{"id":2335,"date":"2024-04-11T22:29:34","date_gmt":"2024-04-11T21:29:34","guid":{"rendered":"https:\/\/evendords.com\/?p=2335"},"modified":"2024-04-19T16:47:19","modified_gmt":"2024-04-19T15:47:19","slug":"prediccion-supervisada-fraude","status":"publish","type":"post","link":"https:\/\/evendords.com\/index.php\/2024\/04\/11\/prediccion-supervisada-fraude\/","title":{"rendered":"\u00bfC\u00f3mo funciona una predicci\u00f3n de fraude?"},"content":{"rendered":"\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

<\/p>

Efectivamente no se trata de una bola retroiluminada en blanco, de cristal trasl\u00facido.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

<\/p>

No se pretende realizar un examen exhaustivo de todos los posibles mecanismos que se utilizan bajo el paraguas del Aprendizaje Autom\u00e1tico y la Inteligencia Artificial, en la detecci\u00f3n de situaciones an\u00f3malas como son los casos de fraude.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

<\/p>

Quiz\u00e1 mediante un ejemplo m\u00e1s o menos real y m\u00e1s o menos sencillo, podemos aproximarnos al funcionamiento de una predicci\u00f3n, que puede ser usada m\u00e1s tarde para determinar y separar un hecho fraudulento del que no lo es.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

<\/p>

Una predicci\u00f3n, salvo aquellas que se hacen con la bola de cristal, se basa en datos, del conocimiento previo de la normalidad o anormalidad de transacciones hist\u00f3ricas. Con ello nos ce\u00f1imos al entorno de los procedimientos, t\u00e9cnicas o algoritmos que se denominan supervisados, es decir que toman en consideraci\u00f3n una clasificaci\u00f3n previa de hecho normales y anormales en la muestra hist\u00f3rica que sirve como aprendizaje para nuestro modelo predictivo.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

<\/p>

Pongamos que, dentro de la transacci\u00f3n, tenemos un elemento, que toma diferentes valores representando alguna caracter\u00edstica intr\u00ednseca de la transacci\u00f3n como su procedencia o en qu\u00e9 sector de actividad se realiza o cualquier otra propiedad.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

<\/p>

Tomamos todas las transacciones, las clasificamos seg\u00fan se hayan considerado normales o anormales y acumulamos el n\u00famero, distribuy\u00e9ndolas de acuerdo con el valor que tomaba el elemento en cuesti\u00f3n en cada una de ellas. Normalizamos las cantidades de transacciones normales y anormales para cada uno de estos valores y obtenemos una gr\u00e1fica como la que aparece a continuaci\u00f3n.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Sin ahondar en los c\u00e1lculos que permiten obtener una probabilidad o un ‘score’ de anormalidad para una transacci\u00f3n, es evidente que encontramos en la gr\u00e1fica valores para ese elemento, que si los toma en la transacci\u00f3n objeto de an\u00e1lisis dir\u00edamos que aumenta la probabilidad que tenga alguna anormalidad. Se\u00f1alamos por ejemplo los valores 8220, 8398, 5942, 7311 y alguno m\u00e1s. Por el contrario, las que poseen valores como 5411, 5812 o 5311, digamos que ser\u00edan probablemente transacciones normales. Es obviamente una simplificaci\u00f3n, no por ello incorrecta, pero sirve adem\u00e1s para ilustrar algunas ideas,<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t\t\t