Show simple item record

dc.rights.licensehttps://creativecommons.org/licenses/by-sa/2.5/ar/es_AR
dc.contributor.advisorMartos Venturini, Gabrieles_Ar
dc.contributor.authorZabala Chiaradía, Emmanueles_AR
dc.date.accessioned2023-06-15T19:08:01Z
dc.date.available2023-06-15T19:08:01Z
dc.date.issued2020
dc.identifier.urihttps://repositorio.utdt.edu/handle/20.500.13098/11884
dc.description.abstractCuando 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.es_AR
dc.format.extent45 p.es_AR
dc.format.mediumapplication/pdfes_AR
dc.languagespaes_AR
dc.publisherUniversidad Torcuato Di Tellaes_AR
dc.rightsinfo:eu-repo/semantics/openAccesses_AR
dc.subjectTarjetas de creditoes_AR
dc.subjectMedios de Pagoes_AR
dc.titleAlgoritmos de Clasificación para Autorizar Transacciones de Tarjetas de Crédito, Débito y Prepagases_AR
dc.typeinfo:eu-repo/semantics/masterThesises_AR
dc.typeinfo:ar-repo/semantics/tesis de maestríaes_AR
thesis.degree.nameMaster in Management + Analytics
dc.subject.keywordMachine Learninges_AR
dc.subject.keywordxgboostes_AR
dc.subject.keywordRandom Forestes_AR
dc.subject.keywordSistemas de autorizaciones de transaccioneses_AR
dc.subject.keywordExperiencia de Usuarioes_AR
dc.type.versioninfo:eu-repo/semantics/acceptedVersiones_AR


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record