Detección de fraude interno en colocaciones financieras mediante la Ley de Benford y análisis de redes transaccionales

Abstract

RESUMEN : El presente proyecto tiene como objetivo identificar patrones y relaciones que podrían estar asociados a fraudes internos en colocaciones financieras, utilizando herramientas como la Ley de Benford, análisis de grafos y el algoritmo PageRank. Los datos analizados incluyen información sobre colocaciones de crédito, relaciones familiares de empleados y transacciones financieras de primer y segundo grado, obtenidos de bases históricas de una entidad financiera. La metodología inició con la aplicación de la Ley de Benford, que permitió identificar anomalías significativas en los montos de crédito, destacando subconjuntos de datos para análisis posterior. Este enfoque reveló que ciertos montos se desviaban notablemente de la distribución esperada, vinculándose principalmente a sucursales con más del 40% de clientes en categorías de alto riesgo. A partir de estas anomalías, se construyeron grafos transaccionales para modelar las relaciones entre empleados, clientes y relacionados, aplicando el algoritmo PageRank para identificar nodos con alta centralidad. Los resultados mostraron que los nodos con mayor importancia en la red correspondían a entidades con alta concentración de transacciones entrantes, el 79% de las cuales provenían de jurisdicciones de alto riesgo. Además, se detectaron patrones de flujo irregular, incluyendo triangulación y picos transaccionales significativos, lo que refuerza la sospecha de actividades anómalas. Como producto de esta metodología, se generaron alertas con una cobertura del 70% sobre la red total, las cuales fueron enviadas al equipo de Investigaciones de Fraude y Lavado de Activos para revisión y validación. Estos hallazgos demuestran la eficacia de combinar herramientas computacionales y enfoques analíticos para la detección de riesgos financieros.

ABSTRACT : The present project aims to identify patterns and relationships potentially associated with internal fraud in financial placements, using tools such as Benford's Law, graph analysis, and the PageRank algorithm. The analyzed data includes information on credit placements, employees' family relationships, and financial transactions of the first and second degree, obtained from the historical databases of a financial entity. The methodology began with the application of Benford's Law, which identified significant anomalies in credit amounts, highlighting subsets of data for further analysis. This approach revealed that certain amounts deviated significantly from the expected distribution, primarily linked to branches where over 40% of customers were in high-risk categories. Based on these anomalies, transactional graphs were constructed to model the relationships between employees, customers, and their connections, applying the PageRank algorithm to identify nodes with high centrality. The results showed that the most important nodes in the network corresponded to entities with a high concentration of incoming transactions, 79% of which originated from high-risk jurisdictions. Additionally, irregular flow patterns were detected, including triangulation and significant transactional peaks, reinforcing suspicions of anomalous activities. As an outcome of this methodology, alerts covering 70% of the total network were generated and forwarded to the Fraud and Money Laundering Investigation Team for review and validation. These findings demonstrate the effectiveness of combining computational tools and analytical approaches for detecting financial risks.