Fraud analytics detección y prevención de fraudes en la era del big data slideshare
Fraud Analytics: Detección y prevención de fraudes en la era del BigData Durante el 2012 el nivel de fraude en tarjeta de crédito llego a 11.3 billones de dólares, un aumento de casi un 15% comparado con el 2011, esto demuestra el problema que el fraude representa no solo a las instituciones financieras sino también para la sociedad. Tradicionalmente la prevención del fraude consistía en proteger físicamente la infraestructura, sin embargo con cada vez más medios y canales de pago, la información financiera se ha vuelto cada vez más susceptible a ser hurtada. La siguiente opción para prevenir y controlar el fraude consiste en determinar si una transacción está siendo realizada por el cliente de acuerdo con sus patrones históricos de comportamiento. Este es el enfoque de Fraud Analytics. En esta presentación se mostrara cómo es posible por medio de Fraud Analytics, determinar la probabilidad que una transacción sea o no realizada por el cliente, utilizando la información de compra de los clientes, sus interacciones con la entidad financiera, y por medio de análisis de redes sociales. Adicionalmente, se discutirán y compararan los resultados de las comúnmente utilizadas reglas de decisión y modelos avanzados de inteligencia artificial. ------------------------------------- Alejandro Correa Bahnsen ------------------------------------- Ingeniero Industrial con Maestría en Ingeniería Industrial de la Universidad de los Andes. Candidato a Doctorado en inteligencia artificial de la Universidad de Luxemburgo. Actualmente se encuentra trabajando en SIX, uno de los operadores de tarjeta de crédito más grande de Europa, desarrollando un sistema inteligente para la prevención de fraude. Experiencia como profesor de analytics y econometría en las universidades de Luxemburgo y de los Andes, respectivamente. Conferencista de analytics en SAS Analytics (Orlando, Las Vegas, Londres, Frankfurt), SAS Global Forum (Orlando, San Francisco), IEEE International Conference on Data Mining (Vancouver, Bruselas, Dallas), IEEE International Conference on Machine Learning and Applications (Miami, Detroit) y European Conference on Data Analysis (Luxemburgo). Fundador de la comunidad Data Science Luxembourg y organizador del workshop IEEE Data Mining Case Studies (Dallas).
Recomendados
Recomendados
Más contenido relacionado
Similar a Fraud analytics detección y prevención de fraudes en la era del big data slideshare
Similar a Fraud analytics detección y prevención de fraudes en la era del big data slideshare (20)
Más de Alejandro Correa Bahnsen, PhD
Más de Alejandro Correa Bahnsen, PhD (11)
Último
Último (20)
Fraud analytics detección y prevención de fraudes en la era del big data slideshare
- 1. Fraud Analytics Detección y prevención de fraudes en la era del BigData Alejandro Correa Bahnsen
- 2. Costos de fraudes recientes: ~1Billon USD ~171Millones USD ~3Billones USD
- 3. Herramientas actuales han fallado a la hora de controlar el fraude
- 4. € - € 100 € 200 € 300 € 400 € 500 € 600 € 700 € 800 2007 2008 2009 2010 2011 2012 Europe fraud evolution Card not present (Internet) transactions Source: European Central Bank, 2014
- 5. $- $500 $1,000 $1,500 $2,000 $2,500 $3,000 $3,500 $4,000 US fraud evolution Card not present (Internet) transactions Source: CyberSource, 2013
- 6. 1.10% 1.30% 1.10% 0.90% 0.88% 0.87% 0.09% 0.08% 0.08% 0.06% 0.05% 0.05% 2006 2007 2008 2009 2010 2011 Card Present vs. Card Not Present Fraud Rates Card Not Present Card Present 23.3 26.8 30.0 33.3 35.0 2009 2010 2011 2012 2013 US Online Banking Billions of Transactions 1.2 3.0 5.6 9.4 14.0 2009 2010 2011 2012 2013 US Mobile Banking Billions of Transactions Source: CEB Towergroup, 2013
- 7. Existe una necesidad de mejorar las defensas contra el fraude
- 8. •Presencia en Suiza, Austria, Bélgica, Luxemburgo y Alemania •25.1 (m) de tarjetas •~3 (b) de transacciones
- 9. Fraud Analytics (Big Data) es el mayor diferenciador a la hora de escoger un producto para la prevención y detección de fraude Source: CEB Towergroup research, 2013
- 11. BigData?
- 12. “War is ninety percent information” Napoleon Bonaparte
- 15. Big data is like teenage sex: everyone talks about it, nobody really knows how to do it, everyone thinks everyone else is doing it, so everyone claims they are doing it...
- 18. BigData Analytics es el uso de métodos y herramientas de Inteligencia Artificial para entender la información y tomar decisiones más precisas
- 19. Detección y prevención de Fraude
- 20. Network Fraud??
- 21. •Recoger la experiencia de los analistas y convertirlo en una serie de reglas de decisión •Ejemplos de reglas •Más de 4 transacciones ATM en una hora •Más de 2 transacciones en 5 minutos •Transacción por banda magnética e inmediatamente por otra por internet Reglas Expertas
- 22. •Más de 4 transacciones ATM en una hora? •Más de 2 transacciones en 5 minutos? •Transacción por banda magnética e inmediatamente por otra por internet? Si alguna o mas reglas se activan se declina la transacción Fraud?? Reglas Expertas
- 23. •Ene2012 – Jun2013 Transacciones por internet •~20’000,000 Transacciones •~40,000 Fraudes •~EUR 2’000,000 en perdidas Jun13 May13 Apr13 Mar13 Feb13 Jan13 … … … Mar12 Feb12 Jan12 Test Train
- 24. Reglas Expertas 1.04% 31% 17% 22% Miss-cla Recall Precision F1-Score
- 25. Evaluacion Financiera •Falsos positivos tienen un costo diferente que los falsos negativos •Fraudes tienen costos desde pocos hasta miles Euros •Costos administrativos
- 26. 1.24 € 1.94 € Costo Coso sin Modelo Reglas Expertas 1.04% 31% 17% 22% Miss-cla Recall Precision F1-Score
- 27. Fraud Analytics
- 28. Monto de la transacción Numero de transacciones en el ultimo día Normal Transaction Fraud
- 29. Normal Transaction Fraud Monto de la transacción Numero de transacciones en el ultimo día
- 30. Monto de la transacción Numero de transacciones en el ultimo día Normal Transaction Fraud Monto gastado en internet en el ultimo año
- 31. Fraud Analytics Modelos Fuzzy Rules Redes Neuronales Naive Bayes Random Forests Cost-Sensitive Random Patches Decision Trees
- 32. 0% 20% 40% 60% 80% 100% Reglas Expertas Fuzzy Rules Redes Neuronales Naïve Bayes Random Forests CS Random Patches % Ahorro % Fraudes
- 33. 60% 70% 80% 90% Solo Banco País Toda la información % Ahorro % Fraudes
- 34. •Existe una necesidad por mejores herramientas y tecnologías •Modelos de Fraud Analytics son considerablemente mejores que las tradicionales reglas de decisión •Hay que evaluar los modelos de acuerdo con los costos financieros reales •Compartiendo información ganan todos* Conclusiones
- 35. Gracias Alejandro Correa Bahnsen albahnsen.com http://www.linkedin.com/in/albahnsen