5 pasos para preparar sus datos y enfrentar el fraude financiero con Machine Learning

Por Andy Hampshire el 27-jun-2019 15:25:09

5 pasos para preparar sus datos y lograr enfrentar el fraude financiero con Machine Learning

En nuestra publicación anterior, compartimos cómo el crimen financiero afecta a las instituciones financieras de todo el mundo y cómo las instituciones están recurriendo al Machine Learning o aprendizaje automático avanzado y la ciencia de datos. En esta publicación, profundizaremos en cómo las instituciones usan los datos para adelantarse a los delitos financieros.

En México es de gran importante lograr implementar estas tecnologías, este año han aumentado de forma significativa el robo de identidad a través de dispositivos móviles, y el caso de fraude por parte de Monex a jubilados estadunidenses en Guanajuato, por al menos 40 millones de dólares ha encendido las alarmas. 

Antes de que pueda comenzar a buscar formas de utilizar el aprendizaje automático (ML) para resolver un problema, este necesita acceder a los datos. A menudo más es mejor, pero si está buscando construir modelos supervisados, entonces necesita datos que hayan sido validados y verificados para optimizar el proceso. Obtener los datos correctos en el momento adecuado es un obstáculo importante para la mayoría de las organizaciones. Veamos cómo puedes lograrlo.

Paso 1: Acceso a datos

El primer paso es liberar todos los datos que posee una empresa. En el mundo de hoy, esto debe incluir:

  • Datos en tiempo real,
  • Datos de transacciones,
  • Datos del CRM,
  • Datos históricos,
  • Datos sociales,
  • Geodatos: datos demográficos y más.

En lugar de agruparlo en lagos de datos o warehouses, a menudo una mejor manera de hacer que los datos sean accesibles es utilizar una herramienta de virtualización de datos, accediendo a ellos de manera eficiente desde su origen.

Paso 2: Dispara, valida, aclara y repite

Acceder a los datos es solo el comienzo. Los datos de sistemas dispares deben ser agrupados en un formato común para garantizar que las conexiones puedan realizarse. Una limpieza de datos potente y la gestión de datos maestros mejorarán el valor de los datos. Para ser utilizados por Machine Learning, los datos son mejores cuando se optimizan con un contexto adicional. Cuando se buscan nuevos patrones sofisticados de fraude, se pueden revelar valores como los datos de ubicación del origen de un pago, las relaciones entre los beneficiarios y las cuentas objetivo, los patrones de frecuencia y los tiempos de inactividad. El aumento de los datos transaccionales verificados para feeds de modelos supervisados ​​permite evaluar más características de los datos para construir mejores modelos.

Paso 3: Pon tus datos en forma a través de categorías

Los datos son la raíz de la precisión del modelo del aprendizaje automático. Más información es buena para los modelos sin supervisión, pero para la capacitación supervisada de modelos debe ser precisa. Si los datos de origen se organizan en categorías incorrectamente, puede tener un gran impacto en la efectividad del modelo, así que ordene sus datos en antes de crear sus modelos de Machine Learning.

Paso 4: construya modelos supervisados ​​y no supervisados ​​para detectar el fraude

El siguiente paso es construir modelos que puedan detectar el fraude bancario, esto se hace con los conjuntos de datos extraídos de la amplia gama de fuentes de datos históricos que ha conservado con tanto cariño. Tanto los modelos supervisados ​​(que usan datos buenos y validados) como los modelos no supervisados ​​se usan mejor en combinación, para construir el corazón de un sistema de inteligencia artificial. Dependiendo del caso de uso, la elección del algoritmo puede ser obvia, o puede ser que muchos algoritmos diferentes deban validarse antes de encontrar la mejor combinación. Herramientas como AutoML de TIBCO® Data Science pueden ayudar a acelerar este proceso para ayudar al equipo de ciencia de datos a seleccionar los modelos que dan los mejores resultados.

Paso 5: No te detengas…

Estos modelos, una vez configurados, validados y aprobados, deben implementarse bajo demanda en sistemas en vivo para inspeccionar las transacciones en tiempo real. Los sistemas de fraude luego califican las transacciones según el modelo, y el sistema usa umbrales para determinar la ruta de procesamiento. Los resultados deben ser monitoreados para determinar su efectividad y los resultados se retroalimentan en el proceso de construcción del modelo (conocido como "buena" información) para refinar y adaptarse constantemente a los patrones cambiantes.

Investigación aumentada, tecnología para evitar el fraude:

Una buena plataforma de prevención de fraudes le permite monitorear las transacciones a medida que ocurren y generar fácilmente vistas de la información en tiempo real sobre transacciones y fraudes a medida que ocurren. Pero más que esto, tiene que ayudar a las inevitables investigaciones hechas por las personas asegurando que el contexto y los datos de esas transacciones sospechosas se capturen y registren para los investigadores. Esto acelerará el proceso de investigación en toda su organización para evaluar esas transacciones sospechosas y tomar rápidamente las decisiones correctas de manera oportuna y eficiente.

Si usted desea conocer más sobre soluciones TIBCO de ciencia de datos, aprendizaje automático e inteligencia artificial aplicada para evitar fraudes bancarios y acelerar la transformación digital de organizaciones del sector financiero y de la banca, puede contactarnos, amablemente le atenderemos:

Mario Guerrero
CEO
Mguerrero@megapractical.com
D: +52-55-51710701 ext.124

Móvil y WhatsApp: +52-1-4094-0915
Skype: Magmdf

Osvaldo Guerrero
Lead Manager
Oguerrero@megapractical.com
D: +52-55-51710701

Móvil y WhatsApp: +52-1-984-155-2920
Skype: Logmver

Somos Partner Elite de TIBCO con presencia en México, Panamá y Centro América.

Si deseas que nos pongamos en contacto con usted, por favor hacer clic aquí y dejar sus datos.

También le invitamos a descargar el siguiente Whitepaper, con información valiosa sobre el uso de estas tecnologías en los mejores bancos del mundo:

Whiteaper Inteligencia Conectada en Bancos TIBCO

Este artículo corresponde a una versión traducida y adaptada del original publicado en el Blog de TIBCO, para leer nota original hacer clic aquí.

 

Conoce más sobre  Arquitectura Orientada a Servicios

Ingresa tus datos y suscribéte en nuestro blog:

Últimos Post

Inbound marketing

 

Conoce más