Palabras clave
machine learning
agua potable
detección de fraude
Cómo citar
Resumen
El comportamiento fraudulento en el consumo de agua potable es un problema importante que enfrentan las empresas de tratamiento de agua debido a que genera pérdidas económicas significativas. Caracterizar consumos fraudulentos es una tarea compleja, basada principalmente en la experiencia, y que presenta el desafío de la incorporación constante de nuevos clientes y la variación en el consumo mensual. En esta investigación, las técnicas de minería de datos se utilizan para caracterizar y predecir los consumos fraudulentos de agua potable. Para esto, se utilizó información histórica relacionada con el consumo. Las técnicas aplicadas mostraron un alto rendimiento predictivo y su aplicación permitirá enfocar eficientemente los recursos orientados a evitar este tipo de fraude.
Palabras Clave: minería de datos, machine learning, agua potable, detección de fraude.
Referencias
[1]Centro de Investigación Periodística., «Producción y facturación de agua potable,» 30 Julio 2020. [En línea]. Disponible en: https://ciperchile.cl/wp-content/uploads/gestion-siis-2014-pag 88.pdf. [Último acceso: 30 Julio 2020].
[2]Bureau Veritas S.A., «https://www.bureauveritas.cl/es,» [En línea]. Disponible en: https://www.bureauveritas.cl/es/bureau-veritas-lider-mundial-en-ensayos-inspeccion-y-certificacion. [Último acceso: 1 Junio 2020].
[3]Essbio S.A., «www.essbio.cl,» [En línea].
[4]I. Monedero, F. Biscarri, J. Guerrero, M. Peña, M. Roldán y C. León, «Detection of water meter under-registration using statistical algorithms,» Journal of Water Resources Planning and Management, vol. 142, nº 1, p. 04015036, 2016.
[5]I. Monedero, F. Biscarri, C. León, J. Guerrero, J. Biscarri y R. Millán, «Detection of frauds and other non-technical losses in a power utility using Pearson coefficient, Bayesian networks and decision trees,» International Journal of Electrical Power & Energy Systems, vol. 34, nº 1, pp. 90-98, 2012.
[6]S. Wang, «A comprehensive survey of data mining-based accounting-fraud detection research,» de 2010 International Conference on Intelligent Computation Technology and Automation, New York, 2010.
[7]J. Bierstaker, R. Brody y C. Pacini, «Accountants' perceptions regarding fraud detection and prevention methods,» Managerial Auditing Journal, vol. 21, nº 5, pp. 520-535, 2006.
[8]C. Phua, V. Lee, K. Smith y R. Gayler, «A comprehensive survey of data mining-based fraud detection research,» arXiv preprint arXiv:1009.6119, 2010.
[9]S. Kotsiantis, I. Zaharakis y P. Pintelas, «Machine learning: a review of classification and combining techniques,» Artificial Intelligence Review, vol. 26, nº 3, pp. 159-190, 2006.
[10]J. Han, J. Pei y M. Kamber, Data Mining: Concepts and Techniques, Elsevier, 2011.
