Proyecto II · Especialización en Analítica de Datos · CUN
Fraude electrónico en 8 ciudades colombianas
Dashboard de inteligencia estratégica · 2020–2024
Transacciones
…
Fraudes
…
Tasa de fraude
…
Monto defraudado
…
Tasa de fraude por ciudad
Ordenadas de mayor a menor. La línea naranja marca el promedio.
Mapa de hotspots
Color según la desviación frente al promedio; tamaño según el número de fraudes.
Tendencia de la tasa de fraude
Serie mensual · fechas reconstruidas desde el campo MM:35.D
Mapa de calor ciudad × año
Tasa de fraude (%) · fechas reconstruidas
Tasa por tipo de transacción
Tasa por día de la semana
Derivado del dígito D del campo de fecha: refleja la fuga de información, no un patrón real
Perfil de riesgo
Tasa histórica del segmento con intervalo de confianza del 95 %
Modelos de machine learning
Regresión logística, Random Forest y XGBoost con SMOTE · prueba con 24.000 registros
Recomendaciones basadas en evidencia
- Prevención de cobertura nacional. En el periodo completo no es estadísticamente significativa, así que las campañas deben ser transversales.
- Auditar la calidad de la fuente. El campo de fecha llega en formato comprimido (MM:35.D) y se reconstruyó para el análisis temporal, pero su último dígito D separa por completo la etiqueta de fraude (fuga de información). Antes de usar modelos predictivos hay que validar con la entidad que publica los datos cómo se generó ese campo.
- Enriquecer las variables. El monto, el comercio, el tipo y la ciudad no predicen el fraude (AUC ≈ 0,50). Hay que incorporar hora, canal, dispositivo y perfil del cliente, además de indicadores socioeconómicos.
Transacciones
Detalle de los registros según los filtros activos
…
| ID | Fecha | Ciudad | Tipo | Monto (COP) | Comercio | Estado |
|---|
Página 1 de 1