Gestión de Fraude en Negocios Digitales: un Survey sobre Prácticas, Métricas y Controles

Breno Mendes Moura; Gisela Consolmagno Pelegrini

DOI: 10.22167/2675-6528-202602721

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege para la síntesis y organización textual.

Resumen

Los fraudes en negocios digitales representan un desafío creciente, impactando financiera y operativamente a las organizaciones. El estudio analizó cómo los enfoques basados en datos y Machine Learning pueden apoyar el control de fraudes en negocios digitales, considerando los impactos de la definición de parámetros analíticos sobre la volumetría de alertas y los costos operativos asociados, a partir de la integración entre la percepción de profesionales del área y el análisis de una base real de transacciones financieras. La investigación combinó una encuesta aplicada a 57 profesionales de tecnología, datos, riesgo y operaciones con el análisis de una base pública de transacciones de tarjeta de crédito (Credit Card Fraud, Europa/2013), que contiene 284.807 registros y un 0,17% de fraude. Se desarrollaron y compararon dos modelos predictivos, Regresión Logística (PR-AUC: 0,6826) y Random Forest (PR-AUC: 0,7426), con enfoque en la métrica PR-AUC debido al desbalanceo de los datos. La simulación de umbrales de decisión demostró que un umbral de 0,30, aplicado al modelo Random Forest, configuró el mejor equilibrio entre detección y carga operativa, resultando en un recall del 82,4%, 166 alertas generados y un costo estimado de R$ 1.589 en fraudes no detectadas. Los resultados de la encuesta indicaron que el 63% de los encuestados consideró Machine Learning el enfoque más eficaz y el 57,9% priorizó el equilibrio entre riesgo y experiencia del cliente. Se concluyó que el principal desafío en la gestión de fraudes con Machine Learning reside en la administración del trade-off entre la mitigación de riesgo y el costo operativo asociado al volumen de alertas generados por las decisiones analíticas.

Palabras clave: análisis; detección de anomalías; fraude digital; gestión de riesgos; machine learning.

1. Introducción

Los fraudes en operaciones digitales representan un desafío creciente para las organizaciones que operan en entornos en línea, presionando los márgenes de beneficio, erosionando la confianza del consumidor e impactando negativamente la experiencia del cliente. En sectores como el comercio electrónico, los mercados en línea y los servicios bajo demanda, la sofisticación de las prácticas fraudulentas, que incluyen el cobro indebido, el abuso de promociones, la creación masiva de cuentas y la toma de control de cuentas (account takeover), exige controles cada vez más robustos. La necesidad de decisiones rápidas sobre la liberación, retención o rechazo de transacciones hace que las elecciones equivocadas sean costosas en términos de ingresos, reputación y costos operativos.

La continua expansión de los negocios digitales ha ampliado el volumen y la complejidad de las transacciones, exponiendo a las organizaciones a un mayor riesgo de prácticas fraudulentas. El fraude digital genera impactos financieros, operativos y reputacionales significativos, además de minar la confianza de los usuarios en los sistemas digitales. La literatura académica reconoce que la creciente sofisticación de los fraudes, impulsada por el aumento de las transacciones electrónicas, limita la eficacia de los métodos de control basados exclusivamente en reglas fijas.

En este contexto, las técnicas de análisis de datos y Machine Learning han sido ampliamente investigadas como alternativas más flexibles para la detección de fraudes. Su capacidad para identificar patrones complejos y adaptarse a nuevos comportamientos fraudulentos las hace prometedoras (Bolton y Hand, 2002; Dal Pozzo et al., 2020). Estos enfoques ofrecen un potencial significativo para mejorar la capacidad de detección y prevención de actividades ilícitas en tiempo real.

Sin embargo, a pesar del potencial de los enfoques analíticos avanzados, estudios recientes indican que su adopción no elimina los desafíos operativos inherentes al control de fraudes. Un punto crítico se refiere al trade-off entre la mitigación de riesgos y los impactos operativos, especialmente en escenarios con fuerte desbalance entre transacciones legítimas y fraudulentas. Estrategias de control excesivamente rigurosas pueden resultar en un aumento de falsos positivos, elevando los costos operativos y generando fricciones en la experiencia del cliente, mientras que enfoques más permisivos amplían el riesgo de fraudes no detectadas (Carcillo et al., 2021). Se observa que parte de la literatura académica tiende a enfocarse en el desempeño predictivo de los modelos, dedicando menor atención a los efectos prácticos de las decisiones analíticas en ambientes reales de negocios digitales.

Ante esta brecha, se vuelve relevante analizar el fraude digital desde una perspectiva aplicada, que considere no solo la capacidad de detección, sino también los impactos operativos de las elecciones analíticas. Este estudio, motivado por la necesidad de un framework aplicable en contextos reales de negocios digitales, como el de una startup brasileña, buscó demostrar cómo un arreglo analítico puede identificar patrones de fraude y orientar políticas de control. Para ello, se priorizaron métricas adecuadas a clases raras, con énfasis en Precision-Recall para evaluar la utilidad práctica en escenarios desbalanceados (Saito y Rehmsmeier, 2015), y se discutieron las implicaciones gerenciales de la definición de umbrales, asignación de revisión manual y trade-offs entre pérdidas por fraude y falsos positivos.

Así, el objetivo de este trabajo es analizar cómo los enfoques basados en datos y Machine Learning pueden apoyar el control de fraudes en negocios digitales, considerando los impactos de la definición de parámetros analíticos sobre la volumetría de alertas y los costos operativos asociados, a partir de la integración entre la percepción de profesionales del área y el análisis de una base real de transacciones financieras.

2. Material y Métodos

La presente investigación se caracterizó como un estudio aplicado, de enfoque cuantitativo y naturaleza exploratoria. La investigación aplicada, según Gil (2008), tiene como objetivo generar conocimientos para la solución de problemas prácticos, alineándose al objetivo de analizar el uso de enfoques analíticos en el control de fraudes en negocios digitales. El enfoque cuantitativo se empleó debido al uso de datos estructurados, tanto de cuestionario como de base transaccional, permitiendo medición y análisis estadístico.

En cuanto a los objetivos, el estudio se enmarcó como exploratorio y descriptivo, buscando profundizar la comprensión del fraude digital y describir los impactos operativos de las decisiones analíticas. La estrategia metodológica combinó investigación por sondeo (survey) y investigación documental. Esta combinación es adecuada para integrar percepciones de individuos con datos secundarios, según lo recomendado por Gil (2008).

La investigación por sondeo tuvo como propósito captar la percepción de profesionales con actuación o contacto con negocios digitales. El foco fue la relevancia del fraude digital, el uso de datos y Machine Learning, y los impactos operacionales del control de fraudes. El instrumento de recolección fue un cuestionario estructurado, elaborado con base en las directrices metodológicas de Gil (2008), con preguntas claras y objetivas y escalas de respuesta cuantitativas.

La recopilación de datos de la encuesta se realizó a través de un formulario electrónico, disponible en un entorno en línea, lo que permitió un mayor alcance y agilidad. Participaron 57 profesionales de las áreas de tecnología, datos, riesgo y operaciones. La participación fue voluntaria y condicionada a la lectura y aceptación explícita del Término de Consentimiento Libre e Informado (TCLE), asegurando el cumplimiento de los principios éticos de la investigación.

Complementariamente, se adoptó la investigación documental, utilizando una base de datos secundaria pública de transacciones financieras. Esta base, denominada Credit Card Fraud (Europa/2013), es ampliamente utilizada en estudios académicos sobre detección de fraude. Contiene registros de transacciones legítimas y fraudulentas, sirviendo como objeto empírico para el análisis de datos y el desarrollo de modelos predictivos.

La base de datos transaccional consistió en 284.807 registros, con una tasa de fraude del 0,17%. Aunque la investigación fue motivada por el contexto de una startup brasileña, la “Organización Alfa” en São Paulo/SP, la base de datos utilizada es pública y no contiene datos sensibles. Las variables predictoras de la base fueron anonimizadas vía PCA para preservar la confidencialidad de los datos originales.

Los datos transaccionales fueron sometidos a un análisis exploratorio inicial. Para el desarrollo de los modelos, la base se dividió en tres conjuntos mutuamente excluyentes: entrenamiento (70%), validación (15%) y prueba (15%). Esta división estratificada garantizó el mantenimiento de la proporción de fraudes en cada partición. La normalización de las variables Monto y Tiempo se aplicó exclusivamente al conjunto de entrenamiento, previniendo la fuga de datos.

En el desarrollo de modelos de Machine Learning, se compararon dos algoritmos: Regresión Logística y Random Forest. La Regresión Logística se empleó como modelo base, debido a su interpretabilidad y uso común en detección de fraude. El Random Forest, un modelo de ensemble, fue seleccionado por su capacidad de capturar no linealidades e interacciones entre variables.

Ambos los modelos se configuraron con ajuste de pesos por clase (class_weight=’balanced’), una técnica para mitigar el sesgo causado por el desequilibrio de los datos, sin necesidad de remuestreo. La métrica principal de evaluación fue el Área bajo la Curva Precision-Recall (PR-AUC). Esta métrica se eligió por ser más informativa que la curva ROC en contextos de fuerte desequilibrio de clases, como lo demostraron Saito y Rehmsmeier (2015).

El enfoque del modelado no fue solo la maximización del rendimiento predictivo, sino la evaluación de los efectos de la variación del umbral de decisión sobre la volumetría de transacciones señalizadas y el costo operativo asociado. Los procedimientos de tratamiento y análisis de datos se realizaron utilizando scripts desarrollados en lenguaje Python, con la ayuda de las bibliotecas scikit-learn, pandas y numpy. El código fuente completo está disponible públicamente en un repositorio GitHub.

3. Resultados y Discusión

Los resultados de este estudio se obtuvieron a partir de un enfoque integrado, que combinó la percepción de profesionales del área de negocios digitales con el análisis empírico de una base de datos transaccionales y la aplicación de modelos de Machine Learning. Esta integración permitió una comprensión multifacética de los desafíos y soluciones en la gestión de fraudes, conectando las expectativas del mercado con la viabilidad técnica y los impactos operacionales de las decisiones analíticas. El análisis buscó no solo identificar patrones de fraude, sino también evaluar las implicaciones prácticas de la definición de parámetros analíticos sobre la volumetría de alertas y los costos operacionales, conforme al objetivo central de la investigación.

Resultados de la Encuesta

El cuestionario estructurado, respondido por 57 profesionales de tecnología, datos, riesgo, operaciones y negocios digitales, reveló una percepción unánime sobre la relevancia del fraude en entornos digitales. Los participantes reconocieron el fenómeno como un factor de impacto significativo tanto en los resultados financieros como en la eficiencia operativa de las organizaciones. Esta constatación subraya la transversalidad del problema del fraude digital, que afecta a diversas áreas y niveles de experiencia dentro de las empresas, exigiendo enfoques robustos e integrados para su control.

En relación con los enfoques más eficaces para el control de fraudes, los datos de la encuesta indicaron una clara preferencia por soluciones basadas en datos y Machine Learning. Aproximadamente el 63% de los encuestados (36 de 57) señalaron el Machine Learning como uno de los enfoques más eficaces, seguido por modelos estadísticos, con el 54% de las indicaciones. La revisión humana especializada fue mencionada por el 40% de los participantes, mientras que las reglas manuales fueron citadas por solo el 23%. Este panorama sugiere que los profesionales del sector perciben las limitaciones de los enfoques tradicionales ante la creciente sofisticación de los fraudes digitales, buscando soluciones más dinámicas y adaptativas.

Un hallazgo crucial de la encuesta fue el reconocimiento explícito del trade-off entre la mitigación de fraudes y los impactos operacionales. La mayoría de los encuestados estuvo de acuerdo en que estrategias de control más rigurosas tienden a aumentar la incidencia de falsos positivos, generando fricciones en la experiencia del cliente y elevando la carga operacional de los equipos de análisis. Esta percepción reforzó la necesidad de investigar empíricamente cómo las decisiones analíticas influyen en el volumen de alertas generadas por los sistemas antifraude, un punto central para la aplicabilidad práctica de las soluciones.

Cuando se les preguntó sobre la prioridad de las empresas en el control de fraudes digitales, el 57,9% de los encuestados indicó la búsqueda de “equilibrio entre riesgo y experiencia del cliente”. La minimización de pérdidas financieras fue prioridad para el 22,8%, y la minimización de falsos positivos para el 19,3%. Este resultado corrobora la visión de que la gestión de fraudes no puede disociarse de la experiencia del cliente, convirtiendo la calibración de umbrales de decisión en un elemento estratégico fundamental. La priorización del equilibrio refleja la complejidad de operar en entornos digitales, donde la seguridad debe coexistir con la usabilidad y la satisfacción del consumidor.

Análisis Exploratorio de la Base Transaccional

El análisis exploratorio de la base de datos transaccional, compuesta por 284.807 registros de transacciones con tarjeta de crédito, confirmó el fuerte desbalanceo entre clases, característico de escenarios reales de fraude. Se observó que solo el 0,17% del total de registros (492 transacciones) correspondía a eventos de fraude, mientras que el 99,83% (284.315 transacciones) eran legítimas. Este escenario de eventos raros en grandes volúmenes de datos es un desafío conocido en la detección de anomalías y refuerza la complejidad de identificar fraudes sin generar un número excesivo de falsos positivos.

Se observó que el valor promedio de las transacciones fraudulentas, de R$ 122,21, fue superior al valor promedio de las transacciones legítimas, que fue de R$ 88,29. Este hallazgo sugiere que los fraudes tienden a ocurrir en transacciones de mayor valor relativo, lo que es relevante para el análisis de costo por decisión. Cada fraude no detectado representa una pérdida financiera estimada de R$ 122,21, valor utilizado como referencia para el cálculo del costo por falso negativo en las simulaciones de umbral, destacando la importancia de una detección eficaz para la salud financiera de la organización.

Desarrollo y Comparación de Modelos Predictivos

Con base en la base transaccional, se desarrollaron dos modelos predictivos para generar puntuaciones probabilísticas de riesgo de fraude: Regresión Logística, como modelo de referencia (baseline), y Random Forest. Ambos modelos se configuraron con ajuste de pesos por clase (`class_weight=’balanced’`) para mitigar el sesgo del desequilibrio de los datos, sin necesidad de remuestreo. La métrica principal adoptada para la evaluación fue el Área bajo la Curva Precision-Recall (PR-AUC), considerada más informativa que la curva ROC en contextos de fuerte desequilibrio de clases, según lo señalado por Saito y Rehmsmeier (2015).

En el conjunto de prueba, el modelo Random Forest presentó un PR-AUC de 0,7426, superando al modelo de Regresión Logística, que obtuvo 0,6826. Aunque ambos modelos demostraron un ROC-AUC elevado (superior a 0,96), la diferencia significativa en el PR-AUC confirma la mayor eficacia del Random Forest en la identificación de la clase minoritaria, es decir, las transacciones fraudulentas. La elección del PR-AUC como métrica primaria fue crucial, ya que en escenarios con solo 0,17% de fraudes, el ROC-AUC puede ser engañoso, indicando un buen rendimiento incluso para modelos poco útiles en la práctica.

Análisis de Umbrales e Impacto Operacional

La simulación de diferentes umbrales de decisión (thresholds) con el modelo Random Forest demostró el impacto directo de la definición de estos parámetros sobre la volumetría de transacciones señaladas para análisis y, consecuentemente, sobre la carga operativa. Este análisis conectó directamente la percepción de los profesionales, que señalaron el trade-off entre mitigación de fraude e impacto operativo, con la evidencia empírica de la base transaccional, proporcionando un panorama práctico de las implicaciones de las elecciones analíticas.

Al adoptar un umbral de 0,50, se señalaron 87 transacciones como sospechosas, lo que resultó en un recall del 77,0% y un costo estimado de R$ 2.078 en fraudes no detectados. La reducción del umbral a 0,30 aumentó el volumen de alertas a 166, elevando el recall al 82,4% y disminuyendo el costo estimado de fraudes no detectados a R$ 1.589. Sin embargo, un umbral de 0,10, aunque alcanzara un recall del 91,9% y un costo de solo R$ 733, generaría 1.226 alertas, de las cuales 1.158 serían falsos positivos, impactando negativamente la experiencia del cliente y la carga operativa del equipo de análisis.

Este comportamiento confirma empíricamente el trade-off percibido por los profesionales en la encuesta: estrategias más rigurosas, con umbrales menores, reducen las pérdidas financieras por fraude no detectada, pero amplían el volumen de falsos positivos, generando fricciones operacionales e impacto negativo en la experiencia del cliente. El umbral de 0,30 emergió como el punto de equilibrio más adecuado para el contexto analizado, combinando un recall razonable de 82,4%, un costo estimado administrable de R$ 1.589 y un volumen de 166 alertas compatible con operaciones de revisión humana, optimizando la eficiencia y la experiencia del cliente.

Variables Predictivas y Señales de Fraude

El análisis de la importancia predictiva de las variables del modelo Random Forest permitió identificar las principales señales asociadas a comportamientos fraudulentos. Las diez variables con mayor poder discriminante fueron identificadas, medidas por el criterio de reducción media de impureza. La variable V14 concentró el 21,1% de la importancia predictiva total del modelo, destacándose como el principal discriminante entre transacciones legítimas y fraudulentas. En conjunto, las cuatro primeras variables (V14, V10, V17 y V4) respondieron por el 56,1% de la capacidad predictiva total del modelo.

Aunque el significado original de estas variables se ha anonimizado por motivos de confidencialidad de la base pública, en entornos reales corresponderían a atributos de comportamiento, como el patrón horario, la frecuencia de transacciones, la dispersión geográfica y la desviación del perfil histórico del cliente. Este hallazgo converge con la literatura sobre detección de fraudes, que enfatiza la relevancia de las señales de comportamiento, y no solo de los atributos estáticos de la transacción, como los mejores predictores de fraude en tiempo real (Bolton y Hand, 2002). Desde el punto de vista gerencial, este resultado orienta a las organizaciones a priorizar el monitoreo de un conjunto enfocado de variables de comportamiento, reduciendo la complejidad operativa de los sistemas antifraude sin pérdida relevante de capacidad de detección.

En resumen, los resultados demostraron que los enfoques basados en datos y Machine Learning, especialmente el modelo Random Forest, son eficaces en la detección de fraudes en negocios digitales, superando a los métodos tradicionales y a la Regresión Logística en escenarios de fuerte desbalanceo de clases. La investigación confirmó que el principal desafío reside en la gestión del trade-off entre la mitigación de riesgos y los costos operativos asociados al volumen de alertas generadas, evidenciando que la calibración de umbrales de decisión, como el threshold de 0,30, es fundamental para equilibrar recall, costo y experiencia del cliente, respondiendo directamente al objetivo del estudio.

4. Conclusión

El presente estudio buscó analizar cómo los enfoques basados en datos y Machine Learning pueden apoyar el control de fraudes en negocios digitales, considerando los impactos de la definición de parámetros analíticos sobre la volumetría de alertas y los costos operacionales asociados, a partir de la integración entre la percepción de profesionales del área y el análisis de una base real de transacciones financieras. Se verificó que profesionales del sector reconocen el Machine Learning como un enfoque eficaz, priorizando el equilibrio entre riesgo y experiencia del cliente en la gestión de fraudes. El análisis empírico de transacciones financieras reveló el fuerte desbalance de clases y la superioridad del modelo Random Forest (PR-AUC: 0,7426) en relación a la Regresión Logística (PR-AUC: 0,6826) en la detección de fraudes. La simulación de umbrales de decisión demostró que un threshold de 0,30 configuró el punto de equilibrio más adecuado, resultando en un recall de 82,4%, 166 alertas generados y un costo estimado de R$ 1.589 en fraudes no detectadas, lo que optimiza la eficiencia operacional y la experiencia del cliente. La principal contribución del trabajo reside en evidenciar que el desafío central en la gestión de fraudes con Machine Learning no se limita a la capacidad de detección, sino a la administración del trade-off entre mitigación de riesgo y el costo operacional asociado al volumen de alertas generados por las decisiones analíticas, proporcionando un arreglo analítico aplicable para orientar políticas de control.

Sin embargo, el estudio presentó algunas limitaciones, como la base de datos utilizada, que puede no reflejar integralmente los patrones de fraude del mercado brasileño actual, y la anonimización de las variables predictoras vía PCA, que restringió la interpretabilidad gerencial directa de las señales identificadas. Adicionalmente, la muestra de la encuesta, compuesta por 57 encuestados, tiene carácter exploratorio y no es estadísticamente representativa. Para estudios futuros, se sugiere la ampliación de la muestra de encuestados, la exploración de modelos analíticos adicionales, como Gradient Boosting y redes neuronales, y la evaluación de técnicas de explicabilidad, como SHAP values, para aumentar la transparencia de las decisiones en entornos regulados, contribuyendo a una comprensión más abarcadora y aplicada del problema del fraude digital.

Referencias Bibliográficas

Bolton, R.J.; Hand, D.J. (2002). Statistical fraud detection: a review. Statistical Science, 17(3): 235-255.

Carcillo, F.; Bontempi, G.; Snoeck, M.; Bagheri, S. (2021). Scarff: a scalable framework for streaming credit card fraud detection with sliding windows. IEEE Transactions on Neural Networks and Learning Systems, 32(10): 1–15.

Dal Pozzo, A.; Boracchi, G.; Biganzoli, E. (2020). Adaptive machine learning for fraud detection. Journal of Financial Crime, 27(4): 1–15.

Gil, A.C. (2008). Métodos e técnicas de pesquisa social. 6. ed. Atlas, São Paulo, SP, Brasil.

Saito, T.; Rehmsmeier, M. (2015). The precision-recall plot is more informative than the ROC plot when evaluating binary classifiers on imbalanced datasets. PLOS ONE, 10(3): e0118432.

Artículo originado del Trabajo de Conclusión de Curso de Especialización en Digital Business del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy