Análisis del desempeño de algoritmos de aprendizaje supervisado para la detección de anomalías que deriven en posibles operaciones sospechosas de LA/FT- caso Proquinal S.A.S (2020-2022)
Cargando...
Archivos
Fecha
Director de trabajo de grado
Título de la revista
ISSN de la revista
Título del volumen
Editor
Altmetric
Código QR
Documentos PDF
Resumen
Este proyecto de investigación tiene como objetivo analizar el desempeño de algoritmos de aprendizaje supervisado en la detección de anomalías que deriven en posibles operaciones sospechosas de LA/FT en los procesos de venta con clientes de la empresa Proquinal S.A.S. La metodología CRISP-DM guio el proyecto, con un enfoque cuantitativo y longitudinal, utilizando datos de las ventas realizadas por Proquinal S.A.S. entre el 2020 y 2022. Al comparar el desempeño de tres modelos de aprendizaje supervisado: Redes neuronales recurrentes, máquinas de soporte vectorial y bosques aleatorios, se encontró que este último es el que mejor identifica las operaciones anómalas. El proyecto de investigación busca además reducir el riesgo de lavado de activos en las organizaciones a través del uso de modelos de aprendizaje supervisado, como complemento a las regulaciones de esta materia en el país. Los modelos se entrenaron y evaluaron con datos de las ventas realizadas por Proquinal S.A.S en el periodo de 2020 y 2022, sin embargo, en el futuro cercano se podrá contar con la información de 2023, la cual será valiosa para afinar más los modelos desarrollados en el proyecto de investigación.
Abstract
This research project aims to analyze the performance of supervised learning algorithms in the detection of anomalies that derive in possible suspicious operations of ML / FT in the sales processes with customers of the company Proquinal S.A.S. The CRISP-DM methodology guided the project, with a quantitative and longitudinal approach, using data from sales made by Proquinal S.A.S. between 2020 and 2022. By comparing the performance of three supervised learning models: Recurrent Neural Networks, Support Vector Machines and Random Forests, it was found that the latter is the one that best identifies anomalous operations. The research project also seeks to reduce the risk of money laundering in organizations using supervised learning models, as a complement to the regulations on this matter in the country. The models were trained and evaluated with data from sales made by Proquinal S.A.S. in the period of 2020 and 2022, however, soon it will be possible to have information from 2023, which will be valuable to further refine the models developed in the research project.
Palabras clave
Lavado de activos, Sector real, Aprendizaje supervisado, Investigación de mercados, Procesos de venta, Operaciones anómalas