Construcción de un Modelo Predictivo para la Detección Temprana de Fraude Financiero en Ecosistemas de Pago

Abstract

El aumento de los pagos digitales ha generado nuevos riesgos de fraude en las transacciones financieras. Aunque los casos fraudulentos son pocos, representan un impacto significativo para las entidades. Por esta razón, se buscan métodos más precisos y rápidos para detectarlos, entre ellos los modelos de aprendizaje automático. Propósito. El propósito de este estudio es desarrollar un modelo que permita identificar transacciones con posible fraude y comparar el desempeño de dos algoritmos supervisados —Random Forest y XGBoost— para determinar cuál ofrece una detección más eficaz en un escenario altamente desbalanceado. Metodología. Se generó un dataset sintético de 80.000 transacciones con casos limitados de fraude. Los datos fueron limpiados, codificados y balanceados . Luego se entrenaron Random Forest y XGBoost, evaluando su desempeño con métricas clásicas de clasificación. Finalmente, se aplicó SHAP para interpretar las variables más influyentes. Resultados. El modelo XGBoost presentó el mejor desempeño, alcanzando un F1-score de 0.55, un recall del 38 porciento para la clase fraudulenta y un ROC-AUC de 0.73, superando al Random Forest cuyo recall fue del 33 porciento y su ROC-AUC de 0.66. Las variables más influyentes estuvieron asociadas a montos anómalos, reversos, patrones sospechosos y horarios de operación.. Conclusiones. Los resultados evidencian que XGBoost posee mayor capacidad para identificar transacciones fraudulentas en datasets desbalanceados, aunque la detección sigue siendo limitada debido a la complejidad inherente al fenómeno del fraude. Se recomienda ampliar la diversidad de datos y ajustar estrategias de balanceo para mejorar la sensibilidad del sistema.