See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/340654299

Uso de técnicas de minería de datos y aprendizaje automático para la detección

de fraudes en estados financieros: un mapeo sistemático de literatura

Conference Paper · April 2020

CITATIONS READS

0 140

4 authors, including:

Alex Ramírez Alexandra Martinez

University of Costa Rica University of Costa Rica
1 PUBLICATION   0 CITATIONS    44 PUBLICATIONS   78 CITATIONS   

SEE PROFILE SEE PROFILE

Christian Quesada-López
University of Costa Rica
45 PUBLICATIONS   104 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

BIODQ - Data quality in biological databases View project

All content following this page was uploaded by Alex Ramírez on 15 April 2020.

The user has requested enhancement of the downloaded file.

Revista Ibérica de Sistemas e Tecnologias de Informação Recebido/Submission: 20/11/2019
Iberian Journal of Information Systems and Technologies Aceitação/Acceptance: 27/02/2020

Uso de técnicas de minería de datos y aprendizaje

automático para la detección de fraudes en estados
financieros: un mapeo sistemático de literatura

Alex Ramírez-Alpízar, Marcelo Jenkins, Alexandra Martínez, Christian Quesada-López

[email protected], [email protected], [email protected], cristian.

[email protected]

Universidad de Costa Rica, San Pedro, Costa Rica.

Pages: 97–109

Resumen: La detección de fraudes en estados financieros es una tarea constante

y laboriosa en el área de la auditoría. Tradicionalmente, esta tarea ha sido
realizada por expertos, limitando su alcance por restricciones en la capacidad de
procesamiento manual. En los últimos años se ha incrementado el uso de técnicas
de minería de datos y de aprendizaje automático para revisar de forma exhaustiva
y automatizada los estados financieros de las organizaciones. El objetivo de esta
investigación fue analizar técnicas de minería de datos y de aprendizaje automático
utilizadas en la detección de fraudes financieros, con el fin de caracterizar los
algoritmos reportados y las métricas usadas para evaluar su efectividad. Para ello se
realizó un mapeo sistemático de literatura que identificó 67 artículos. Los resultados
indican que desde el 2015 hubo un repunte en la cantidad de investigaciones que
utilizan estas técnicas para la detección de fraude en estados financieros, donde las
máquinas de soporte vectorial son la técnica más utilizada, con 19 estudios, seguida
por las redes neuronales artificiales, con 15 reportes, y los árboles de decisión, con
11 reportes. La efectividad fue evaluada a partir del grado de exactitud con que las
técnicas implementadas detectaban casos reales de fraude, obteniendo resultados
de entre 70% y 99.9%.
Palabras-clave: Detección de fraude; aprendizaje automático; minería de datos;
estados financieros, auditoría.

Use of data mining and machine learning techniques for fraud

detection in financial statements: a systematic mapping study

Abstract: Fraud detection in financial statements is a constant and laborious task

in the audit area. Traditionally, this task has been performed by experts, limiting
its scope due to restrictions in manual processing capacity. In recent years, there
has been an increase in the use of data mining and machine learning techniques
to review in a comprehensive and automated way the organizations’ financial
statements. The objective of this study was to analyze data mining and machine
learning techniques used in financial fraud detection, in order to characterize the

RISTI, N.º E28, 04/2020 97

Uso de técnicas de minería de datos y aprendizaje automático para la detección de fraudes en estados financieros

reported algorithms and the metrics used to evaluate their effectiveness. For this,
a systematic mapping study of 67 studies was carried out. Our results show that
since 2015 there was an upturn in the amount of studies that use these techniques
for fraud detection in financial statements, where vector support machines are the
most used technique, with 19 studies, followed by artificial neural networks, with
15 studies, and decision trees, with 11 studies. Effectiveness was assessed by the
degree of precision with which the implemented techniques detected real fraud
cases, obtaining values between 70% and 99.9%.
Keywords: Fraud detection; machine learning; data mining; financial statements;
audit.

1. Introducción
La detección de fraudes en estados financieros es una tarea recurrente y una necesidad,
tanto para organizaciones públicas como para empresas privadas. Las técnicas
convencionales de auditoría financiera se utilizan como un medio para determinar la
salud financiera y las perspectivas a futuro de la organización (Ngai y cols., 2011).
La revisión de estados financieros es vital para prevenir las consecuencias generalmente
devastadoras de los fraudes. Esto implica distinguir datos fraudulentos de datos
auténticos, revelando así actividades o comportamientos anómalos, con la finalidad
de permitir a los tomadores de decisiones desarrollar, tan pronto como sea posible,
estrategias que disminuyan el impacto del fraude (Ngai y cols., 2011).
No obstante, la capacidad de procesamiento de expertos humanos es limitada, y la
cantidad de información generada cada vez es mayor, por lo que se hace necesario
recurrir a la tecnología para procesar grandes volúmenes de datos, de manera que se
puedan detectar patrones que posiblemente resultarían imperceptibles para un ser
humano (Shalev-Shwartz,2014).
La presente investigación tiene por objetivo analizar las técnicas de minería de datos y
aprendizaje automático, con respecto a sus algoritmos y su efectividad, en el contexto
de detección de fraudes en estados financieros. Se realizó un mapeo sistemático de
literatura para identificar la evidencia existente sobre la aplicación de estas técnicas
y su efectividad obtenida. Para llevar a cabo el estudio se establecieron las siguientes
preguntas de investigación:
RQ1. ¿Qué técnicas de minería de datos y de aprendizaje automático se han utilizado en
la detección de fraudes en estados financieros?
RQ2. ¿Cómo ha sido evaluada la efectividad de las técnicas de minería de datos y de
aprendizaje automático utilizadas en la detección de fraudes en estados financieros?
Este resto del artículo está estructurado de la siguiente manera: en la sección 2 se
presenta el marco teórico, la sección 3 describe trabajos relacionados, la sección 4
explica la metodología utilizada, la sección 5 muestra los resultados obtenidos, la sección
6 discuten dichos resultados y, la sección 7 presenta las conclusiones.

98 RISTI, N.º E28, 04/2020

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

2. Marco teórico
Los fraudes financieros se han clasificado comúnmente en tres grandes categorías:
fraude bancario, fraude corporativo, y fraude de seguros (West y cols., 2015). Cada una
de estas categorías se subdivide, a su vez, en distintos tipos. Los tipos de fraude bancario
son: fraude con tarjetas de crédito, fraude hipotecario, y lavado de dinero. Los tipos de
fraude corporativo incluyen fraude en estados financieros, y fraude en valores y materias
primas. Finalmente, entre los tipos de fraude de seguros están: el fraude en seguros de
automóviles, y el fraude en seguros de salud (West y cols., 2015).
El concepto “fraude en estados financieros” agrupa una serie de comportamientos en
los cuales los participantes de un mercado financiero hacen declaraciones falsas sobre
la verdadera naturaleza o la salud financiera de una compañía, un fondo o un producto
de inversión (Reurink, 2016). Esta modalidad de fraude es típicamente cometida por
una de estas razones: para encubrir una mala aplicación de fondos, para inducir a los
inversores en un error, o para engañar a los reguladores sobre la rentabilidad de la
organización (Reurink, 2016).
De acuerdo con la Association of Certified Fraud Examiners (2018), el fraude en estados
financieros, si bien es el menos común, es también el más costoso para las organizaciones:
en 2018, de un total de 2690 casos de fraude financiero en 125 países, representó el 10%
de los casos, y una pérdida promedio por caso de 80,0000 dólares, mientras que la
apropiación indebida de activos representó el 89% de los casos y una pérdida promedio
de 114,000 dólares.
El concepto “aprendizaje automático” se refiere a la detección automática de patrones
significativos en los datos, y se ha vuelto una herramienta común en casi cualquier
tarea que requiera la extracción de información a partir de grandes volúmenes de
datos (Shalev-Shwartz, 2014). Los algoritmos de aprendizaje automático han resultado
exitosos en una amplia gama de tareas y dominios, incluyendo la visión por computadora,
el reconocimiento de voz, la clasificación documental, la conducción automática y el
soporte en la toma de decisiones (Blum y cols., 2015). Las aplicaciones de aprendizaje
automático permiten un análisis completo de toda la información disponible (en lugar
de solo muestras), así como la detección de patrones que pueden resultar imperceptibles
para el humano (Shalev-Shwartz, 2014).
Existen diversas técnicas de minería y aprendizaje, entre las cuales están: regresión
(regresión lineal simple, regresión lineal múltiple, regresión polinomial), clasificación
(K vecinos más cercanos KNN, máquinas de soporte vectorial SVM, Kernel SVM, Naïve
Bayes, árboles de decisión DT-, árboles aleatorios -RF-), agrupamiento (K-means,
agrupamiento jerárquico), reducción de la dimensionalidad (análisis de componentes
principales PCA, análisis de discriminante lineal LDA, Kernel PCA), redes neuronales
(redes neuronales artificiales ANN, redes neuronales convolucionales), aprendizaje
profundo (deep learning) y aprendizaje por refuerzo (Shalev-Shwartz, 2014; Blum y
cols., 2015.), entre otras.GG

RISTI, N.º E28, 04/2020 99

Uso de técnicas de minería de datos y aprendizaje automático para la detección de fraudes en estados financieros

Además de conocer las técnicas usadas para la detección de fraudes en estados

financieros, la presente investigación se avocó a determinar las métricas con las que
se evalúa la efectividad de dichas técnicas, desde la perspectiva de su eficiencia y
eficacia. La eficiencia de un algoritmo suele medirse en términos de su rendimiento o
comportamiento, lo cual se centra principalmente en su simplicidad y el uso óptimo
de los recursos. Esto último suele evaluarse con base en dos parámetros: el espacio, es
decir, la memoria que utiliza, y el tiempo, que corresponde a lo que tarda el algoritmo en
ejecutarse. Esos parámetros permiten comparar algoritmos entre sí, para determinar el
más adecuado entre varios que solucionan un mismo problema (Guerequeta y Vallecillo,
2000). La eficacia determina qué tan cercana es la respuesta que da un algoritmo a la
respuesta correcta u óptima (Shalev-Shwartz, 2014).

3. Trabajo relacionado
En esta sección se presentan estudios secundarios que realizan investigaciones sobre
las técnicas de minería de datos y aprendizaje automático para la detección de fraudes
financieros. Albashrawi (2016) llevó a cabo una revisión de literatura entre 2004 y 2015
sobre técnicas de minería de datos para la detección de fraudes financieros. Encontró
que la regresión logística, DT, SVM, ANN y las redes bayesianas han sido ampliamente
utilizados, aunque no siempre están asociados a los mejores resultados. Analizó 65
artículos relevantes y abarcó diversas formas de fraude financiero, por ejemplo, con
tarjetas de crédito, con seguros de automóviles y de salud; en lo concerniente a fraudes
en estados financieros, obtuvo 21 artículos. En términos de detección de fraudes en
general -no solo de estados financieros-, encontró que el algoritmo más utilizado fue la
regresión logística, con 13%, seguido por ANN y DT, con 11% cada uno, y SVM, con 9%.
Duhart y Hernández (2016) hicieron una revisión de literatura de los principales
indicadores y algoritmos de minería de datos utilizados para la detección de fraudes.
Entre los algoritmos referidos están SVM, ANN, las redes neuronales probabilísticas
y K-vecinos más cercanos. Los autores compararon la exactitud de las clasificaciones
obtenidas por los algoritmos. Las redes bayesianas ocuparon el primer lugar, con 90.3%,
seguidas por ANN, con 80%, y DT, con 73.6%.
Ngai y cols. (2011) realizaron una revisión de literatura sobre la aplicación de técnicas de
minería de datos para la detección de fraudes financieros, de 1997 a 2008. Analizaron 49
artículos y crearon una clasificación de tipos de fraude. El fraude en estados financieros
fue clasificado dentro de la categoría “Otros fraudes financieros relacionados”, junto con
los fraudes de mercadeo masivo.
Como aporte, la presente investigación se centra específicamente en el análisis de las
técnicas para la detección de fraudes en estados financieros, y se analizan un total de 67
artículos del 2007 a 2019. Adicionalmente, se indaga sobre las métricas con las que se
mide la efectividad de los algoritmos y sus resultados.

4. Metodología
En esta sección se describen brevemente los pasos del proceso de mapeo realizado,
de acuerdo con los lineamientos de Petersen y cols. (2015) y las recomendaciones de

100 RISTI, N.º E28, 04/2020

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

Kitchenham (2007). El objetivo del estudio, formulado con el modelo GQM (Basili y
cols., 1994), fue analizar técnicas de minería de datos y aprendizaje automático, con el
propósito de caracterizarlas con respecto a sus algoritmos, su eficiencia y efectividad,
desde el punto de vista de los investigadores, en el contexto de detección de fraudes en
estados financieros.

4.1. Estrategia de búsqueda y proceso de selección de estudios

Se realizó una búsqueda exploratoria para identificar estudios relevantes, los cuales
fueron usados como artículos de control, es decir, estudios base para guiar el proceso de
búsqueda. Estos estudios fueron: Affifah y cols. (2017), Li y Wong (2015), Seemakurthi y
cols. (2015), y Yao y cols. (2018). Esta búsqueda se basó en el objetivo y las preguntas de
investigación del estudio. La cadena de búsqueda se construyó a partir de la extracción de
términos clave del título y del resumen del conjunto de artículos de control, y el criterio
de los investigadores. Se usó el modelo PICO (Población, Intervención, Comparación,
Salidas) (Pai y cols., 2004) para la construcción de la cadena de búsqueda, dando como
resultado la siguiente cadena:
(“data mining” OR “machine learning” OR “data analysis”) AND
(“financial” AND “fraud*” AND “detection”)
La cadena fue producto de un proceso de refinamiento que incluyó varias pruebas piloto
para reducir el ruido. Las búsquedas automatizadas se realizaron en las bases de datos
SCOPUS, IEEE Xplore, y Web of Science. El protocolo base del mapeo fue desarrollado
durante el primer semestre del 2019. La búsqueda automatizada se realizó en mayo de
2019 y los estudios se analizaron entre mayo y agosto de 2019.
El número de estudios recuperado para cada base de datos fue: 240 en Scopus, 147 en
IEEE Xplore y 33 en Web of Science. Los artículos fueron tabulados en MS Excel para los
procesos de selección, evaluación y extracción de datos. Se eliminaron los duplicados, se
aplicaron los criterios de inclusión y exclusión (I/E) y finalmente se hizo la extracción y
el análisis de los resultados. Tras la la eliminación de los artículos duplicados, se obtuvo
un total de 316 entradas diferentes.

Figura 1 – Proceso de selección de los artículos.

RISTI, N.º E28, 04/2020 101

Uso de técnicas de minería de datos y aprendizaje automático para la detección de fraudes en estados financieros

El proceso de I/E se hizo con base en el título y el resumen de los artículos (cuando
hubo duda, se hizo lectura completa del artículo). Se incluyeron solo (I1) artículos
en inglés, (I2) que presentaran la aplicación de técnicas de minería de datos y
de aprendizaje automático en el contexto de la detección de fraudes en estados
financieros. Se excluyeron publicaciones que (E1) no trataran sobre fraude en
estados financieros, (E2) artículos que no son estudios primarios, y (E3) artículos
sobre medicina, criptomonedas, intrusiones o malware. Se identificaron un total de
67 artículos, tal como se muestra en la Figura 1. Existen 6 artículos que no pudieron
ser obtenidos en texto completo y que reportamos a continuación: Young Moon y
Don Kim (2017), Song y Ge (2012), Jan y Hsiao (2018), Rizani y Respati (2018),
Meenatkshi y Sivaranjani (2016) y Xiong y cols. (2012). Estos estudios no fueron
analizados.

4.2. Evaluación de calidad

La evaluación de la calidad refleja el nivel de detalle ofrecido por cada artículo para
los aspectos estudiados. Para la evaluación de la calidad de los estudios primarios
identificados se definieron las siguientes preguntas: ¿El artículo explica claramente una
o varias técnicas de aprendizaje automático o minería de datos?, ¿se explica el proceso
de desarrollo de una herramienta de software?, ¿se utilizan métricas para evaluar la
herramienta? y ¿a qué tipo de estudio corresponde (¿experimento, cuasi-experimento o
caso de estudio, encuesta? La puntuación se realizó con una escala de 0 a 1, donde 0= No
cumple en lo absoluto, 0.5= Cumple parcialmente, 1 = Cumple totalmente. Los valores
de calidad obtenidos variaron entre 0 y 4, con una mediana de 3,5 y un promedio de
2,9, lo que indica que la mayoría de los estudios analizados brindan el detalle requerido
para responder a las preguntas de investigación. El detalle de la evaluación de calidad se
encuentra disponible en http://shorturl.at/dvLPT.

4.3. Amenazas a la validez

A continuación se presentan las amenazas a la validez del estudio, así como las estrategias
para minimizarlas.
Cobertura sujeta a los términos de búsqueda y a los repositorios de búsqueda. La cadena
de búsqueda fue definida a partir de un conjunto de artículos de control, y piloteada en
varias pruebas, para reducir el ruido. Las bases de datos seleccionadas son reconocidas
por tener gran cobertura en el área de la ingeniería de software (SE). Ante dudas sobre
la inclusión de un artículo se realizó la lectura completa. Se excluyó literatura gris y
artículos que no están en inglés. Los estudios secundarios identificados durante el
proceso validan la selección de artículos primarios.
Extracción y clasificación. La extracción se basa en un esquema de clasificación
específico. El proceso de clasificación y extracción fue realizado por el primer autor.
La interpretación de los resultados por parte de los investigadores es una amenaza a la
validez. Los artículos fueron clasificados de acuerdo con lo reportado por los autores
originales y en caso de no ser reportados explícitamente los investigadores de este estudio
intentaron dar una clasificación. Se realizó un proceso sistemático para la clasificación de
los artículos. Se diseñó un formulario de extracción para la recolección de datos que guía

102 RISTI, N.º E28, 04/2020

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

el proceso y podría ser revisado. La aplicación de los criterios de calidad fue realizada
solo por un investigador, lo que representa una amenaza a la validez.
Generalización de los resultados. La generalización de resultados se limita a los estudios
incluidos en el mapeo. Durante todo el proceso, se aplicaron protocolos para ejecutar
estudios secundarios. Se reportó el proceso para facilitar el análisis y replicación.

4.4. Proceso de extracción y análisis

El proceso de extracción y análisis permitió obtener y procesar la información de
interés para cada uno de los estudios relevantes. Para cada artículo se extrajo los datos
para su identificación y la información para responder cada una de las preguntas de
investigación: las técnicas de minería de datos y aprendizaje automático a las que hizo
referencia, en qué contexto, el algoritmo utilizado, las métricas y sus resultados. Se
clasificaron los algoritmos encontrados en 10 categorías, según el tipo de técnica en
la que se basó cada uno, y se desarrollaron distribuciones de frecuencia con el fin de
determinar las tendencias de las técnicas más utilizadas. La clasificación se basó en
las categorías presentadas por Shalev-Shwartz (2014). La extracción se realizó por el
investigador principal en los formularios previamente definidos para este proceso.

5. Análisis de resultados
En esta sección se presentan los resultados del mapeo. El listado completo de estudios
primarios analizados se encuentra disponible en http://shorturl.at/dvLPT. Cada artículo
se identifica con el identificador Sx, donde x corresponde al número del artículo. Los
primeros artículos analizados son de 2007 y desde entonces se identificaron artículos de
interés para cada año, hasta 2019. Como puede observarse en la figura 2, en 2015 y 2016
hubo un repunte en la cantidad de artículos relevantes, ambos con 11 reportes; mientras
que de 2012 y 2013 se obtuvo un solo artículo de interés por cada año.

Figura 2 – Cantidad de artículos por año.

5.1. Técnicas de minería de datos y aprendizaje automático aplicadas en la

detección de fraudes financieros (RQ1)
Se identificaron 8 técnicas generales de minería de datos y aprendizaje automático,
además de híbridos entre 2 técnicas y propuestas de frameworks, de manera que se

RISTI, N.º E28, 04/2020 103

Uso de técnicas de minería de datos y aprendizaje automático para la detección de fraudes en estados financieros

utilizó una clasificación en 10 categorías. Se reportaron 57 algoritmos, los cuales se

clasificaron dentro de cada una de las categorías. En la tabla 1 se muestran los artículos
que reportan cada una de las técnicas.

Técnica Referencia Cantidad

S10, S16, S31, S44, S47, S61, S64, S66, S99, S104, S108, S112, S126,
S130, S131, S133, S153, S161, S162, S163, S175, S176, S184, S188,
Clasificación 38
S193, S215, S217, S220, S221, S224, S230, S235, S239, S265, S282,
S297, S311, S315
Redes S10, S14, S99, S104, S126, S130, S133, S161, S163, S175, S181, S183,
21
Neuronales S217, S220, S235, S240, S265, S292, S296, S302, S311
Regresión S10, S31, S112, S130, S163, S175, S176, S220, S221, S235 10
Agrupamiento S126, S215, S217, S221, S264, S292, S297, S301 8
Probabilísticos S3, S102, S172, S300, S304 5
Propios S18, S247, S257, S263, S271 5
Frameworks S11, S12, S13, S30, S111 5
Heurísticos S126, S155, S168, S187 4
Reducción de
S130, S215, S297 3
dimensionalidad
Híbridos S15, S79, S235 3

Tabla 1 – Técnicas para detección de fraude financiero.

Figura 3 – Técnicas reportadas para la detección de fraudes en estados financieros.

104 RISTI, N.º E28, 04/2020

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

Algunos artículos hacen referencia a más de un algoritmo, ya sean dentro de la misma

categoría o de distintas categorías. En la figura 3 se muestran las categorías y los reportes
por año. La técnica más reportada es la clasificación, utilizada en 95 ocasiones. Este
número representa el producto de cada algoritmo reportado y la cantidad de ocasiones
que utilizado en los artículos analizados.
El año 2017 es el que en más ocasiones se presenta la utilización de algoritmos dentro
de la categoría Clasificación, con un total de 25. Del total de algoritmos distribuidos
entre todas las categorías, el más frecuente fue SVM con 19 reportes, seguido por ANN
con 14 reportes y DT con 11 reportes, el primero y el tercero pertenecientes a la técnica
Clasificación y ANN perteneciente a la técnica Redes Neuronales, tal como se observa
en la figura 4. SVM fue particularmente utilizado en 2016, con 5 referencias; además,
muestra su primer reporte en 2008 y 3 reportes en 2011 y 2018, lo que evidencia que ha
sido una técnica ampliamente usada; mientras que ANN y DT muestran una tendencia
creciente, especialmente de 2015 a 2017 , año en que tuvieron 4 reportes cada una. Se
destaca además que 34 algoritmos se reportan solo una vez, además 5 herramientas
corresponden a propuestas de frameworks y hay 5 desarrollos que no siguen una técnica
en particular (desarrollos propios).

Figura 4 – Algoritmos reportados para la detección de fraudes en estados financieros.

5.2. Evaluación de la efectividad de las técnicas de minería de datos y de

aprendizaje automático utilizadas en la detección de fraudes en estados
financieros (RQ2)
Con respecto a las métricas utilizadas para evaluar la eficacia de las técnicas
implementadas, la métrica llamada accuracy, (exactitud), es la más utilizada. Esta
se define como el número total de predicciones correctas sobre el total de registros
analizados (Seemakurthi y cols., 2015).
En la tabla 2 se muestra el listado de las métricas utilizadas para medir la eficacia de los
algoritmos. Se listaron aquellas reportadas en al menos dos artículos. Puede observarse

RISTI, N.º E28, 04/2020 105

Uso de técnicas de minería de datos y aprendizaje automático para la detección de fraudes en estados financieros

que la exactitud es ampliamente utilizada, seguida por la especificidad y la tasa de

falsos positivos. A pesar de que las tasas de falsos positivos y negativos y de verdaderos
positivos y negativos son necesarias para calcular la exactitud, en algunos artículos solo
se calcularon aisladamente, sin llegar a calcular la exactitud.
Es importante notar que en algunos casos se utilizan métricas con un mismo nombre,
pero con fórmulas distintas: Pradeep y cols. (2015) definen la sensitividad como TP / (TP
+ FN), mientras Minhas y Hussain (2016) la definen simplemente como TP, y Moepya y
cols. (2016) la formulan como TP / (TN + FN).
En cuanto a la medición de la eficiencia se encontraron referencias a 6 métricas
relacionadas con el desempeño computacional de las herramientas: speed, con 2
reportes (S183 y S184), velocity (S10), scalability (S257), computational time (S108),
computational cost (S10) y execution time (S264), con un reporte cada una.
Solamente uno de los estudios analizados reporta claramente una evaluación de
la eficiencia: L. Yao y Wang (L. Yao y Wang, 2015) evaluaron la escalabilidad de un
algoritmo de detección de valores atípicos (outlier detection). Probaron el algoritmo con
4 conjuntos de datos: 1.09 MB, 1.65 MB, 3.25 MB y 5.30 MB, con los cuales se determinó
que la aplicación era escalable, al obtener resultados positivos, sin que el tamaño del
conjunto afectara significativamente el desempeño.

Métrica Referencia Cantidad

S10, S3, S44, S47, S61, S66, S79, S99, S112, S126, S130, S131, S133,
Accuracy S153, S161, S162, S1175, S176, S187, S188, S193, S220, S221, S224, 30
S235, S282, S297, S300
Specificity S66, S108, S126, S130, S168, S176, S188, S193, S221, S282 10
False positive
S15, S61, S79, S133, S162, S220, S221, S282, S296, S302 10
rate
Precision S8, S66, S162, S187, S188, S221, S239, S271, S282 9
Sensitivity S66, S108, S126, S168, S176, S188, S193, S221, S282 9
False negative
S15, S61, S79, S133, S162, S220, S296, S302 8
rate (FN)
Recall S18, S66, S162, S187, S239, S271 6
F-Measure S66, S220, S221, S282, S301 5
F1-Score S161, S162, S239, S271 4
Classes
S181, S230, S247 3
discovered
Motyka distance S215, S297 2
True negative
S155, S220 2
rate (TN)
Dice distance S215, S297 2
Area Under
S126, S161 2
Curve
Error-rate S188, S220 2

106 RISTI, N.º E28, 04/2020

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

Métrica Referencia Cantidad

Squared
Euclidean S215, S297 2
distance
Kappa S176, S193 2
Lorentzian
S215, S297 2
distance
True positive
S155, S220 2
rate (TP)

Tabla 2 – Métricas utilizadas para evaluar la eficacia.

6. Conclusiones
Se realizó un mapeo sistemático de literatura con el que se identificaron las técnicas
de minería de datos y aprendizaje automático utilizadas para la detección de fraudes
en estados financieros. A partir 67 artículos que datan de 2007 a 2019, se extrajeron
los algoritmos reportados y se clasificaron en 10 categorías, correspondientes a técnicas
distintas.
Se extrajeron también las métricas utilizadas para medir la efectividad de los algoritmos,
desde su eficacia y su eficiencia. Se encontró que en 2015 hubo un repunte en la cantidad
de investigaciones y que la técnica clasificación es la más reportada, y dentro de ella,
las máquinas de soporte vectorial (SVM) son el algoritmo más utilizado, reportado en
19 estudios, seguido por las redes neuronales artificiales (ANN), con 15 reportes y los
árboles de decisión (DT), con 11 reportes.
La exactitud (accuracy) es la métrica de eficacia más utilizada. Se encontraron valores
de exactitud que rondan entre el 70% y el 99.9% en implementaciones de técnicas de
clasificación, específicamente con SVM, que fue el algoritmo más reportado, por lo que
puede observarse un cambio con lo obtenido por Albashrawi (2016), quien determinó
que, para 2015, SVM ocupaba el tercer lugar en tendencia de uso y Duhart y Hernández-
Gress (2016), que localizaron las redes bayesianas, ANN y DT en las primeras posiciones.
De las 6 métricas de eficiencia identificadas en los artículos, 4 están enfocadas en el
tiempo que toman las técnicas implementadas en arrojar un resultado (speed, velocity,
execution time y computational time), una métrica midió el costo computacional
(computational cost) y una contempló ambos aspectos (scalability).
Se requiere una apertura de la industria financiera para proveer conjuntos de datos
de casos reales que permitan crear herramientas que, incluso, podrían eventualmente
hacer detecciones de fraude en tiempo real. Los resultados obtenidos permiten contar
con una referencia para la elección del enfoque más apropiado en la implementación de
sistemas para la detección de fraudes en estados financieros, por ejemplo, en empresas
y entidades de fiscalización gubernamentales. Como trabajo futuro se propone realizar
mayor investigación sobre la eficiencia de los algoritmos, de manera que pueda hacerse
mayor comparación de la velocidad o el costo computacional de implementarlos.

RISTI, N.º E28, 04/2020 107

Uso de técnicas de minería de datos y aprendizaje automático para la detección de fraudes en estados financieros

Referencias
Association of Certified Fraud Examiners, Inc. (2018). Report To The Nations 2018.
Global Study On Occupational Fraud And Abuse. Descargado de https://s3-us-
west-2.amazonaws.com/acfepublic/2018-report-to-the-nations.pdf
Afifah Rizki, A., Surjandari, I. y Aldiana Wayasti, R. (2017, 10). Data mining application
to detect financial fraud in indonesia’s public companies. En (p. 206-211). doi:
10.1109/ICSITech.2017.8257111
Albashrawi, M. (2016, 07). Detecting financial fraud using data mining techniques: A
decade review from 2004 to 2015. Journal of Data Science,14, 553-570.
Basili, V., Gianluigi, C. and Rombach, D. (1994). The goal question metric approach.
Encyclopedia of software engineering 1994, pp. 528–532.
Blum, A., Hopcroft, J., y Kannan, R. (2015). Foundations of data science. Descargado de
https://www.cs.cornell.edu/jeh/book.pdf
Duhart, B., y Hernández-Gress, N. (2016, 12). Review of the principal indicators and data
science techniques used for the detection of financial fraud and money laundering.
En (p. 1397-1398). doi: 10.1109/CSCI.2016.0267
Guerequeta, R., y Vallecillo, A. (2000). Técnicas de diseño de algoritmos. Descargado
de: http://www.lcc.uma.es/~av/Libro/
Jan, C.-L., y Hsiao, D. (2018, 04). Detection of fraudulent financial statements
using decision tree and artificial neural network. ICIC Express Letters, Part B:
Applications, 9, 347-352.
Kitchenham, B. (2007). Guidelines for performing systematic literature reviews in
software engineering. Technical report, Ver. 2.3 EBSE Technical Report.
Li, H., y Wong, M. L. (2015, 05). Financial fraud detection by using grammar-based
multi-objective genetic programming with ensemble learning. doi: 10.1109/
CEC.2015.7257014
Meenatkshi, R., y Sivaranjani. (2016, 01). Fraud detection in financial statement using
data mining technique and performance analysis. 9, 407-413.
Minhas, S., y Hussain, A. (2016, 05). From spin to swindle: Identifying falsificationin
financial text. Cognitive Computation, 8. doi: 10.1007/s12559-016-9413-9
Moepya, S., Akhoury, S., Nelwamondo, F., y Twala, B. (2016, 02). The role of imputation
in detecting fraudulent financial reporting; 12, 333-356.
Ngai, E., Hu, Y., Wong, Y., Chen, Y., y Sun, X. (2011). The application of data mining
techniques in financial fraud detection: A classification framework and anacademic
review of literature. Decision Support Systems, 50(3), 559 - 569. Descargado de:
http://shorturl.at/nRS28. doi: https://doi.org/10.1016/j.dss.2010.08.006O.
Pai, M., McCulloch, M., Gorman, J.D., Pai, N.P., Enanoria, W.T., Kennedy, G.E., Tharyan,
P., & Colford, J.M. (2004). Systematic reviews and meta-analyses: an illustrated,
step-by-step guide. The National medical journal of India, 17 2, 86-95.

108 RISTI, N.º E28, 04/2020

RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação

Petersen, K., Vakkalanka, S. and Kuzniarz, L. (2015). Guidelines for conducting

systematic mapping studies in software engineering: An update. Information and
Software Technology, vol. 64, pp. 1–18, 2015.
Pradeep, G., Ravi, V., Nandan, K., L. Deekshatulu, B., Bose, I., y Aditya, A. (2015). Fraud
detection in financial statements using evolutionary computation based rule miners.
En (Vol. 8947, p. 239-250). doi: 10.1007/978-3-319-20294-5_21
Reurink, A. (2016, 05). Financial fraud: A literature review. MPIfG Discussion Paper
Series,1 6. doi: 10.1111/joes.12294
Rizani, F., y Respati, N. (2018, 04). Factors influencing the presentation of fraudulent
financial reporting in indonesia. Journal of Advanced Research in Law and
Economics, 9, 254-264. doi: 10.14505/jarle.v9.1(31).31
Seemakurthi, P., Zhang, S., y Qi, Y. (2015, April). Detection of fraudulent financial reports
with machine learning techniques. En 2015 Systems and information engineering
design symposium (p. 358-361). doi: 10.1109/SIEDS.2015.7117005
Shalev-Shwartz, B.-D. S., S. (2014). Understanding machine learning: From theory to
algorithms. Descargado de: http://shorturl.at/cmwQ4
Song, X., y Ge, Y. (2012, 01). Detecting financial statement fraud: A comparative study
using data mining methods. International Review on Computers and Software, 7,
1778-1783
West, J., Bhattacharya, M., y Islam, M. R. (2015, 10). Intelligent financial fraud detection
practices: An investigation. doi: 10.1007/978-3-319-23802-9_16
Xiong, H., Lu, W., y Jiang, T. (2012, 12). Rare class analysis: Svms using local clustering
and nearest neighbor. Journal of Computational Information Systems, 8, 9815-
9822
Yao, J., Zhang, J., y Wang, L. (2018, 05). A financial statement fraud detectionmodel based
on hybrid data mining methods. En (p. 57-61). doi: 10.1109/ICAIBD.2018.8396167
Yao, L., y Wang, Z. (2015, 09). Research on the algorithm of hadoop-based spatial-
temporal outlier detection. En (p. 799-804). doi: 10.1109/IMCCC.2015.175
Young Moon, W., y Dong Kim, S. (2017, 10). Adaptive fraud detection framework for
fintech based on machine learning. Advanced Science Letters, 23, 10167-10171. doi:
10.1166/asl.2017.10412

RISTI, N.º E28, 04/2020 109

View publication stats