Un enfoque para hacer benchmark a los algoritmos para la detección de fraude en la era COVID-19

Abstract

Para afrontar los desafíos en la lucha contra los delitos financieros, especialmente en el contexto de la pandemia del COVID-19, este artículo focaliza en los datos sintéticos financieros y en el uso de una herramienta de benchmark confiable para evaluar los algoritmos de detección de fraude. Los departamentos de control de cumplimiento de las instituciones financieras enfrentan el desafío de reducir el número de personas inocentes a las que se las acusa de fraude por error. Para enfrentar este problema, las instituciones financieras están investigando la aplicación de algoritmos de aprendizaje automático para la detección de fraude y la tecnología de análisis de datos para desarrollar un sistema de detección del fraude más exacto y preciso. Sin embargo, los enfoques para la optimización y la automatización del control bancario y los procesos de testeo son desafiantes ya que no existe consenso en un benchmark. Investigamos la importancia de medir la aplicación de un benchmark para detectar los delitos financieros ante un sector financiero digital en crecimiento, como es el caso de México. Este estudio cobra especial importancia debido a las serias amenazas que enfrenta un sistema financiero que se está desarrollando rápidamente. (Informe del Banco Central de México 2019) Estos riesgos se han empeorado aún más como resultado de los cambios acelerados hacia los pagos digitales como producto de la pandemia COVID-19.