Uso de la minería de datos para la prevención de fraudes en el sector financiero
DOI:
https://doi.org/10.70881/hnj/v1/n1/13Palabras clave:
minería de datos, prevención de fraudes, sector financiero, aprendizaje automático, detección de anomalíasResumen
La minería de datos se ha convertido en una herramienta crucial para prevenir fraudes en el sector financiero, donde las pérdidas económicas son significativas y el fraude es cada vez más complejo debido al incremento de transacciones digitales. Este artículo revisa la literatura existente sobre el uso de minería de datos en la detección de fraudes, analizando metodologías como algoritmos de clasificación, detección de anomalías y modelos de aprendizaje profundo. Los resultados indican que estas técnicas mejoran la identificación de transacciones sospechosas en tiempo real, ofreciendo una respuesta temprana y precisa que reduce las pérdidas financieras. Sin embargo, la implementación enfrenta desafíos como los costos tecnológicos, la necesidad de personal capacitado y el cumplimiento de normativas de privacidad de datos. Además, se identifican retos en la adaptabilidad de los modelos frente a tácticas de fraude emergentes y en la calidad de los datos empleados. En conclusión, aunque la minería de datos es una solución prometedora para la seguridad financiera, su éxito depende de una infraestructura robusta, personal especializado y una gestión de datos adecuada.
Descargas
Referencias
Albashrawi, M. (2016). Detecting financial fraud using data mining techniques: A decade review from 2004 to 2015. Journal of Data and Information Quality, 8(1), 1-18. https://doi.org/10.6339/JDS.201607_14(3).0010 DOI: https://doi.org/10.6339/JDS.201607_14(3).0010
Almeida Blacio, J. H. (2022). Innovación como herramienta para la gestión empresarial en las PYMEs de Santo Domingo. Journal of Economic and Social Science Research, 2(4), 68–81. https://doi.org/10.55813/gaea/jessr/v2/n4/26 DOI: https://doi.org/10.55813/gaea/jessr/v2/n4/26
Auditool. (2016). Análisis forense de datos en la detección y prevención del fraude. Auditool. https://www.auditool.org
Carmona, M., & Londoño, L. (2021). Técnicas de minería de datos en la detección de fraudes financieros. Revista de Estadística y Ciencias Computacionales, 5(2), 35-48.
Castelo Salazar, A. G. (2021). Cultura organizacional, una ventaja competitiva de las PYMES del cantón Santo Domingo. Journal of Economic and Social Science Research, 1(2), 65–77. https://doi.org/10.55813/gaea/jessr/v1/n2/32 DOI: https://doi.org/10.55813/gaea/jessr/v1/n2/32
Feng, T., Zhang, Q., & Zhao, R. (2019). Data mining applications in financial fraud detection: A review of recent advances. IEEE Access, 7, 46361-46373. https://doi.org/10.1109/ACCESS.2019.2930410 DOI: https://doi.org/10.1109/ACCESS.2019.2930410
Galarza-Sánchez, P. C., Agualongo-Yazuma, J. C., & Jumbo-Martínez, M. N. (2022). Innovación tecnológica en la industria de restaurantes del Cantón Pedro Vicente Maldonado. Journal of Economic and Social Science Research, 2(1), 31–43. https://doi.org/10.55813/gaea/jessr/v2/n1/45 DOI: https://doi.org/10.55813/gaea/jessr/v2/n1/45
Huang, Z., Zhou, L., & Zhang, Q. (2018). Fraud detection and prevention in financial services: Challenges, advances, and future directions. ACM Transactions on Knowledge Discovery from Data, 12(3), 28
Li, J., Li, Y., & Shi, L. (2019). Machine learning approaches to tackle fraud detection challenges in financial services. Expert Systems with Applications, 123, 140-150. https://doi.org/10.1016/j.eswa.2019.01.029 DOI: https://doi.org/10.1016/j.eswa.2019.01.029
Liu, Y., Zhao, R., & Xu, J. (2020). Predictive analytics in financial fraud detection: An investigation of data mining techniques. Journal of Financial Crime, 27(2), 517-534. https://doi.org/10.1108/JFC-11-2019-0141 DOI: https://doi.org/10.1108/JFC-11-2019-0141
López Pérez, P. J. (2021). Determinación de los factores que perjudican el clima laboral en el sector de las Pymes, Cantón la Concordia. Journal of Economic and Social Science Research, 1(3), 27–39. https://doi.org/10.55813/gaea/jessr/v1/n3/35 DOI: https://doi.org/10.55813/gaea/jessr/v1/n3/35
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
Shalev-Shwartz, S., & Ben-David, S. (2014). Understanding machine learning: From theory to algorithms. Cambridge University Press. DOI: https://doi.org/10.1017/CBO9781107298019
Shen, W., Liu, Y., & Zhang, X. (2021). Big data analytics for detecting fraud in financial transactions: A comprehensive review. International Journal of Information Management, 58, 102308.
Thaseen, S., & Kumar, A. (2017). Data mining algorithms in financial fraud detection: Chi-square and KNN hybrid model for anomaly detection. Computers & Security, 65, 45-53. https://doi.org/10.1016/j.cose.2017.04.007 DOI: https://doi.org/10.1016/j.cose.2017.04.007
Vass Company. (2020). Una guía sobre machine learning y detección de fraude. Vass. Recuperado de https://www.vasscompany.com
Publicado
Número
Sección
Licencia
Derechos de autor 2023 Erazo-Luzuriaga, Alex Fernando (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Cómo citar
:
