Análisis de anomalías en notas débito y crédito utilizando técnicas de aprendizaje automático no supervisado

Abstract

RESUMEN : Este estudio desarrolla un modelo basado en aprendizaje no supervisado para detectar transacciones inusuales de ventas (Notas crédito y débito) de una empresa del sector servicios. Se utilizan métodos de reducción de dimensionalidad y UMAP para el análisis y visualización de patrones en los datos transformados. Para la identificación de anomalías, se implementaron técnicas de clustering, lo cual permite agrupar los datos y destacar comportamientos anómalos que requieren un control detallado por parte del equipo auditor de la compañía. Los resultados sustentan un modelo que, a partir de métricas como Cruces Cero y Cruces Neteo, permite identificar patrones de inestabilidad o comportamientos sospechosos; además, el análisis de estadísticas de transacciones, como la media, la desviación estándar y los valores extremos, facilita la detección de outliers, garantizando un monitoreo exhaustivo, continuo y de calidad que contribuye al cumplimiento de la normatividad financiera nacional e internacional, mejorando la gestión de riesgos de la compañía y fortaleciendo la confianza en las muestras revisadas por la auditoría.