Reto Análisis de datos

RetoAnalítica de datos y herramientas de IA I

Integrantes del equipo:-César Alejandro Rivera Guzmán A01567012-Julio Alejandro Sotero Montiel A01656310 -Diego Soto Camacho A01732608

Índice

1. Descripción del problema

1.1 Objetivo de datos a trabajar

1.2 Nivel de fraudes en méxico

1.3 Instituciones más afectadas

1.4 Acciones que se estan implementando para evitar el problema

2. Generalidades particulares

2.1 Información esperada a obtener

2.2 Como nuestra propuesta aporta en el panorama actual

3. Recursos

4. Requerimientos

1.2 Nivel Fraudes en México

• Fraudes en Tarjetas de Crédito:
• Problema creciente con la evolución de las transacciones digitales.
• Factores que contribuyen al fraude:
• Incremento de transacciones digitales
• La pandemia aceleró el uso de pagos electrónicos, aumentando oportunidades para fraudes cibernéticos.
• Falta de educación financiera
• Consumidores desconocen cómo proteger sus datos.
• Métodos comunes de fraude:
• Phishing, Malware, Smishing.

2017

Robo de identidad 2023(CONDUSEF)

Primer semestre de 2017(CONDUSEF)

Estadísticas

2023

1.3 Instituciones más afectadas

• Panorama del comportamiento de tarjetas de crédito en México (4to trimestre 2023)
• Volumen total de transacciones solicitadas y monto total de transacciones.
• Número de transacciones disputadas por tarjetahabientes.
• Principales bancos
• BBVA, Banamex, Banorte, Santander
• Mayor volumen de solicitudes y compras autorizadas.
• Mayores montos en contracargos, reflejando mayor base de clientes y exposición al fraude.
• Tasa promedio de contracargos
• 0.45% respecto a compras autorizadas
• Pérdida económica significativa para instituciones y clientes.
• Variación entre bancos: desde tasas cercanas a cero hasta considerablemente altas.
• Factores que influyen en la variación de tasas
• Calidad de sistemas de protección contra fraude.
• Cartera de clientes.
• Eficiencia de políticas de prevención de fraudes.

Alianza estratégica de Condusef

Acciones principales del convenio

• Estrategias informativas: Educación sobre riesgos de fraude y medidas preventivas.
• Herramientas conjuntas: Facilitar la identificación de instituciones financieras legítimas.
• Recursos en portales: Instituciones financieras incluirán herramientas antifraude en su publicidad y sitios web.
• Compartición de datos: Reporte de posibles fraudes y suplantación de identidad a la Condusef.
• Alertas públicas: Informar sobre nuevas modalidades de fraude.
• Acciones legales: Colaboración con PGR, SAT y CNBV en caso de irregularidades.
• Nuevas medidas de seguridad bancarias
• Autenticación biométrica: Reconocimiento facial y huellas dactilares.
• Contraseñas complejas y autenticación de dos factores.
• Tecnologías blockchain: Garantizar la seguridad de transacciones e integridad de los datos.
• Comunicación con usuarios

1.4 ACCIONES QUE SE ESTAN IMPLEMENTANDO

2. Generalidades Particulares

2. 1 Información esperada

Relación entre densidad de población y patrones de fraude.Identificación de columnas útiles para el estudio.

ANálisis adicional

PATRONES MACROS Y MICROS

Optimizar la identificación de patrones en fraudes de tarjetas de crédito en México.

OBJETIVO

2.2

Como nuestra propuesta aporta en el panorama actual

3. Inventario de Recursos

4. Identificación de requerimientos

• Entendimiento de los datos

- Base de datos con transacciones de defraudadores y no defraudadores.-Comprender el significado de los datos para limpieza y análisis.

• Preparación de los datos

-Base de datos limpia, con datos relevantes para el análisis.-Eliminar datos innecesarios para simplificar la extracción de información

• Modelamiento

- Pruebas para determinar el mejor modelo predictivo.-Seleccionar y entrenar datos relevantes para el modelo.

• Evaluación

-Evaluar el desempeño del modelo.-Equilibrar exactitud y evitar sobreajuste para mejorar la generalización.

• Implementación

-Plan de mejora y mantenimiento del modelo.-Implementar el output del modelo en un dashboard.

• Más de 3.3 millones de reclamaciones por fraude.
• 92% del fraude cibernético ocurre en comercio electrónico.
• Equivalente a casi 19,000 fraudes diarios.

PRIMER SEMESTRE 2017

VS

PATRONES MICRO

Códigos postales con mayor número de fraudes.Bancos más afectados.Sectores comerciales con mayor incidencia.

PATRONES MACRO

Género predominante de los defraudadores.Número total de fraudes registrados.Estados con mayor incidencia de casos.

• Incremento del 281% en robos cibernéticos en comparación con 2022.
• Representan el 25% del total de robos de identidad.
• Disminución del 12.9% en robos tradicionales.
• La banca móvil y operaciones por internet concentran la mayoría de reclamaciones.

ROBO DE IDENTIDAD 2023

Prevención de fraudes

• Recomendaciones para mejorar políticas de seguridad y monitoreo de transacciones.
• Minimizar errores y mejorar la experiencia del cliente.

Construcción de un modelo de machine learning

• Clasificación de transacciones como legítimas o fraudulentas.
• Optimización del modelo para mejorar la precisión.

Análisis de transacciones

• Período: 1 de enero de 2019 al 31 de diciembre de 2020.
• Variables: ubicación geográfica, comerciante, trabajo, fecha y hora del día.

I. Descripción del problema

• Conjunto de datos simulados
• Transacciones con tarjetas de crédito, tanto legítimas como fraudulentas.
• 900 tarjetas de crédito
• Información de más de 900 tarjetas de clientes en Estados Unidos.
• 800 comerciantes involucrados
• Transacciones realizadas con un grupo de 800 comerciantes.
• Periodo de análisis
• Desde el 1ero de enero del 2019 al 31 de diciembre del 2020.