Ítem
Acceso Abierto

Detección de fraude bancario en Colombia mediante el análisis de grafos

Mostrar el registro sencillo de la publicación
dc.contributor.advisorRomero Ramírez, Juan Felipe
dc.creatorCalderon Adames, Brayan Steven
dc.creator.degreeMagíster en Matemáticas Aplicadas y Ciencias de la Computación
dc.creator.degreetypeFull time
dc.date.accessioned2024-02-27T13:13:40Z
dc.date.available2024-02-27T13:13:40Z
dc.date.created2024-01-02
dc.descriptionEste proyecto se enfoca en desarrollar un sistema de puntuación de riesgo para los empleados de una entidad financiera, con el objetivo de mitigar el fraude interno. Para ello, se han implementado técnicas avanzadas de grafos, las cuales han demostrado ser cruciales en la identificación de relaciones complejas entre Además, se ha integrado el uso de modelos de Machine Learning en el proyecto, lo que ha facilitado la creación de algoritmos predictivos. Estos modelos ofrecen la capacidad de prever posibles incidentes de fraude interno, lo que a su vez permite tomar medidas proactivas en la mitigación de riesgos. En resumen, la aplicación de estas metodologías computacionales ha resultado ser extremadamente valiosa, no solo para establecer controles de primera línea eficientes, sino también para desarrollar sistemas predictivos capaces de identificar potenciales defraudadores dentro de la organización financiera.
dc.description.abstractThis project focuses on developing a risk scoring system for employees of a financial entity, aimed at mitigating internal fraud. To achieve this, advanced graph techniques have been implemented, proving to be crucial in identifying complex relationships between employees and clients. These graphs have been fundamental in capturing vital and consistent information, enabling effective detection of anomalies in interactions between these parties. Furthermore, the integration of Machine Learning models into the project has facilitated the creation of predictive algorithms. These models provide the capability to foresee potential internal fraud incidents, thereby allowing for proactive risk mitigation measures. In summary, the application of these computational methodologies has proven to be extremely valuable, not only in establishing efficient frontline controls but also in developing predictive systems capable of identifying potential fraudsters within the financial organization.
dc.format.extent37 pp
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.48713/10336_42296
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/42296
dc.language.isospa
dc.publisherUniversidad del Rosariospa
dc.publisher.departmentEscuela de Ingeniería, Ciencia y Tecnologíaspa
dc.publisher.programMaestría en Matemáticas Aplicadas y Ciencias de la Computaciónspa
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.rights.accesoAbierto (Texto Completo)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.source.bibliographicCitationThe institute of internal auditors (2009). Internal Auditing And Fraud.
dc.source.bibliographicCitationKhaled Gubran Al-Hashedi, Pritheega Magalingam (2021). Financial fraud detection applying data mining techniques: A comprehensive review from 2009 to 2019.
dc.source.bibliographicCitationAbdallah, Zainal (2016). Fraud detection system_ A survey. https://www.sciencedirect.com/science/article/abs/pii/S1084804516300571
dc.source.bibliographicCitationAlka Rani, Nishant K. Sinha (2022). Support Vector Machine. https://www.sciencedirect.com/topics/computer-science/support-vector-machine
dc.source.bibliographicCitationEl Bouchefry PhD, S. de Souza PhD. (2020). Chapter 12 - Learning in Big Data: Introduction to Machine Learning. https://www.sciencedirect.com/science/article/abs/pii/B9780128191545000230
dc.source.bibliographicCitationSiqi Cai, Zhenping Xie, explainable fraud detection of financial statement data driven by two-layer knowledge graph (2024). https://www.sciencedirect.com/science/article/abs/pii/S0957417423036308
dc.source.bibliographicCitationClaudio Stamile, Aldo Marzullo, Enrico Deusebio. (2021). Graph Machine Learning. Packt Publishing Ltd.
dc.source.bibliographicCitationNeo4j, Inc. (2023) Nod2vec. neo4j. https://neo4j.com/docs/graph-data-science/current/machine-learning/node-embeddings/node2vec/
dc.source.bibliographicCitationCohen Elior. (Apr 16, 2018). node2vec: Embeddings for Graph Data. Towards Data Science. https://towardsdatascience.com/node2vec-embeddings-for-graph-data-32a866340fef
dc.source.bibliographicCitationTomaz Bratanic. (Aug 16, 2021). Complete guide to understanding Node2Vec algorithm. Towards Data Science. https://towardsdatascience.com/complete-guide-to-understanding-node2vec-algorithm-4e9a35e5d147
dc.source.bibliographicCitationChris McCormick (19 Apr 2016). Word2Vec Tutorial - The Skip-Gram Model. Mccormickml. http://mccormickml.com/2016/04/19/word2vec-tutorial-the-skip-gram-model/
dc.source.bibliographicCitationIrene. (April 23, 2020). Node Embeddings: DeepWalk & Node2Vec. wutheringgraphs https://wutheringgraphs.wordpress.com/2020/04/23/node-embeddings-deepwalk-node2vec/
dc.source.bibliographicCitationBallesteros Jaime. (2021). Exploración de modelos transaccionales para recomendaciones de ítems [Grado en Ingeniería Informática, Universidad Autónoma de Madrid]. https://repositorio.uam.es/bitstream/handle/10486/698176/enriquez_ballesteros_jaime_tfg.pdf?sequence=1
dc.source.bibliographicCitationPWC. (2022, mayo). Encuesta Global de Crimen y Fraude 2022, PwC Colombia. https://www.pwc.com/co/es/publicaciones/encuesta-crimen-fraude-economico.html
dc.source.bibliographicCitationChapman & Hall (2017). CRC Data Mining and Knowledge Discovery Series. Taylor & Francis Group.
dc.source.bibliographicCitationDutta, K. y Perry, J. (2006). A tale of tails: An empirical analysis of loss distribution models for estimating operational risk capital. Federal Reserve Bank of Boston, Working Paper No. 06-13.
dc.source.bibliographicCitationCortez Samuel. (2022). Introducción a los Métodos de Ensamble y al Algoritmo de XGBoost: Caso Práctico. https://medium.com/@oscars.cortezmo/introducci%C3%B3n-a-los-m%C3%A9todos-de-ensamble-y-al-algoritmo-de-xgboost-caso-pr%C3%A1ctico-e8cb0d58394b
dc.source.bibliographicCitationEafit. (Sin fecha). ¿QUE ES FRAUDE? https://www.eafit.edu.co/escuelas/administracion/consultorio-contable/Documents/A%20FRAUDE.pdf
dc.source.instnameinstname:Universidad del Rosario
dc.source.reponamereponame:Repositorio Institucional EdocURspa
dc.subjectFraude
dc.subjectRiesgo
dc.subjectMachine learning
dc.subjectGrafos
dc.subjectPatrones
dc.subject.keywordFraud
dc.subject.keywordRisk
dc.subject.keywordMachine learning
dc.subject.keywordGraphs
dc.subject.keywordPatterns
dc.titleDetección de fraude bancario en Colombia mediante el análisis de grafos
dc.title.TranslatedTitleBank Fraud Detection in Colombia through Graph Analysis
dc.typebachelorThesis
dc.type.documentTrabajo de grado
dc.type.spaTrabajo de grado
local.department.reportEscuela de Ciencias e Ingeniería
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
Deteccion_de_fraude_bancario_en_Colombia_mediante_el_analisis_de_grafos.pdf
Tamaño:
918.66 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Maestría en Matemáticas Aplicadas y Ciencias de la Computación