Blog post

4 cosas a tener en cuenta para crear el modelo de detección de fraude perfecto

Para la mayoría de las empresas modernas, hablar de Data Science, Machine Learning y, cada vez más, inteligencia artificial es emocionante. Sin embargo, a los servicios financieros, estos términos les causan terror.

Y con razón, uno de los grandes desafíos de la industria a la hora de adoptar estas tecnologías se debe a un entorno regulatorio generalmente más estricto y de mayor importancia que en el resto de industrias. Sin embargo, a pesar de este desafío, hay algunas instituciones que destacan por encima del resto, trabajando en la vanguardia del mundo del Data Science en aplicaciones creativas que mejoran los resultados comerciales y mejoran la experiencia del cliente.

Muchas empresas del sector utilizan el Machine Learning para transformar los procesos comerciales en toda la organización de manera revolucionaria.

Para asegurarse que producen el mejor modelo de detección de fraude tienen en cuenta lo siguiente:

• Consideran el retorno de la inversión (ROI)

Antes de emprender un proyecto de datos, el equipo considera en primer lugar el impacto comercial potencial del proyecto. En el caso de la detección de fraude, calculan que si el modelo detectara incluso un caso de fraude, podrían ahorrarle a una entidad de préstamos personales un promedio de $ 15,000. Pero también consideran los beneficios indirectos, como el hecho de que un modelo más sofisticado aceleraría el proceso de obtención de un préstamo para los clientes al minimizar el número de casos que no son fraude.

• Recopilan todos los datos disponibles

La clave para un proyecto innovador de Data Science es introducir la mayor cantidad de datos para crear el modelo. En el caso de un proyecto de detección de fraude, esto significa crear un conjunto de datos masivo para trabajar utilizando no solo datos internos, sino conjuntos de datos disponibles externamente de agencias de crédito, proveedores de detección de fraude y más.

• Pruebas / evaluaciones comparativas contra la estrategia actual

Es necesario comparar los modelos desarrollados con la solución actual porque si el rendimiento no es mejor que el del sistema existente provocará más trabajo innecesario en la monitorización.

• Se despliega en producción

Una vez probados y comparados, se ponen en producción, donde pueden tener un impacto real en el negocio. Referencias: Todos los derechos reservados a Dataiku