Aproximación a la Detección de Fraude Financiero en Transacciones con Tarjeta de Crédito Empleando Machine Learning

Resumen

Este artículo investiga la aplicación de técnicas de machine learning en la detección automatizada de fraude financiero en transacciones con tarjeta de crédito, enfocándose en la viabilidad del modelo Random Forest para identificar comportamientos anómalos. Se utilizó un conjunto de datos real, caracterizado por un alto desbalance entre transacciones legítimas y fraudulentas, y se aplicaron procesos de preprocesamiento, normalización y división de datos para garantizar una correcta validación. La metodología incluyó la generación de métricas de desempeño mediante validación cruzada, análisis de la curva ROC y la construcción de una matriz de confusión porcentual, lo que permitió apreciar la alta capacidad predictiva del modelo (AUC = 0.9817). Además, se realizó una comparación con otros algoritmos, donde Random Forest mostró una estabilidad y rendimiento superiores. La discusión destaca la relevancia de integrar herramientas de inteligencia artificial en la contaduría pública y la auditoría forense, enfatizando que estos métodos complementan el juicio profesional al proporcionar información cuantitativa y robusta para la toma de decisiones. Concluye resaltando la necesidad de seguir desarrollando enfoques híbridos y de mejorar la interpretabilidad de los modelos para optimizar los sistemas de control interno y prevenir pérdidas económicas significativas.