En este proyecto hemos utilizado Power BI para analizar un conjunto de datos de transacciones financieras con el objetivo de entender el comportamiento de los datos, observar tendencias y detectar posibles señales de riesgo. La visualización se centra en aspectos como comportamiento del usuario, riesgos de fraude y tendencias financieras.
El conjunto de datos contiene múltiples características divididas en las siguientes categorías:
• Transaction_ID: Identificador único de la transacción.
• User_ID: Identificador único del usuario.
• Timestamp: Fecha y hora de la transacción.
• Location: Ubicación geográfica de la transacción.
• Transaction_Amount: Cantidad involucrada en la transacción.
• Account_Balance: Saldo de cuenta antes de la transacción.
• Daily_Transaction_Count: Número de transacciones realizadas por el usuario en ese día.
• Avg_Transaction_Amount_7d: Promedio de la cantiadad de transacciones de los últimos 7 días.
• Failed_Transaction_Count_7d: Número de transacciones fallidas en los últimos 7 días.
• Device_Type: Tipo de dispositivo utilizado (Móvil, Escritorio, etc.).
• Transaction_Type: Tipo de transacción (En línea, en tienda, cajero, etc.).
• Authentication_Method: Método de autenticación utilizado (PIN, Biometría, etc.).
• Merchant_Category: Tipo de comerciante (Retail, Alimentos, Viajes, etc.).
• IP_Address_Flag: Indica si la IP fue marcada como sospechosa (0 o 1).
• Previous_Fraudulent_Activity: Número de actividades fraudulentas pasadas del usuario.
• Transaction_Distance: Distancia entre la ubicación habitual del usuario y la de la transacción.
• Risk_Score: Puntuación de riesgo estimada para la transacción.
• Card_Type: Tipo de tarjeta utilizada (Crédito, Débito, Prepago, etc.).
• Card_Age: Antigüedad de la tarjeta en meses.
• Is_Weekend: Indica si la transacción ocurrió en fin de semana (0 o 1).
• Fraud_Label: Variable objetivo (0 = No es Fraude, 1 = Es Fraude).
- Analizar y visualizar tendencias en los datos de transacciones financieras.
- Identificar patrones relacionados con riesgos de fraude.
- Facilitar la toma de decisiones informadas a través de visualizaciones interactivas.
• Power BI: Para creación de visualizaciones interactivas.
• GitHub: Para compartir y documentar el proyecto.
• Visual Studio Code + Python: Para limpieza y preprocesamiento de los datos.
• Visualizaciones de las características clave del dataset.
• Identificación de posibles actividades fraudulentas.
• Insights sobre el comportamiento de las operaciones fraudulentas y patrones de transacción.
• Cristina Campos Fernández - @Cris-CF
• Elisa García Barbazán - @e-garciab
• Susana García Villaamil - @sgarciavillaamil
• Herminia Morales Sánchez - @ Herminia-m-s
• Dataset: Synthetic_fraud_dataset.csv
• Análisis de datos: Proyecto.ipynb
• Proyecto PowerBI: Proyecto Fraude.pbix