Detección de Fraudes en Empresas de Servicios Públicos Domiciliarios utilizando ciencia de datos y análisis geoespaciales

Uno de los grandes retos de cualquier empresa de distribución y comercialización de servicios públicos domiciliarios en el mundo es el control de perdidas, estas tienen diversas causas que suelen clasificarse como técnicas (propias de la operación del negocio y que se deben tener controladas) y no t...

Full description

Autores:
Pachón Rodríguez, Willian Antonio
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2023
Institución:
Universidad Distrital Francisco José de Caldas
Repositorio:
RIUD: repositorio U. Distrital
Idioma:
OAI Identifier:
oai:repository.udistrital.edu.co:11349/41616
Acceso en línea:
http://hdl.handle.net/11349/41616
Palabra clave:
Analisis de Datos
Analisis Geoespacial
Ciencias de la Información
Detección de Fraudes
Pérdidas No Técnicas
Servicios Públicos
Data Analysis
Geoespatial Analysis
Information Sciences
Fraud Detection
Non Technical losses
Utilities
Rights
License
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Description
Summary:Uno de los grandes retos de cualquier empresa de distribución y comercialización de servicios públicos domiciliarios en el mundo es el control de perdidas, estas tienen diversas causas que suelen clasificarse como técnicas (propias de la operación del negocio y que se deben tener controladas) y no técnicas (asociadas a fraudes), afectando en mayor o menor grado temas como; inversiones para la expansión y mantenimiento de las redes, la rentabilidad de los accionistas e incluso la continuidad del servicio. Esta investigación propone una metodología para la detección de fraudes, clasificados como perdidas NO técnicas común a cualquier empresa de servicios públicos domiciliarios, basada en analítica de datos sobre información propia del negocio enriquecida con datos de terceros a través de análisis geoespaciales a partir de su ubicación geográfica y una segmentación por mercados, que permiten encontrar patrones sobre situaciones anómalas a través de modelos de machine learning supervisado y no supervisado. La metodología se implementó en una empresa de distribución de gas natural en Colombia y se contrasto contra metodologías propuestas por otros autores para empresas de distribución de energía eléctrica de otros países, que consideran que el problema debe ser abordado a partir de análisis de históricos de consumo y sus desviaciones. Los resultados obtenidos con la metodología propuesta mejoran la precisión y sensibilidad de los modelos en más del 20% y disminuyen los falsos negativos en el mismo porcentaje, facilitando la verificación y normalización de clientes en situaciones anómalas y/o fraudulentas.