract":["El presente trabajo desarrolla un score de riesgo para usuarios receptores de transferencias P2P en una billetera digital, con el objetivo de estimar la probabilidad de que un usuario actúe como estafador considerando su comportamiento integral dentro de la plataforma. El caso de estudio se enmarca en transacciones realizadas en la billetera digital Mercado Pago en Argentina, utilizando datos del último trimestre de 2025. A diferencia de los enfoques tradicionales basados en reglas transaccionales, el modelo propuesto evalúa al usuario como unidad de análisis en un momento t determinado, construyendo variables agregadas sobre distintas ventanas temporales (7, 30 y 90 días). Se desarrollaron múltiples features agrupadas en variables transaccionales, comportamentales, de denuncias, estructurales del usuario y una feature derivada de un modelo de clustering no supervisado (k-means), que captura el grado de anomalía comportamental de cada usuario respecto a su segmento. Se evaluaron tres algoritmos (Regresión Logística (baseline), Random Forest y LightGBM) más un ensamble de los dos últimos, utilizando un split temporal estricto que replica el escenario real de producción. La métrica principal de comparación fue el Average Precision (AUC-PR), más informativa que el AUC-ROC en contextos de fuerte desbalance de clases. LightGBM fue seleccionado como modelo final con un AP de 0.714 y un AUC-ROC de 0.948 en el conjunto de test, superando al baseline logístico en 5.5 puntos porcentuales de AP. El modelo demuestra alta estabilidad temporal en AUC-ROC, con una diferencia de tan solo 1.6 puntos entre validación (0.964) y test (0.948), y una fuerte capacidad de concentración de fraude: inspeccionando el 1% de los usuarios con mayor score se captura el 28.0% de los fraudes del período, con una precisión del 96.1%. Los resultados sugieren que el enfoque propuesto constituye una herramienta robusta y operativamente viable para la prevención de estafas, con potencial de aplicación en decisiones de negocio como asignación de beneficios, aplicación de restricciones operativas o desvinculación de usuarios de alto riesgo."],"dc:format.medium":["application/pdf"],"dc:identifier.uri":["https://repositorio.utdt.edu/handle/20.500.13098/14429"],"dc:language":["spa"],"dc:publisher":["Universidad Torcuato Di Tella"],"dc:rights":["info:eu-repo/semantics/openAccess"],"dc:subject":["Actividad bancaria y financiera","Tratamiento de datos","Inteligencia artificial","Comportamiento del Consumidor","Banking and Financial activity","Data processing","Artificial intelligence","Consumer behavior"],"dc:title":["Modelado de riesgo de usuarios receptores para la prevención de estafas en billeteras digitales"],"dc:type":["info:eu-repo/semantics/masterThesis"]},"updated_at":"2026-07-27T21:55:12Z"}