Uso de análisis de datos avanzados para la detección de fraudes financieros

• Casanova-Villalba, César Iván ^[1] ; Casanova-Villalba, Luis Alberto ^[1]
  1. [1] Universidad Técnica Luis Vargas Torres de Esmeraldas
• Localización: Revista Científica Ciencia y Método, ISSN-e 3103-1072, Vol. 2, Nº. 3, 2024 (Ejemplar dedicado a: Interacciones Científicas y Retos Globales), págs. 1-12
• Idioma: español
• Títulos paralelos:
  • Use of advanced data analytics for financial fraud detection
• Enlaces
  • Texto completo
• Resumen
  • español

    El estudio analiza el uso de técnicas avanzadas de análisis de datos como estrategia central en la detección de fraudes financieros, en un contexto marcado por la creciente complejidad de las transacciones digitales y la sofisticación de los mecanismos ilícitos. Mediante una revisión exploratoria de literatura especializada publicada en bases de datos de alto impacto, se identificaron y compararon métodos de aprendizaje supervisado, no supervisado y enfoques híbridos, evaluando su eficacia, limitaciones y potencial de implementación. Los resultados muestran que los algoritmos supervisados, como las redes neuronales y los bosques aleatorios, ofrecen alta precisión cuando se dispone de datos etiquetados, mientras que las técnicas no supervisadas destacan por su capacidad de identificar fraudes emergentes sin información previa. La investigación concluye que la combinación de ambos enfoques mediante modelos de ensamble constituye una alternativa prometedora, aunque implica desafíos técnicos, operativos y éticos. Se resalta la importancia de articular estas metodologías con infraestructuras robustas y marcos normativos que garanticen transparencia y explicabilidad

  • English

    The study analyzes the use of advanced data analysis techniques as a central strategy in the detection of financial fraud, in a context marked by the increasing complexity of digital transactions and the sophistication of illicit mechanisms. Through an exploratory review of specialized literature published in high-impact databases, supervised learning methods, unsupervised learning methods and hybrid approaches were identified and compared, evaluating their effectiveness, limitations and implementation potential. The results show that supervised algorithms, such as neural networks and random forests, offer high accuracy when labeled data is available, while unsupervised techniques stand out for their ability to identify emerging frauds without prior information. The research concludes that the combination of both approaches using ensemble models constitutes a promising alternative, although it involves technical, operational and ethical challenges. The importance of articulating these methodologies with robust infrastructures and regulatory frameworks that guarantee transparency and explainability is highlighted.