Algoritmos de Clasificación para Autorizar Transacciones de Tarjetas de Crédito, Débito y Prepagas

Cuando llega el momento de decidir si una transacción será rechazada o no, lo más importante es la precisión. Los falsos rechazos pueden afectar la relación con los tarjetahabientes, por lo tanto, evaluar múltiples factores, incluyendo información del consumidor, comercio y emisor a través de la exp...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Zabala Chiaradía, Emmanuel
Otros Autores: Martos Venturini, Gabriel
Formato: Tesis de maestría acceptedVersion
Lenguaje:Español
Publicado: Universidad Torcuato Di Tella 2023
Materias:
Tarjetas de credito
Medios de Pago
Machine Learning
xgboost
Random Forest
Sistemas de autorizaciones de transacciones
Experiencia de Usuario
Acceso en línea:https://repositorio.utdt.edu/handle/20.500.13098/11884
Aporte de:
Repositorio Digital Universidad Torcuato Di Tella de Universidad Torcuato Di Tella
id I57-R163-20.500.13098-11884
record_format dspace
spelling I57-R163-20.500.13098-118842023-06-16T07:25:45Z Algoritmos de Clasificación para Autorizar Transacciones de Tarjetas de Crédito, Débito y Prepagas Zabala Chiaradía, Emmanuel Martos Venturini, Gabriel Tarjetas de credito Medios de Pago Machine Learning xgboost Random Forest Sistemas de autorizaciones de transacciones Experiencia de Usuario Cuando llega el momento de decidir si una transacción será rechazada o no, lo más importante es la precisión. Los falsos rechazos pueden afectar la relación con los tarjetahabientes, por lo tanto, evaluar múltiples factores, incluyendo información del consumidor, comercio y emisor a través de la experiencia de compra puede mejorar la experiencia del tarjetahabiente y aprobar más transacciones genuinas, sin incrementar el riesgo. Los modelos de machine learning son capaces de detectar anomalías en las compras basándose en diferentes fuentes de datos para un consumidor en particular. Esto incluye utilizar información de riesgo, datos de geolocalización de la transacción, datos del comercio, del dispositivo desde el cual se realiza la transacción, la hora del día, y el tipo de compra. El algoritmo también aprovecha los segmentos originados por datos del valor del consumidor, o los agrupamientos de consumidores en diferentes niveles basado en el valor potencial que ellos tienen para la compañía en el futuro. Los rechazos en autorizaciones de transacciones causados por los fraudes con tarjetas y los falsos rechazos cuestan a los consumidores y a las compañías financiera billones de dólares por año. Los sistemas de autorizaciones de transacciones se han vuelto fundamentales para los bancos y otras entidades financieras que buscan minimizar sus pérdidas. En este paper, se utilizarán varias técnicas de machine learning para clasificación como la Regresión Logística (LR), Árboles de Decisión (DT), Random Forest (RF) y XGBoost (XGB). Después de haber efectuado varias pruebas y comparaciones, elegimos a los árboles de decisión como el mejor clasificador para construir nuestro modelo de autorización de transacciones. La evaluación de su performance fue realizada sobre un dataset real que contenía transacciones de tarjetas de crédito, débito y prepagas para demostrar los beneficios de un algoritmo de árbol para resolver este problema de una manera rápida y precisa, minimizando costos. Utilizando KPIs específicos se compara la performance entre los modelos para decidir cuál es el de mayor precisión al momento de clasificar si una transacción deberá ser aprobada o rechazada. 2023-06-15T19:08:01Z 2023-06-15T19:08:01Z 2020 info:eu-repo/semantics/masterThesis info:ar-repo/semantics/tesis de maestría info:eu-repo/semantics/acceptedVersion https://repositorio.utdt.edu/handle/20.500.13098/11884 spa info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-sa/2.5/ar/ 45 p. application/pdf application/pdf Universidad Torcuato Di Tella
institution Universidad Torcuato Di Tella
institution_str I-57
repository_str R-163
collection Repositorio Digital Universidad Torcuato Di Tella
language Español
orig_language_str_mv spa
topic Tarjetas de credito
Medios de Pago
Machine Learning
xgboost
Random Forest
Sistemas de autorizaciones de transacciones
Experiencia de Usuario
spellingShingle Tarjetas de credito
Medios de Pago
Machine Learning
xgboost
Random Forest
Sistemas de autorizaciones de transacciones
Experiencia de Usuario
Zabala Chiaradía, Emmanuel
Algoritmos de Clasificación para Autorizar Transacciones de Tarjetas de Crédito, Débito y Prepagas
topic_facet Tarjetas de credito
Medios de Pago
Machine Learning
xgboost
Random Forest
Sistemas de autorizaciones de transacciones
Experiencia de Usuario
description Cuando llega el momento de decidir si una transacción será rechazada o no, lo más importante es la precisión. Los falsos rechazos pueden afectar la relación con los tarjetahabientes, por lo tanto, evaluar múltiples factores, incluyendo información del consumidor, comercio y emisor a través de la experiencia de compra puede mejorar la experiencia del tarjetahabiente y aprobar más transacciones genuinas, sin incrementar el riesgo. Los modelos de machine learning son capaces de detectar anomalías en las compras basándose en diferentes fuentes de datos para un consumidor en particular. Esto incluye utilizar información de riesgo, datos de geolocalización de la transacción, datos del comercio, del dispositivo desde el cual se realiza la transacción, la hora del día, y el tipo de compra. El algoritmo también aprovecha los segmentos originados por datos del valor del consumidor, o los agrupamientos de consumidores en diferentes niveles basado en el valor potencial que ellos tienen para la compañía en el futuro. Los rechazos en autorizaciones de transacciones causados por los fraudes con tarjetas y los falsos rechazos cuestan a los consumidores y a las compañías financiera billones de dólares por año. Los sistemas de autorizaciones de transacciones se han vuelto fundamentales para los bancos y otras entidades financieras que buscan minimizar sus pérdidas. En este paper, se utilizarán varias técnicas de machine learning para clasificación como la Regresión Logística (LR), Árboles de Decisión (DT), Random Forest (RF) y XGBoost (XGB). Después de haber efectuado varias pruebas y comparaciones, elegimos a los árboles de decisión como el mejor clasificador para construir nuestro modelo de autorización de transacciones. La evaluación de su performance fue realizada sobre un dataset real que contenía transacciones de tarjetas de crédito, débito y prepagas para demostrar los beneficios de un algoritmo de árbol para resolver este problema de una manera rápida y precisa, minimizando costos. Utilizando KPIs específicos se compara la performance entre los modelos para decidir cuál es el de mayor precisión al momento de clasificar si una transacción deberá ser aprobada o rechazada.
author2 Martos Venturini, Gabriel
author_facet Martos Venturini, Gabriel
Zabala Chiaradía, Emmanuel
format Tesis de maestría
Tesis de maestría
acceptedVersion
author Zabala Chiaradía, Emmanuel
author_sort Zabala Chiaradía, Emmanuel
title Algoritmos de Clasificación para Autorizar Transacciones de Tarjetas de Crédito, Débito y Prepagas
title_short Algoritmos de Clasificación para Autorizar Transacciones de Tarjetas de Crédito, Débito y Prepagas
title_full Algoritmos de Clasificación para Autorizar Transacciones de Tarjetas de Crédito, Débito y Prepagas
title_fullStr Algoritmos de Clasificación para Autorizar Transacciones de Tarjetas de Crédito, Débito y Prepagas
title_full_unstemmed Algoritmos de Clasificación para Autorizar Transacciones de Tarjetas de Crédito, Débito y Prepagas
title_sort algoritmos de clasificación para autorizar transacciones de tarjetas de crédito, débito y prepagas
publisher Universidad Torcuato Di Tella
publishDate 2023
url https://repositorio.utdt.edu/handle/20.500.13098/11884
work_keys_str_mv AT zabalachiaradiaemmanuel algoritmosdeclasificacionparaautorizartransaccionesdetarjetasdecreditodebitoyprepagas
_version_ 1769355030378315776

Ejemplares similares