Predicción de postulantes que cometerán fraude interno en una compañía con algoritmos de aprendizaje supervisado

  • Sergio Espinoza-Montalvo Universidad de Lima (Perú)
DOI: https://doi.org/10.26439/interfases2019.n012.4637
Palabras clave: Aprendizaje supervisado, predicción de fraude, trastorno antisocial, fraude interno

Resumen

El fraude interno es un gran problema para las empresas, ocasionando pérdidas monetarias importantes. Diversas investigaciones han propuesto mejoras al proceso de selección de personal utilizando minería de datos. El pre­sente trabajo propone utilizar la información histórica de postulantes a una empresa para predecir si cometerán fraude durante su estadía. Existen modelos con un nivel de precisión alto, pero que tienen un error de clasificación mayor para encontrar los casos de fraude. Después de diversas experimentaciones, se identifican alrededor de 7 características de este universo que aportan más al modelo. Algunas de estas variables coinciden con variables mencionadas en la literatura encontrada sobre trastornos antisociales. El algoritmo con mejores resultados es una red neuronal convolucional con 80 % de precisión. Se concluye que hay valor en la información de postulantes para determinar si cometerán fraude interno durante su estadía en la empresa.

 

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Sergio Espinoza-Montalvo, Universidad de Lima (Perú)

Egresado de la Carrera de Ingeniería de Sistemas de la Universidad de Lima. Ha trabajado en Cementos Pacasmayo en el área de Inteligencia Comercial y actualmente labora en el área Digital de RIMAC Seguros. Sus áreas de interés son la inteligencia artificial y el análisis predictivo.

Citas

American Psychiatric Association (APA). (2013). Diagnostic and Statistical Manual of Mental Disorders. (5th ed.). American Psychiatric Publishing.

Aquino K., y Douglas, S. (2003). Identity threat and antisocial behavior in organizations: The moderating effects of individual differences, aggressive modeling, and hierarchical status. Organizational Behavior and Human Decision Processes, 90(1), pp. 195-208; doi: 10.1016/s0749-5978(02)00517-4

Bhattacharyya, S., Jha, S., Tharakunnel, K., y Westland, J. C. (2011). Data mining for credit card fraud: A comparative study. Decision Support Systems, 50(3), pp. 602-613. doi:10.1016/j.dss.2010.08.008

Chang, H. Y. (2009). Employee turnover: a novel prediction solution with effective feature selection. WSEAS Internation Conference on Computer Engineering and Applications, 3(6), pp. 417-426.

EY. (s. f.). Construyendo un ambiente ético. Estudio sobre el riesgo de fraude en el Perú. Recuperado de http://www.ey.com/pe/es/services/assurance/fraud-investigation---dispute-services/construyendo-un-ambiente-etico-estudio-sobre-el-riesgo-de-fraude-en-el-peru

Horesh, R., Varshney, K. R., y Yi, J. (2016). Information retrieval, fusion, completion, and clus¬tering for employee expertise estimation. IEEE International Conference on Big Data.

Jantan, H., Hamdan, A. R., y Othman, A. (2011). Towards applying data mining techniques for talent management. 2009 International Conference on Computer Engineering and Applications, IPCSIT, 2, pp. 476-481. Singapore: IACSIT.

Kroll, K. (2012). Keeping the company safe: Preventing and detecting fraud. Financial Execu¬tive, 28(7), pp. 20-23.

Le Corff, Y., y Toupin, J. (2014). Overt versus covert conduct disorder symptoms and the prospective prediction of antisocial personality disorders. Journal of Personality Disorders, 28(6), pp. 864-872. doi:10.1521/pedi_2012_26_074

Rashid, T. A., y Asia, L. J. (2016). Improvement on predicting employee behaviour through intelligent techniques. IET Networks, 5(5), pp. 136-142. doi:10.1049/iet-net.2015.0106

Smith, A. D. (2005). Accountability in EDI systems to prevent employee fraud. Information Systems Management, 22(2), pp. 30-38.

Publicado
2019-12-09
Cómo citar
Espinoza-Montalvo, S. (2019). Predicción de postulantes que cometerán fraude interno en una compañía con algoritmos de aprendizaje supervisado. Interfases, 12(012), 49-60. https://doi.org/10.26439/interfases2019.n012.4637
Número
Núm. 012 (2019)
Sección
Artículos de investigación

Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:

Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.

Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.

Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado (vea The Effect of Open Access).

Última actualización: 03/05/21