Machine Learning Interpretable para la detección del fraude crediticio

Abstract

Las empresas cada d´ıa dan m´as facilidades a sus clientes para realizar sus compras, entre estas facilidades est´a la compra de productos de manera online, esto ha hecho que el comercio electr´onico crezca a unas cuotas de uso muy elevadas y por ende el uso de las tarjetas alcance su m´axima expresi´on. Esto es, sin ninguna duda, una oportunidad para que los delincuentes puedan cometer fraudes. En medio de todo esto, est´an los bancos para asegurar que todas las transacciones son legales y no fraudulentas. Esta es una tarea ardua y complicada, ya que los defraudadores siempre intentan simular leg´ıtimas todas las transacciones fraudulentas, lo que convierte la detecci´on del fraude en una tarea muy compleja. El n´umero de transacciones rechazadas err´oneamente por sospecha de fraude se estima en torno a 118.000 millones de d´olares de p´erdidas ´unicamente en el sector minorista, estas p´erdidas suponen una amenaza equivalente al fraude real en el sector de los servicios financieros. En consecuencia, los bancos se ven obligados a dedicar cada vez m´as recursos a discriminar entre las transacciones leg´ıtimas y las fraudulentas para hacer frente al dif´ıcil dilema de evitar las acciones de los impostores sin limitar el crecimiento inexorable del comercio online. Por si esto fuera poco, a este reto se le suma la necesidad de transparencia en toda decisi´on para la determinaci´on de fraude exigida por los organismos reguladores. De hecho en la Uni´on Europea, en el Reglamento General de Protecci´on de Datos, aprobado en 2018, otorga a sus ciudadanos el derecho a recibir una explicaci´on de las decisiones basadas en el tratamiento automatizado. La justificaci´on de este tipo de regulaci´on radica en el potencial sesgo que se podr´ıan estar aplicando.