
▶ CLICK PARA COMENZAR
← → Space Enter · Click para navegar

La historia de cómo un analista enfrentó
750 monstruos entre 50,000 transacciones
Un reino financiero tranquilo. Miles de transacciones fluyen cada día. Pero algo acecha en las sombras.
TRAMPA DETECTADA
98.5% accuracy → falsa victoria. El héroe elige F1-Score y PR-AUC en desbalance extremo.
EL REINO · ZONA COMERCIAL
50,000 aliados · 750 impostores ocultos
El Lago de Datos: 50,000 transacciones turbulentas. La mayoría son aliados. Pero 750 son impostores camuflados con ligeras variaciones en sus atributos subyacentes.
No son monstruos gigantes. Son clones casi idénticos a los aldeanos. Las reglas manuales y los umbrales estáticos no pueden detectarlos.
🎯 LA MISIÓN
→ EDA + Feature Engineering
→ Modelos Supervisados (RF + XGBoost + SHAP)
→ Detección de Anomalías (Isolation Forest)
→ Segmentación de Riesgo (KMeans K=4)
TENSIÓN: HIGH
750 impostores · 49,250 aliados
EDA: antes de pelear, entender al enemigo.
Ataques entre 23h–5h. El titular duerme. Sin verificación humana posible.
País de transacción ≠ país de tarjeta → tasa de fraude ×8.
Electrónica y Viajes: tickets grandes, difíciles de revertir.
Score bajo = dispositivo desconocido. Los fraudes tienen score menor.
CAMPO DE INVESTIGACIÓN
El fraude se camufla entre aliados
{{ sel.t }}
{{ sel.d }}
300 árboles de decisión en consenso democrático
📊 STATS DE BATALLA
🛡️ DECISIONES TÉCNICAS
Split 80/20 estratificado — mantiene proporción de fraude
SMOTE solo en entrenamiento — no contaminar evaluación
class_weight='balanced' para compensación extra
Umbral óptimo buscado sobre F1, no fijo en 0.5
⚡ SMOTE en test = trampa estadística.
El héroe solo practica con sintéticos.
300 ÁRBOLES · WALL OF DETECTION
Recall 98% · F1 96.08% · AUC 99.99%
El héroe aprende de cada error. XGBoost corrige lo que RF dejó pasar.
🌲 RANDOM FOREST
⚡ XGBOOST ★
XGBOOST KNIGHTS · 1000 ESTIMADORES
Recall 99.33% · F1 97.39%
SHAP EXPLAINER · EXPLICABILIDAD
feature_importance en tiempo real
"Nuevos monstruos aparecen sin nombre.
Sin etiqueta. Nadie los ha visto antes."
En producción, nuevas modalidades de fraude no tienen target=1 hasta identificación manual. El héroe necesita detectarlas sin haber visto el mapa.
🧮 CONTAMINATION
Sin tocar el target. Reglas de negocio:
· score_dispositivo < Q1 − 1.5·IQR
· intentos_fallidos ≥ 3
→ Unión = 2.69% del dataset
🏆 RESULTADO
1,345 anomalías detectadas.
Sin ver ni una sola etiqueta.
ALCHEMISTS OF THE NEURAL NEXUS
Sin etiqueta. Sin precedente. 95.7% recall.
Hover sobre cada zona para explorar · Click para seleccionar

EXPLORACIÓN DE RUTAS
CLICK PARA DETALLES
{{ mzSel.de }}
TECH STACK
{{ mzSel.tk }}
Hover sobre
una zona
para explorar
{{ cl.l }}
{{ cl.s }}
DYNAMIC FRAUDSTER
C3 = 97.89% fraude

El reino está a salvo. El tesoro, protegido.
Sin modelo — 100% fraude pasa
{{ smStr }}
Random Forest · F1 96.08% · Recall 98%
{{ rfStr }}
XGBoost · F1 97.39% · Recall 99.33%
{{ xgStr }}
💰 AHORRO
NETO
{{ aStr }}
por período
evaluado
escalable a
producción

🏆 MÉTRICAS
Random Forest · F1
96.08%
XGBoost · F1 ★
97.39%
XGBoost · Recall
99.33%
XGBoost · AUC-ROC
100% ★
Isolation Forest · Recall
95.7%
💰 Ahorro neto
{{ aStr }}
⚔️ DECISIONES CLAVE
Python · pandas · scikit-learn
XGBoost · SHAP · imbalanced-learn
Next.js · Recharts · Tailwind
— FRAUD QUEST · COMFAMA · 2026 —
XGBoost · F1
97.39%
XGBoost · Recall
99.33%
💰 Ahorro neto · XGBoost
{{ aStr }}
JUAN CARDONA
Data Analyst · COMFAMA · 2026