1. DSpace en ESPOL
2. Unidades Académicas
3. Facultad de Ingeniería en Electricidad y Computación
4. Tesis de Maestría en Ciencia de Datos

Title:	Clasificador de eventos para transacciones de pagos entrantes utilizando modelos de machine learning en una empresa enrutadora de pagos con tarjetas
Authors:	Bauz O., Sergio , Director Oñate Bravo, Carlos Francisco
Keywords:	Transacciones de pagos Clasificación de eventos Machine Learning (ML)
Issue Date:	2023
Publisher:	ESPOL
Citation:	Oñate Bravo, C. F. (2023). Clasificador de eventos para transacciones de pagos entrantes utilizando modelos de machine learning en una empresa enrutadora de pagos con tarjetas. [Proyecto de Titulación ]. ESPOL. FIEC .
Description:	En la actualidad el uso tarjetas para realizar pagos ha evolucionado de manera que se ha vuelto común realizar este tipo de transacciones en el día a día. La visión de un grupo de inversionistas llevó a la creación de una empresa que se encargue de hacer el nexo entre el comercio que cobra y los autorizadores, quienes aprueban o declinan el pago. Esta tarea es posible mediante el uso de redes de comunicación para el enrutamiento de las transacciones, donde intervienen distintos factores como: tecnologías, servicios, empresas y datos. La empresa es la encargada de hacer que esta comunicación sea lo más transparente posible para el comercio que realiza el cobro de un producto o servicio. Este proyecto de tesis propone la creación de una herramienta que aplique un algoritmo de Machine Learning (ML) con aprendizaje supervisado, que clasifique los eventos o errores que se presentan en las transacciones que pasan por la empresa; se evaluaron distintos modelos de los algoritmos; el primero es Clasificador de Arboles de Decisión (DT), continuaremos con Redes Neuronales (NN) y, finalmente, Máquina de Vectores de Soporte (SVM); de la comparación entre los resultados que estos arrojaron, se seleccionó el algoritmo que obtuvo el mejor resultado en la precisión de la clasificación de eventos. Esta clasificación de eventos, que permite identificar la severidad y grupo de personas que deben atenderlos, es visualizada en tiempo casi real; ayuda en la reducción de tiempo en la identificación de errores, uso eficiente de los recursos, reducción de pérdidas económicas, reducción de posibilidad de sanciones por parte entes reguladores ante la falta de servicios, aumento de satisfacción del comercio que realiza el cobro con tarjeta, entre otros.
metadata.dc.description.abstractenglish:	In current times, the use of cards to make payments has evolved in such a way that it has become common to carry out this type of transactions in everyday life. The vision of investors led the creation of a company that oversees making the link between the merchant that collects and the authorizers, who approve or decline the payments. The task is possible by communication networks for routing transactions, where different factors intervene such as: technologies, services, companies, and data. The company is in charge of making this communication as transparent as possible for the business that charges for a product or service. This project proposes the creation of a tool that applies a Machine Learning algorithm with supervised learning, which classifies the events or errors that occur in the transactions that go through the company; different models of the Support Vector Machine, Decision Tree Classifiers and Neural Network algorithms were evaluated; from the comparison between the results that these produced, the algorithm that obtained the best result in the precision of event classification was selected. This classification of events, which makes it possible to identify the severity and group of people who must attend to them, is displayed in almost real time; help in reducing time in identifying errors, efficient use of resources, reduction of economic losses, reduction of the possibility of sanctions by regulatory entities due to the lack of services, increase in satisfaction of the merchant that collects by card, among others.
URI:	http://www.dspace.espol.edu.ec/handle/123456789/58553
metadata.dc.identifier.codigoproyectointegrador:	FIEC-POSTG018
Appears in Collections:	Tesis de Maestría en Ciencia de Datos

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.