Uso de análisis de datos avanzados para la detección de fraudes financieros
Barra lateral del artículo
Contenido principal del artículo
Resumen
El estudio analiza el uso de técnicas avanzadas de análisis de datos como estrategia central en la detección de fraudes financieros, en un contexto marcado por la creciente complejidad de las transacciones digitales y la sofisticación de los mecanismos ilícitos. Mediante una revisión exploratoria de literatura especializada publicada en bases de datos de alto impacto, se identificaron y compararon métodos de aprendizaje supervisado, no supervisado y enfoques híbridos, evaluando su eficacia, limitaciones y potencial de implementación. Los resultados muestran que los algoritmos supervisados, como las redes neuronales y los bosques aleatorios, ofrecen alta precisión cuando se dispone de datos etiquetados, mientras que las técnicas no supervisadas destacan por su capacidad de identificar fraudes emergentes sin información previa. La investigación concluye que la combinación de ambos enfoques mediante modelos de ensamble constituye una alternativa prometedora, aunque implica desafíos técnicos, operativos y éticos. Se resalta la importancia de articular estas metodologías con infraestructuras robustas y marcos normativos que garanticen transparencia y explicabilidad
##plugins.themes.bootstrap3.displayStats.downloads##
Detalles del artículo
Sección
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Cómo citar
Referencias
Albán-Molina, F. E., Salguero-Salguero, M. M., & Aimacaña-Chancusig, E. F. (2024). Modelo de finanzas personales para el manejo adecuado de ahorros de emprendimientos del GADP de Cotopaxi. Journal of Economic and Social Science Research, 4(1), 19–32. https://doi.org/10.55813/gaea/jessr/v4/n1/83 DOI: https://doi.org/10.55813/gaea/jessr/v4/n1/83
Almeida Blacio, J. H. (2024). El Rol de la Auditoría Forense en la Detección de Fraudes Corporativos. Revista Científica Zambos, 3(2), 74-96. https://doi.org/10.69484/rcz/v3/n2/18 DOI: https://doi.org/10.69484/rcz/v3/n2/18
Almeida-Blacio, J. H. (2024). Aplicación de Big Data y Técnicas Avanzadas en el Uso de Tecnología dentro de la Auditoría. Horizon Nexus Journal, 3(1), 55-68. https://doi.org/10.70881/hnj/v3/n1/49 DOI: https://doi.org/10.70881/hnj/v3/n1/49
Almenaba-Guerrero, Y. F., & Herrera-Sánchez, M. J. (2022). Diversidad e Inclusión en el Lugar de Trabajo: Prácticas en Ecuador Liderazgo y Cultura Organizacional. Revista Científica Zambos, 1(1), 69-85. https://doi.org/10.69484/rcz/v1/n1/22 DOI: https://doi.org/10.69484/rcz/v1/n1/22
Bahnsen, A. C., 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 DOI: https://doi.org/10.1016/j.eswa.2015.12.030
Bolton, R. J., & Hand, D. J. (2002). Statistical fraud detection: A review. Statistical Science, 17(3), 235–255. https://doi.org/10.1214/ss/1042727940 DOI: https://doi.org/10.1214/ss/1042727940
Caicedo-Aldaz, J. C., Urgiles-Solorzano, A. S., & Moreira-Santamaria, M. J. (2022). Análisis del impacto económico de la reducción de precios del sector cacaotero, La Concordia 2019-2021. Journal of Economic and Social Science Research, 2(1), 1–17. https://doi.org/10.55813/gaea/jessr/v2/n1/43 DOI: https://doi.org/10.55813/gaea/jessr/v2/n1/43
Carcillo, F., Le Borgne, Y.-A., Caelen, O., Bontempi, G., & Sebban, M. (2021). Combining unsupervised and supervised learning in credit card fraud detection. Information Sciences, 557, 317–331. DOI: https://doi.org/10.1016/j.ins.2019.05.042
Dal Pozzolo, A., Caelen, O., Johnson, R. A., & Bontempi, G. (2018). Calibrating probability with undersampling for unbalanced classification. 2015 IEEE Symposium Series on Computational Intelligence, 159–166. https://doi.org/10.1109/SSCI.2015.33 DOI: https://doi.org/10.1109/SSCI.2015.33
Erazo-Luzuriaga, A. F. (2023). Uso de la minería de datos para la prevención de fraudes en el sector financiero. Horizon Nexus Journal, 1(1), 63-76. https://doi.org/10.70881/hnj/v1/n1/13 DOI: https://doi.org/10.70881/hnj/v1/n1/13
Guitérrez-Portela, F., Moreno-Hernández, J., Echeverry, B., & Jaramillo, A. (2019). USO DE LOS SISTEMAS INTELIGENTES PARA LA DETECCIÓN DE FRAUDES FINANCIEROS. Revista Sinergia, (6), 6-30. Recuperado a partir de http://sinergia.colmayor.edu.co/ojs/index.php/Revistasinergia/article/view/83
Herrera-Sánche, M. J., Casanova-Villalba, C. I., & Ruiz-López, S. E. (2023). Adaptación de las normativas de auditoría frente a los avances tecnológicos emergentes. Revista Científica Ciencia Y Método, 1(3), 1-15. https://doi.org/10.55813/gaea/rcym/v1/n3/16 DOI: https://doi.org/10.55813/gaea/rcym/v1/n3/16
Herrera-Sánchez, M. J., Navarrete-Zambrano, C. M., Núñez-Liberio, R. V., & López-Pérez, P. J. (2023). Elementos de un sistema de costeo para la producción de Sacha Inchi. Journal of Economic and Social Science Research, 3(1), 1–16. https://doi.org/10.55813/gaea/jessr/v3/n1/58 DOI: https://doi.org/10.55813/gaea/jessr/v3/n1/58
Hurtado-Guevara, R. F., & Casanova-Villalba, C. I. (2022). La Auditoría Forense como Herramienta para la Detección de Fraudes Financieros en Ecuador. Revista Científica Zambos, 1(1), 33-50. https://doi.org/10.69484/rcz/v1/n1/52 DOI: https://doi.org/10.69484/rcz/v1/n1/52
Jurgovsky, J., Granitzer, M., Ziegler, K., Calabretto, S., Portier, P.-E., He-Guelton, L., & Caelen, O. (2018). Sequence classification for credit-card fraud detection. Expert Systems with Applications, 100, 234–245. https://doi.org/10.1016/j.eswa.2018.01.037 DOI: https://doi.org/10.1016/j.eswa.2018.01.037
López-Pérez, P. J., Casanova-Villalba, C. I., & Muñoz-Intriago, K. R. . (2022). La Evolución de la Contabilidad Ambiental en Empresas Ecuatorianas. Revista Científica Zambos, 1(3), 44-59. https://doi.org/10.69484/rcz/v1/n3/32 DOI: https://doi.org/10.69484/rcz/v1/n3/32
Navarrete Zambrano, C. M., & Herrera-Sánchez, M. J. (2023). Impacto de la Contabilidad Ambiental en las Empresas del Sector Minero en Ecuador. Revista Científica Zambos, 2(2), 37-49. https://doi.org/10.69484/rcz/v2/n2/42 DOI: https://doi.org/10.69484/rcz/v2/n2/42
Ngai, E. W. T., Hu, Y., Wong, Y. H., Chen, Y., & Sun, X. (2011). The application of data mining techniques in financial fraud detection: A classification framework and an academic review of literature. Decision Support Systems, 50(3), 559–569. https://doi.org/10.1016/j.dss.2010.08.006 DOI: https://doi.org/10.1016/j.dss.2010.08.006
Phua, C., Lee, V., Smith, K., & Gayler, R. (2010). A comprehensive survey of data mining-based fraud detection research. arXiv preprint arXiv:1009.6119. https://doi.org/10.48550/arXiv.1009.6119
Preciado Ramírez, J. D., & Bravo Bravo, I. F. (2021). Keynes y la crisis financiera de 1929, panorama de la Gran Depresión. Journal of Economic and Social Science Research, 1(1), 38–48. https://doi.org/10.55813/gaea/jessr/v1/n1/19 DOI: https://doi.org/10.55813/gaea/jessr/v1/n1/19
Roy, A., Sun, J., Mahoney, W., AlZain, M. A., & Kantardzic, M. (2018). Deep learning detecting fraud in credit card transactions. Proceedings of the 2018 IEEE International Conference on Big Data, 1846–1855. DOI: https://doi.org/10.1109/SIEDS.2018.8374722
West, J., & Bhattacharya, M. (2016). Intelligent financial fraud detection: A comprehensive review. Computers & Security, 57, 47–66. https://doi.org/10.1016/j.cose.2015.09.005 DOI: https://doi.org/10.1016/j.cose.2015.09.005
Whitrow, C., Hand, D. J., Juszczak, P., Weston, D., & Adams, N. M. (2009). Transaction aggregation as a strategy for credit card fraud detection. Data Mining and Knowledge Discovery, 18(1), 30–55. https://doi.org/10.1007/s10618-008-0116-z DOI: https://doi.org/10.1007/s10618-008-0116-z