Herramienta para detectar clientes potencialmente fraudulentos de Bancolombia
Loading...
Date
2025
Director
Journal Title
Journal ISSN
Volume Title
Publisher
Pontificia Universidad Javeriana Cali
Share
Abstract
En el ámbito bancario, la detección y prevención de fraudes externos es crucial debido a la sofisticación de los métodos empleados por defraudadores. Bancolombia enfrenta el riesgo de fraudes cometidos por clientes, quienes con acceso a servicios y productos que el banco ofrece, pueden realizar actividades ilícitas que impactan económicamente y dañan la reputación de la institución. Los sistemas actuales de monitoreo alertan sobre clientes sospechosos, pero su incapacidad para contextualizar adecuadamente cada cliente resulta en una alta tasa de falsos positivos. El objetivo de este proyecto es desarrollar un modelo de aprendizaje automático para detectar clientes fraudulentos de Bancolombia, integrando datos financieros, transaccionales y demográficos específicos. Con el objetivo de optimizar la asignación de recursos en la investigación de fraudes reales y fortalecer la seguridad financiera de la entidad, se espera obtener los siguientes resultados: una base de datos integrada y equilibrada, un modelo eficiente para la 2 detección de clientes fraudulentos y un informe detallado que evalúe el desempeño del modelo implementado. La implementación exitosa mitigará los riesgos operativos del fraude externo y promoverá la aplicación de la ciencia de datos para fortalecer la seguridad financiera y la confianza pública en Bancolombia. Además, este proyecto podría servir como referencia para otras entidades, mejorando la eficiencia operativa y reduciendo costos asociados con la gestión de alertas de fraude.
item.page.abstract.eng
In the banking sector, detecting and preventing external fraud is crucial due to the sophistication of the methods used by fraudsters. Bancolombia faces the risk of fraud committed by customers who, with access to the bank’s services and products, may engage in illicit activities that have financial impacts and damage the institution’s reputation. Current monitoring systems raise alerts about suspicious customers, but their inability to properly contextualize each case results in a high rate of false positives. The objective of this project is to develop a machine learning model to detect fraudulent Bancolombia customers by integrating specific financial, transactional, and demographic data. Aiming to optimize resource allocation in the investigation of actual fraud cases and strengthen the institution’s financial security, the project expects to achieve the following outcomes: an integrated and balanced database, an efficient model for detecting fraudulent customers, and a detailed report evaluating the performance of the implemented model. Successful implementation will mitigate operational risks associated with external fraud and promote the use of data science to enhance financial security and public trust in Bancolombia. Furthermore, this project could serve as a reference for other institutions, improving operational efficiency and reducing costs related to fraud alert management.