Análisis Cluster para detectar patrones específicos entre usuarios de la banca de seguros para identificar posibles fraudes
Cluster para detectar patrones específicos entre usuarios de la banca de seguros para identificar posibles fraudes
DOI:
https://doi.org/10.5281/zenodo.18625522Palabras clave:
Clustering K-Means, análisis del comportamiento, prevención de fraudesResumen
Este artículo presenta un enfoque analítico basado en técnicas de aprendizaje no supervisado orientado a la identificación temprana de comportamientos atípicos asociados a posibles fraudes en la banca de seguros. La creciente digitalización de los servicios financieros ha incrementado significativamente la complejidad y el volumen de los datos generados por los usuarios, reduciendo la eficacia de los métodos tradicionales de detección basados en reglas fijas. En este contexto, las técnicas de clustering permiten segmentar a los usuarios a partir de similitudes en sus patrones de comportamiento, sin requerir información previa sobre la naturaleza fraudulenta de los registros. El estudio emplea los algoritmos k-means y clustering jerárquico para analizar datos obtenidos de una encuesta aplicada a más de mil usuarios de servicios de banca de seguros. Los resultados evidencian la existencia de grupos diferenciados de comportamiento, donde los clusters minoritarios y alejados de los centroides principales constituyen señales de riesgo de fraude que pueden apoyar a procesos de auditoría, control interno y análisis especializado.
Citas
Aggarwal, C. C. (2017). Outlier analysis. Springer.
Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.
Bolton, R. J., & Hand, D. J. (2002). Statistical fraud detection: A review. Statistical Science, 17(3), 235–255.
Chandola, V., Banerjee, A., & Kumar, V. (2009). Anomaly detection: A survey. ACM Computing Surveys, 41(3), 1–58.
Everitt, B. S., Landau, S., Leese, M., & Stahl, D. (2011). Cluster analysis (5th ed.). Wiley.
Fawcett, T., & Provost, F. (1997). Adaptive fraud Detection. Data Mining and Knowledge Discovery.
Hand, D. J., Mannila, H., & Smyth, P. (2001). Principles of data mining. MIT Press.
Han, J., Kamber, M., & Pei, J. (2012). Data mining: Concepts and techniques (3rd ed.). Morgan Kaufmann.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning. Springer.
Jain, A. K., Murty, M. N., & Flynn, P. J. (1999). Data clustering: A review. ACM Computing Surveys, 31(3), 264–323.
Kaufman, L., & Rousseeuw, P. J. (2005). Finding groups in data. Wiley.
MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. Proceedings of the Fifth Berkeley Symposium.
Ngai, E. W. T., Hu, Y., Wong, Y. H., Chen, Y., & Sun, X. (2011). The application of data mining techniques in financial fraud detection. Decision Support Systems, 50(3), 559–569.
Tan, P. N., Steinbach, M., & Kumar, V. (2016). Introduction to data mining. Pearson.
Ward, J. H. (1963). Hierarchical grouping to optimize an objective function. Journal of the American Statistical Association, 58(301), 236–244.
West, J., & Bhattacharya, M. (2016). Intelligent financial fraud detection. Computers & Security, 57, 47–66
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Abraham Jorge Jiménez Alfaro, Norma Karen Valencia Vázquez , Griselda Cortés Barrera, Edgar Corona Organiche
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
