Machine Learning in the detection of e-commerce fraud applied to banking services

Machine Learning en la detección de fraudes de comercio electrónico aplicado a los servicios bancarios

dc.creatorAlvarez, Fredi
dc.date2020-12-30
dc.date.accessioned2022-12-20T18:17:54Z
dc.date.available2022-12-20T18:17:54Z
dc.identifierhttps://dspace.palermo.edu/ojs/index.php/cyt/article/view/4310
dc.identifier10.18682/cyt.vi0.4310
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/5418351
dc.descriptionOne of the main risks to which financial institutions are subject are electronic fraud attacks. Billions of dollars in losses are absorbed each year by financial institutions due to fraudulent transactions.This article presents a model that considers the main challenges to design a fraud detection system: a) highly unbalanced classes, b) stationary distribution of data and c) incorporation of online feedback from fraud investigators on transactions labeled suspicious. The implementation of the model in a test dataset allowed to successfully predicting the majority of cases of fraudulent transactions with a minimum percentage of false negatives.en-US
dc.descriptionUno de los principales riesgos a los que están sometidas las entidades financieras son los ataques de fraudes electrónicos. Billones de dólares en pérdidas son absorbidas cada año por las entidades financieras debido a transacciones fraudulentas. Este artículo plantea un modelo que considera los principales retos en el diseño de un sistema de detección de fraudes: a) clases altamente desequilibradas, b) distribución de estacionaria de los datos y c) la incorporación en línea de la retroalimentación de los investigadores de fraude ante las transacciones etiquetadas como sospechosas. La implementación del modelo en un conjunto de datos de prueba permitió predecir exitosamente la mayoría de casos de transacciones fraudulentas con un mínimo porcentaje de falsos negativos.es-ES
dc.formatapplication/pdf
dc.languagespa
dc.publisherUniversidad de Palermoes-ES
dc.relationhttps://dspace.palermo.edu/ojs/index.php/cyt/article/view/4310/6143
dc.rightsDerechos de autor 2020 Ciencia y Tecnologíaes-ES
dc.sourceCiencia y Tecnología; Ciencia y Tecnología 20; 81-95en-US
dc.sourceCiencia y Tecnología; Ciencia y Tecnología 20; 81-95es-ES
dc.source2344-9217
dc.source1850-0870
dc.source10.18682/cyt.vi20
dc.subjectelectronic frauden-US
dc.subjectfraud detection, frauds detection systemsen-US
dc.subjectbanking servicesen-US
dc.subjectmachine learning, random forest, big data toolsen-US
dc.subjectOne of the main risks to which financial institutions are subject are electronic fraud attacks. Billions of dollars in losses are absorbed each year by financial institutions due to fraudulent transactions. This article presents a model that considers the main challenges to design a fraud detection system: a) highly unbalanced classes, b) stationary distribution of data and c) incorporation of online feedback from fraud investigators on transactions labeled suspicious. The implementation of the model in a test dataset allowed to successfully predicting the majority of cases of fraudulent transactions with a minimum percentage of false negatives.en-US
dc.subjectfraude electrónicoes-ES
dc.subjectdetección de fraude, sistema de detección de fraudeses-ES
dc.subjectservicios bancarioses-ES
dc.subjectmachine learning, random forest, herramientas big dataes-ES
dc.subjectMachine Learninges-ES
dc.titleMachine Learning in the detection of e-commerce fraud applied to banking servicesen-US
dc.titleMachine Learning en la detección de fraudes de comercio electrónico aplicado a los servicios bancarioses-ES
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion
dc.typeArticlesen-US
dc.typeArtículoses-ES


Este ítem pertenece a la siguiente institución