MODELOS DE ANÁLISIS Y DETECCIÓN

Modelo 1: Modelo

modelos de Comportamientoanálisis y detección

modelos base

modelo de comportamiento del Usuario

usuario

PerfilEste modelo crea un perfil único y personalizado para cada usuario, basado en su forma habitual de interactuar con el dispositivo. Al conocer sus patrones normales de uso, el sistema puede detectar cualquier comportamiento inusual que capturapodría losindicar patronesque otra persona está accediendo al sistema sin autorización.

modelos generales de comportamiento habituales de cada usuario individual, permitiendo detectar desviaciones que podrían indicar un acceso no autorizado.

Modelo 2: Modelos Generales de Comportamiento

Comportamiento Fraudulento Comportamiento Legítimo

ModelosContamos con modelos entrenados con millones de interacciones parareales distinguirque patronesayudan a diferenciar entre comportamientos típicos de usuarios legítimos versusy fraudulentos.

aquellos

Modeloque 3:son Modeloscaracterísticos de Comportamientoacciones parafraudulentas. DefraudadoresEsto Identificados

permite

Baseidentificar decomportamientos datossospechosos, dinámicaincluso quesi mantienenunca perfilesantes se habían visto en el sistema.

modelos de comportamiento depara defraudadores identificados

A través del análisis histórico, se han identificado patrones comunes en personas que previamente identificados,han permitiendointentado detecciónrealizar proactivafraudes. Estos modelos almacenan y actualizan de intentosforma recurrentes.continua esta información, lo que permite detectar cuando un intento de acceso o transacción se asemeja al comportamiento de estos defraudadores conocidos.

Modelos

modelos Adicionales

adicionales

• Detección de Malware:malware: IdentificaciónPermite deidentificar comportamientos anómalosque indicativospodrían deestar malwaresiendo generados por software malicioso instalado en el dispositivo.

• Detección de Bots:bots: DiferenciaciónDiferencia entre usuariosun humanoshumano y automatizadosun sistema automático, lo que es clave para prevenir fraudes automatizados.

• Análisis de Riesgoriesgo por Actividad:actividad: EvaluaciónEvalúa contextual delel riesgo segúnde una acción específica (como una transferencia o un inicio de sesión) considerando el tipocontexto deen operaciónel que se realiza.

• Análisis de Conexiones:conexiones: DetecciónAnaliza las relaciones entre usuarios, dispositivos y redes para detectar patrones organizados de redes de fraude mediante análisis relaciona

 fraude.

MODELOS DE ANÁLISIS Y DETECCIÓN

Modelos Base

Modelo 1: Modelo de Comportamiento del Usuario

Perfil único y personalizado que captura los patrones de comportamiento habituales de cada usuario individual, permitiendo detectar desviaciones que podrían indicar un acceso no autorizado.

Modelo 2: Modelos Generales de Comportamiento

Comportamiento Fraudulento Comportamiento Legítimo

Modelos entrenados con millones

sistema de interaccionespuntuación para distinguir patrones típicos de usuarios legítimos versus fraudulentos.

Modelo 3: Modelos de Comportamiento para Defraudadores Identificados

Base de datos dinámica que mantiene perfiles de comportamiento de defraudadores previamente identificados, permitiendo detección proactiva de intentos recurrentes.

Modelos Adicionales

Detección de Malware: Identificación de comportamientos anómalos indicativos de malware Detección de Bots: Diferenciación entre usuarios humanos y automatizados Análisis de Riesgo por Actividad: Evaluación contextual del riesgo según el tipo de operación Análisis de Conexiones: Detección de redes de fraude mediante análisis relacional

---

4. SISTEMA DE PUNTUACIÓN UNIFICADAunificada (SCOREscore INTEGRADO)integrado)

UnaToda la información recolectada se analiza con inteligencia artificial analizapara toda la información generada por los diferentes modelos y calculagenerar un scorepuntaje unificadoo que representa el nivel"score" de riesgo deque fraude en una escalava de 0 a 1000. Este score indica la probabilidad de que una acción sea fraudulenta. A mayor puntuación, mayor es el riesgo.

Componentescomponentes del Scorescore

• 35%

  -corresponde Modeloal modelo de comportamiento del usuariousuario.

• 30%

  -se Modelosbasa en los modelos generales de comportamientocomportamiento.

• 25%

  -se Modelosrelaciona con los modelos de defraudadores identificadosidentificados.

• 10%

  -proviene Modelosde adicionaleslos modelos adicionales.

Rangosrangos de Riesgoriesgo

Rango	Nivel de Riesgoriesgo	Color
0-0 - 200	Muy Bajobajo	🟢 Verde
201-201 - 400	Bajo	🟡 Verde claro
401-401 - 600	Medio	🟡 Amarillo
601-601 - 800	Alto	🟠 Naranja
801-801 - 1000	Muy Altoalto	🔴 Rojo

---

visualizaciones

5.y VISUALIZACIONESanálisis Y ANÁLISIS GRÁFICOgráfico

Gráfica 1: Distribución de Scores

Tipo: Histograma

Descripción: Muestra la distribución de puntuacionesscores

Esta gráfica muestra cuáles son los puntajes de riesgo enmás lacomunes población,entre permitiendolos identificarusuarios. umbralesAyuda óptimosa definir límites adecuados para tomar decisiones seguras sin afectar a usuarios legítimos.

análisis relacional de decisión.fraude

Métricas:

Un

Frecuencia por rangografo de scorered Percentilespermite dever riesgocómo Desviaciónse estándarconectan diferentes

Gráficausuarios, 2: Análisis Relacional de Fraude

Tipo: Grafo de Red

Descripción: Visualización de conexiones entre dispositivos, usuariosdispositivos y sesionessesiones. queEsto permite identificar posibles redes de fraude organizadas.

donde

Elementos:

varias

personas Nodos: Dispositivos, usuarios, IPs Aristas: Conexiones compartidas Colores: Nivelactúan de riesgoforma coordinada.

Gráfica 3: Indicadoresindicadores de Comportamientocomportamiento

Tipo:Estos Gráficosgráficos comparan el comportamiento de Dispersión

Descripción: Comparación visual entre comportamientos fraudulentos yusuarios legítimos con el de defraudadores en diferentesdimensiones dimensiones.

como

Dimensiones:

velocidad

de Tamañoescritura, tamaño de huella dactilaro Velocidad de tipeo Movimientos del dispositivo Pausaspausas durante la actividad actividad.

Gráfica 4: Dashboarddashboard de Monitoreomonitoreo en Tiempotiempo Realreal

Tipo:Es Dashboardun Interactivo

Descripción: Panelpanel de control que muestrapermite métricasver información clave como la cantidad de transacciones por minuto, alertas activas o ubicaciones sospechosas en tiempo real para la supervisión continua del sistema.real.

Widgets:

análisis

Transacciones por minuto Tasatemporal de detección de fraude Alertas activas Mapa de calor geográfico

Gráfica 5: Análisis Temporal de Patronespatrones

Tipo:Esta Seriesherramienta demuestra Tiempo

cómo

Descripción:evolucionan Evolución delos patrones de fraude acon el tiempo, lo largoque delayuda tiempo,a permitiendoprever identificarfuturas tendenciasamenazas.

casos de uso y estacionalidad.ejemplos de

6. CASOS DE USO Y EJEMPLOS DE DETECCIÓNdetección

Casoteléfono 1: Detección de Teléfono Robadorobado

IndicadoresCuando principales:

se

detectan Cambiocambios derepentinos como una nueva red Wi-Fi habitual NuevaFi, dirección IP SIMdesconocida noo detectada Nueva ubicación geográfica Cambio en patronesfalta de usola SIM habitual, el sistema puede inferir que el teléfono fue robado.

Caso 2: Detecciónestafas de Estafastransferencia

Indicadores como la aparición de Transferenciaun

Indicadoresnuevo principales:

beneficiario,

movimientos Limpieza de cuenta destino Múltiples cambios de posicióninusuales del teléfonodispositivo Nuevoo beneficiariouna Llamadallamada activa durante el login Usuarioinicio de edadsesión avanzadapueden alertar sobre una posible estafa.

Casoevaluación 3: Evaluación Generalgeneral de Comportamientocomportamiento

Patrones diferenciadores entre fraudulento y legítimo:

Patrón de Interaccióninteracción	Fraudulento	Usuario Normallegítimo
Alternar entre aplicaciones	Múltiples veces	Nunca
Ingreso de SSN/ID	Pegar/Pegar / Tipeo alternado	Tipeo manual normal
Navegación de formularioformularios	Teclado	Mouse

---

análisis

7.relacional ANÁLISIS RELACIONAL AVANZADOavanzado

Identificaciónidentificación de Vínculosvínculos

El sistema identifica vínculosrelaciones entre elementosusuarios, aparentementedispositivos, aislados:redes y comportamientos que podrían parecer aislados, pero que juntos revelan patrones sospechosos.

detección de estructuras de fraude organizadas

Cuando varios usuarios comparten una red Wi-Fi, proveedor de internet o patrones comunes, el sistema puede reconocer que forman parte de una red organizada de fraude.

aplicación de grafos de conexión

Se representan visualmente relaciones como:

• Dispositivos

  Usuarios diferentes conectados a la misma red Wi-Fi

• Usuarios

  Un mismo comportamiento en diferentes dispositivos

• Redes Wi-Fi

Ubicaciones

Dispositivos Bluetoothcompartidos cercanos

entre Comportamientosdiferentes ubicaciones

Detecciónalertas inteligentes

Se generan alertas automáticas cuando el sistema detecta patrones sospechosos que podrían pasar desapercibidos si se observaran de Estructurasmanera deindividual.

Fraude

arquitectura Organizadastécnica cloud-native

componentes principales

ComoNuestra gruposplataforma defunciona fraudesobre queinfraestructura comparten:moderna y flexible:

• Ambiente físico

  Backend desplegado en Kubernetes sobre Azure

• Proveedor de red

Dispositivos previamente comprometidos

Aplicación de Grafos de Conexión

ParaAlmacenamiento visualizarseguro relaciones entre:

Mismo Wi-Fi → distintos usuarios Mismo patrón de comportamiento → distintos dispositivos Mismos dispositivos BT → diferentes ubicaciones Mismo ISP o red celular → diferentes cuentas

Alertas sobre Patrones Sospechosos

El sistema genera alertas sobre patrones que no serían detectables observando cada sesión de forma aislada.

---

8. ARQUITECTURA TÉCNICA CLOUD-NATIVE

Componentes Principales

Backend: Kubernetes en Azure Storage:con Azure Blob Storage

Base de Datos:datos NoSQL con MongoDB

Procesamiento:

Procesamiento de datos con Apache Spark

Machine Learning:

Modelos TensorFlow/de IA con TensorFlow y PyTorch

Integración de servicios mediante API Gateway:Gateway Kong

Monitoreo:

Monitoreo activo con Prometheus +y Grafana

Flujoflujo de Procesamientoprocesamiento

• Ingesta de

  Se Datos:recolecta Recoleccióninformación en tiempo real desde múltiplesel fuentesdispositivo del usuario.

• Procesamiento: Análisis

  Los mediantedatos se procesan con modelos de MLinteligencia artificial.

• Agregación: Combinación

  Se decombinan los resultados de múltipleslos distintos modelos para calcular un score.

• Scoring: Cálculo

  El delsistema scoreresponde unificado

en Respuesta:menos Decisiónde 100 milisegundos para permitir decisiones en tiempo realreal. (< 100ms)

---

9.mejores MEJORESprácticas PRÁCTICASy Y RECOMENDACIONESrecomendaciones

Parapara Empresasempresas

• Implementar

  Utilizar autenticación multifactor adaptativa basada en el score de riesgoriesgo.

• Configurar

  Ajustar los umbrales de decisión según ella perfil de riesgosensibilidad del negocionegocio.

• Realizar revisiones

  Revisar periódicas deperiódicamente los patrones dedetectados fraudepara detectadosafinar el sistema.

• Mantener actualizados

  Retroalimentar los modelos con retroalimentaciónlos continuaresultados obtenidos para que aprendan y evolucionen.

Parapara lalograr Detecciónuna Efectivadetección efectiva

• Monitorear cambios súbitos en patrones de comportamiento

Prestar especial atención a cambios repentinos en el comportamiento del usuario.

Validar cuidadosamente nuevos dispositivos o ubicacionesubicaciones.

Correlacionar múltiplesvarios indicadores antes de tomarbloquear decisionesuna sesión.

Mantener un balanceequilibrio entre seguridad y experiencia del usuariousuario.