Análisis Exploratorio de Datos
EDA completo · Punto 1 del reto técnico
Resumen del Dataset
Total transacciones
50.000
Casos de fraude
750
Tasa de fraude
1.5%
Nulos imputados
1.172
Tratamiento de Valores Nulos
Imputación estratificada1.172 valores faltantes en score_dispositivo (2.3%)
Estrategia: Mediana Estratificada
Se imputó con la mediana por grupo (país_coincide × categoría_comercio). La mediana es robusta a outliers — crítico en fraude donde los valores extremos son la señal, no el ruido.
Por qué No Imputación Global
Los nulos no son aleatorios (MAR). Un dispositivo no identificado en Electrónica internacional tiene un perfil de riesgo diferente a uno en Retail doméstico. La imputación global mezclaría estas distribuciones.
Variables Usadas para Estratificar
Grupos: pais_coincide × categoria_comercio. Con 10 combinaciones únicas de grupos, cada celda tiene su propia mediana representativa.
Distribución de Montos
Comparación entre total de transacciones y casos de fraude por rango de monto
Tasa de Fraude por Categoría
Electrónica y Viajes lideran en proporción de fraude
Feature Engineering
4 nuevas variablesVariables creadas a partir de timestamp y transformaciones
es_hora_riesgo
Booleano: True si la hora está entre las 23:00 y las 05:00. Captura el patrón de fraude nocturno — el 2do predictor más importante según SHAP.
Formula: hora >= 23 OR hora <= 5
hora
Extracción del componente hora del timestamp. Permite al modelo capturar ciclos intradiarios de comportamiento fraudulento.
Formula: timestamp.dt.hour
dia_semana
Día de la semana (0=Lunes, 6=Domingo). Los fines de semana tienen patrones de transacción diferentes y menor monitoreo humano.
Formula: timestamp.dt.dayofweek
monto_log
Transformación log1p del monto. La distribución del monto está muy sesgada a la derecha. log1p normaliza la escala y mejora el entrenamiento de los árboles.
Formula: log(1 + monto)
Correlación con Target (Fraude)
Correlación de Pearson entre cada feature y la variable objetivo
Rojo = correlación positiva con fraude · Azul = correlación negativa
Distribución: Intentos Fallidos en 24h
La mayoría tiene 0 intentos; múltiples reintentos son señal de alerta
0
intentos
41.840
83.7%
1
intentos
5.022
10.0%
2
intentos
2.216
4.4%
3
intentos
777
1.6%
4
intentos
145
0.3%
⚠ Los registros con 3+ intentos (922) son señal crítica de credential stuffing