Análisis Cluster para detectar patrones específicos entre usuarios de la banca de seguros para identificar posibles fraudes

El crecimiento acelerado de los servicios financieros digitales ha incrementado de manera significativa la cantidad y complejidad de los datos generados por los usuarios, lo que ha reducido la efectividad de los métodos tradicionales de detección de fraude basados en reglas fijas. En este contexto, las técnicas de aprendizaje no supervisado ofrecen alternativas flexibles para el análisis exploratorio de grandes volúmenes de información. El presente estudio propone un enfoque basado en técnicas de clustering para identificar patrones de comportamiento atípicos asociados a posibles fraudes en la banca de seguros. Para ello, se emplean los algoritmos k-means y clustering jerárquico sobre un conjunto de datos obtenido a partir de una encuesta estructurada aplicada a más de mil usuarios. Los resultados muestran la existencia de grupos claramente diferenciados, donde los conglomerados minoritarios y alejados de los centroides principales representan señales tempranas de riesgo que pueden apoyar los procesos de auditoría, control interno y toma de decisiones en instituciones aseguradoras.