El documento habla sobre las técnicas utilizadas para detectar fraudes mediante la minería de datos. Explica que la detección de fraude no es trivial debido a que los métodos de los falsificadores evolucionan rápidamente. Actualmente, las entidades financieras usan técnicas de minería de datos y modelos estadísticos para reconocer patrones de comportamiento en transacciones fraudulentas y normales y así detectar operaciones sospechosas. Describe las técnicas tradicionales como listas de control, reglas definidas por expert

1. DETECTAR FRAUDES
UTILIZANDO LA MINERIA
DE DATOS

2. La tarea de detección de fraude ,no es un ,tema fácil de
resolver, teniendo en cuenta las múltiples modalidades y la
evolución rápida que ,este tema ,ha tenido. En la actualidad
muchas entidades financieras a nivel mundial, utilizan técnicas
de minería de datos y modelos , estadísticos para reconocer
patrones de comportamiento, de las transacciones fraudulentas
o de la utilización ”normal” de los clientes para detectar
operaciones ”sospechosas”’.

3. TÉCNICAS PARA LA DETECCIÓN DE FRAUDE
La detección de Fraude no es un tema trivial, las metodologías usadas por los
“falsificadores” no son las mismas de hace algunos años; cuando las entidades
identifican un patrón de comportamiento, los “falsificadores” ya están pensando
en otras alternativas. Actualmente las herramientas para
la detección de fraude se pueden clasificar en dos categorías:
• Técnicas tradicionales
• Técnicas de Minería de datos.

4. A. TÉCNICAS TRADICIONALES
Los métodos tradicionales de detección de fraude consisten
en una combinación de investigadores y herramientas que
reportan alarmas de posibles sospechosos; para ello se utilizan
técnicas como:
1. Identificación de clientes que coinciden en listas de
Control como: OFAC, DATACREDIT.
2. Sistemas basados en la aplicación de reglas que constan
de sentencias SQL, definidas con la ayuda de expertos. Esta
estructura puede detectar sumas acumulativas de dinero
ingresadas a una cuenta en un corto periodo de tiempo, como
un día.
3. Métodos de clasificación estadísticos . como el análisis de
regresión de datos, para detectar comportamientos anómalos
de cambio en una cuenta, dada una serie de transacciones que
efectúa un cliente en un lapso de tiempo.
4. Análisis de relaciones. Este análisis permite encontrar
relaciones entre elementos de información como transacciones,
cuentas y participantes. Esta técnica requiere un esquema
supervisado.

5. B. TÉCNICAS DE MINERÍA DE DATOS
La minería de datos ofrece un rango de técnicas que
permiten identificar casos sospechosos, basados en modelos.
Estos modelos se pueden clasificar en.
• Modelos de datos inusuales
• Modelos de relaciones inexplicables.
• Modelos de características generales de Fraude.