Detección de fraude en retail con Machine Learning

¿Cómo pasar de miles de transacciones a un conjunto manejable de casos que realmente vale la pena investigar?

Detección de fraude en retail con Machine Learning presenta un enfoque práctico y metodológico para aplicar análisis de datos, estadística y Machine Learning a la identificación y priorización de posibles fraudes y comportamientos anómalos en operaciones reales.

El libro recorre el proceso completo: desde SQL, preparación de datos y construcción de variables hasta análisis exploratorio, PCA, detección de anomalías, Nearest Neighbors y modelos supervisados como Random Forest y XGBoost. También aborda desbalance de clases, precision, recall, F1-score, threshold tuning y estrategias de ensamblado.

A través de ejemplos vinculados al retail y a datos transaccionales, muestra cómo convertir información operacional en señales que permitan focalizar investigaciones y apoyar la toma de decisiones.

Incluye figuras, visualizaciones y códigos de apoyo en Python con un propósito metodológico y pedagógico, pensados para facilitar la comprensión y adaptación de las técnicas a distintas realidades organizacionales.

Está dirigido a profesionales y estudiantes de análisis de datos, Business Intelligence, auditoría, control interno, prevención de pérdidas, gestión de riesgos, fraude y ciencia de datos.

Aunque los ejemplos se concentran principalmente en retail, las metodologías desarrolladas pueden adaptarse a múltiples industrias y escenarios de detección de fraude.