Análisis de clasificación para identificar características relevantes en la detección de operaciones sospechosas en Bancolombia

dc.contributorCastañeda López, María Eugenia
dc.contributorYarce Carmona, Emerson
dc.creatorMariaca Rueda, Cristian David
dc.date2022-04-06T20:40:35Z
dc.date2022-04-06T20:40:35Z
dc.date2022
dc.date.accessioned2023-08-28T20:07:29Z
dc.date.available2023-08-28T20:07:29Z
dc.identifierhttp://hdl.handle.net/10495/27344
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/8474227
dc.descriptionRESUMEN: Grupo Bancolombia participa activamente en la lucha contra el Lavado de Activos y Financiación de terrorismo (LAFT), por este motivo, desde la gerencia de pymes y empresas que hace parte de la vicepresidencia de Cumplimiento, se deseaban conocer las variables, atributos o características más influyentes de los estados financieros en los clientes con Reportes de Operaciones Sospechosas (ROS) y los clientes no reportados, con el fin de generar alertas que permitieran llevar a cabo un monitoreo a los clientes con posibles operaciones sospechosas. Se investigaron técnicas de análisis multivariado como ACP, t-SNE y UMAP usando machine learning para hacer la clasificación de los clientes de interés según los estados financieros, y para identificar las características, variables o atributos más influyentes se empleó la prueba no paramétrica U de Mann-Whitney.
dc.descriptionABSTRACT: Grupo Bancolombia actively participates in the fight against Money Laundering and Financing of Terrorism (LAFT), for this reason, from the management of SMEs and companies that is part of the Vice Presidency of Cumplimiento, they wanted to know the variables, attributes or characteristics more influencers of financial statements in clients with Suspicious Transaction Reports (ROS) and unreported clients, in order to generate alerts that would allow monitoring clients with possible suspicious transactions. Multivariate analysis techniques such as PCA, t-SNE and UMAP were investigated using machine learning to classify the clients of interest according to the financial statements, and to identify the most influential characteristics, variables or attributes, the non-parametric test U Mann-Whitney.
dc.format23
dc.formatapplication/pdf
dc.formatapplication/pdf
dc.languagespa
dc.publisherMedellín, Colombia
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightsAtribución-NoComercial-CompartirIgual 2.5 Colombia (CC BY-NC-SA 2.5 CO)
dc.rightshttp://creativecommons.org/licenses/by-nc-sa/2.5/co/
dc.rightshttp://purl.org/coar/access_right/c_abf2
dc.rightshttps://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subjectMultivariate analysis
dc.subjectFinancial statements
dc.subjectMachine learning
dc.subjectU-statistics
dc.subjectPrincipal components analysis
dc.subjectMoney laundering - Prevention
dc.subjectTerrorism - Finance - Prevention
dc.subjectAnálisis multivariante
dc.subjectEstados financieros
dc.subjectAprendizaje automático (Inteligencia artificial)
dc.subjectAnálisis por componentes principales
dc.subjectReporte de Operaciones Sospechosas (ROS)
dc.subjectt-SNE
dc.subjectAproximación y Proyección de Colector Uniforme (UMAP)
dc.subjecthttp://id.loc.gov/authorities/subjects/sh85088390
dc.subjecthttp://id.loc.gov/authorities/subjects/sh85048313
dc.subjecthttp://id.loc.gov/authorities/subjects/sh85079324
dc.subjecthttp://id.loc.gov/authorities/subjects/sh94001626
dc.subjecthttp://id.loc.gov/authorities/subjects/sh85106729
dc.subjecthttp://id.loc.gov/authorities/subjects/sh2010102291
dc.subjecthttp://id.loc.gov/authorities/subjects/sh2010116131
dc.titleAnálisis de clasificación para identificar características relevantes en la detección de operaciones sospechosas en Bancolombia
dc.typeinfo:eu-repo/semantics/bachelorThesis
dc.typeinfo:eu-repo/semantics/draft
dc.typehttp://purl.org/coar/resource_type/c_7a1f
dc.typehttps://purl.org/redcol/resource_type/TP
dc.typeTesis/Trabajo de grado - Monografía - Pregrado


Este ítem pertenece a la siguiente institución