Spelling suggestions: "subject:"fraude bancario"" "subject:"graude bancario""
1 |
Desarrollo de un modelo predictivo para detectar casos de fraude interno en una institución bancariaGarcía Jurado, Diego Ignacio January 2016 (has links)
Ingeniero Civil Industrial / El presente trabajo desarrolla metodologías de minería de datos y analítica para, a partir de datos transaccionales de una institución bancaria nacional, generar un modelo predictivo que sea capaz de detectar sospechosos de la comisión de fraude interno. Es decir, fraude cometido por empleados de la misma institución.
El banco posee 11.723 empleados, cerca de 3,6 millones de clientes y más de 500 sucursales, lo que genera alrededor de 21 millones de transacciones diarias. Debido a que se cuenta exclusivamente con 5 registros de fraude, se opta por abordar el problema desde una óptica de modelos no supervisados, que permiten extraer conocimiento de los datos sin tener información a priori de ellos.
Se utilizan tres modelos para generar con cada uno una lista de sospechosos de haber cometido fraude interno, ya sea por semejanza con los fraudes, o por presentar un comportamiento que se desvía del comportamiento común del resto de los datos (outlier). Primero se utilizan medidas de distancia para encontrar los vecinos más cercanos a cada uno de los registros de fraude, luego se implementa el algoritmo Local Outlier Factor (LOF) que es capaz de identificar outliers a partir de la búsqueda de diferencias significativas entre la densidad de un dato y la de sus vecinos. Posteriormente se usa Análisis de Componentes Principales (PCA), que sirve para reducir la dimensionalidad de los datos generando combinaciones lineales de las variables, para ver la ubicación topológica de los registros de fraudes y seleccionar sospechosos que se encuentren en su entorno. Finalmente se consolida una lista con los sospechosos entregados por los tres criterios, por medio de majority voting, considerando exclusivamente los que son considerados sospechosos por al menos 2. Este conjunto de metodologías genera un modelo con un lift de 61,18.
Así se obtiene una lista de 74 usuarios sospechosos que presentan una media de transacciones diarias muy por debajo del resto de los datos, especialmente en las variables consulta de datos básicos de la cuenta y localización de personas. Además de presentar un tiempo promedio entre transacciones inferior al resto de los datos. / 30/11/2021
|
2 |
Diseño de la estrategia de implementación de un sistema de prevención del fraude en el sector financiero, mediante el uso de biometría facial y por vozCárdenas Ríos, Jorge Alfredo January 2015 (has links)
Ingeniero Civil Industrial / Autor no autoriza el acceso a texto completo de su ... / El trabajo que se presenta a continuación fue desarrollado en la empresa nacional SINACOFI S.A. (Sistema nacional de Comunicaciones Financieras), la cual por años ha buscado desarrollar nuevos servicios tecnológicos destinados a satisfacer las necesidades del cliente.
El objetivo del proyecto consiste en diseñar sistemas de prevención de fraude utilizando biometría facial y por voz (tecnología definidas previamente por la empresa) siendo capaces de adaptarse a las condiciones técnicas, de seguridad, legal y de negocio del sector financiero en Chile.
A lo largo de este informe se explica que es biometría y las diferentes tecnologías con las que cuenta. Se hará hincapié principal en el análisis de biometría facial y por voz, estudiando sus ventajas, aplicaciones internacionales y proveedores, permitiendo de esta manera diseñar la estrategia de implementación de estos servicios.
La estrategia diseñada cuenta con la descripción del servicio que será ofrecido, el producto utilizado, el tipo de contrato que se llevará a cabo con los proveedores del software el que fue definido como partner, las fases de la implementación en el mercado, los alcances de cada una de ellas con respecto a los usuarios de los bancos y el precio con que saldrá el servicio al mercado, el cual para biometría facial será de $1.099.990 por cada 10.000 usuarios y de $149.990 para el sistema de biometría por voz por cada 1.000 usuarios.
Finalmente se muestra el análisis económico para cada uno de los proyectos, donde se identificaron costos de inversión, ingresos, egresos para cada proyecto y un completo análisis de sensibilidad con 5 escenarios distintos basados en la variación de demanda del primer año, tipo de cambio y crecimiento trimestral. Además se muestran los flujos de caja para cada proyecto, los cuales entregaron un VAN de $ 818.569.893 para biometría facial y $ 221.664.596 para biometría por voz considerado con una tasa trimestral del 3,89%.
|
Page generated in 0.0534 seconds