Improving Fraud Detection Accuracy Through Data Preprocessing and Decision Tree Machine Learning

En el silencioso zumbido del sistema financiero global, se libra una batalla constante e invisible sobre cada transacción digital. Cuando una persona desliza una tarjeta o acerca un teléfono para pagar, una compleja red de sistemas automatizados decide instantáneamente si esa compra es segura o sospechosa. Estos sistemas están diseñados para atrapar a los defraudadores que roban dinero, pero se enfrentan a una difícil realidad matemática: la gran mayoría de las transacciones son honestas, mientras que las pocas que son fraudulentas son como agujas en un pajar. Debido a que las transacciones honestas superan tanto en número a las malas, un programa informático puede ser engañado para pensar que está haciendo un trabajo perfecto simplemente ignorando las agujas y sin marcar nada en absoluto. Esto crea la necesidad de un enfoque diferente, uno que enseñe a la computadora a observar cuidadosamente los datos en sí antes de intentar tomar una decisión. El objetivo no es solo construir una máquina más inteligente, sino limpiar y organizar la información para que incluso una herramienta simple y transparente pueda ver los patrones de robo que de otro modo permanecerían ocultos.

Esta es la pregunta central explorada por Darshan Aher, un investigador de la Universidad de Sanjivani en la India, quien investigó si la preparación cuidadosa de los datos podía hacer que un modelo computacional básico fuera tan efectivo como los sistemas complejos y de alta capacidad que los bancos suelen utilizar. En lugar de construir una inteligencia artificial masiva y complicada que es difícil de entender, Aher se centró en un tipo de modelo único y directo conocido como árbol de decisión. Imagine un diagrama de flujo donde una serie de preguntas sencillas de sí o no conducen a una respuesta final; así es como funciona un árbol de decisión, lo que facilita que los humanos vean exactamente por qué se marcó una transacción. El estudio utilizó un conjunto de datos del mundo real que contenía casi 285,000 transacciones de tarjetas de crédito de titulares europeos, una colección donde menos del dos centésimos por ciento eran realmente fraudulentas. El desafío era enseñar al sencillo árbol de decisión a encontrar esas raras transacciones malas sin confundirse por el abrumador número de transacciones buenas.

Para resolver esto, el investigador no comenzó cambiando el cerebro de la computadora, sino limpiando la habitación en la que trabajaba. El proceso comenzó eliminando registros duplicados y organizando los números para que estuvieran en una escala consistente. Los datos se dividieron luego en dos grupos: un grupo grande para que la computadora aprendiera de ellos, y un grupo más pequeño para probar sus habilidades más tarde. Crucialmente, el grupo de prueba se dejó exactamente como se encontró en el mundo real, con su desequilibrio natural y pesado de transacciones buenas y raras transacciones malas. Para ayudar a la computadora a aprender cómo se ve el fraude, el investigador añadió ejemplos extra de transacciones fraudulentas al grupo de aprendizaje únicamente. Esta técnica, que crea nuevos ejemplos sintéticos basados en los existentes, permitió al modelo estudiar los patrones de robo sin distorsionar la prueba final. El investigador también seleccionó solo las piezas de información más útiles, descartando el ruido que no ayudaba a distinguir a un ladrón de un cliente honesto.

Cuando el árbol de decisión entrenado fue finalmente probado contra el grupo de transacciones no tocado y realista, se desempeñó con una efectividad sorprendente. El modelo identificó correctamente 110 de las 142 transacciones fraudulentas, capturando aproximadamente el 77 por ciento de los robos. Este es un avance significativo sobre un sistema que simplemente ignora el fraude, el cual capturaría el cero por ciento. Sin embargo, el estudio también reveló el costo de esta vigilancia. Debido a que el modelo fue ajustado para ser lo suficientemente sensible como para encontrar las raras transacciones malas, también marcó algunas transacciones honestas como sospechosas. De cada nueve transacciones que el modelo marcó como potencialmente fraudulentas, solo una era realmente mala. Esto significa que, si bien el sistema encontró con éxito la mayoría de los ladrones, también generó una serie de falsas alarmas que requerirían revisión humana. Los investigadores señalaron que este intercambio es esperado y manejable; en un entorno del mundo real, este modelo probablemente serviría como un primer filtro, capturando la mayoría de los fraudes para que los analistas humanos puedan concentrar su atención en los casos específicos que la computadora señaló.

Los hallazgos sugieren que la complejidad del modelo de aprendizaje automático no es el único, o quizás ni siquiera el factor más importante, para detectar el fraude. Al preparar cuidadosamente los datos y utilizar una técnica para equilibrar el proceso de aprendizaje, un árbol de decisión simple, rápido y totalmente comprensible puede lograr altas tasas de detección. El estudio demuestra que un solo árbol de decisión, cuando se le alimenta con información limpia y equilibrada, puede recuperar la mayoría de los casos de fraude con un bajo costo computacional. Si bien el modelo no es perfecto y requiere ajustes para equilibrar el número de falsas alarmas frente a los delitos no detectados, demuestra que la transparencia y la eficiencia no tienen por qué sacrificarse en favor de la precisión. El trabajo apunta hacia un futuro donde los sistemas de seguridad financiera sigan siendo ligeros y explicables, permitiendo a los bancos entender exactamente por qué se detuvo una transacción, en lugar de depender de algoritmos de "caja negra" opacos que son difíciles de inspeccionar o confiar.