Martín Díez, José MaríaCosta, JuliánFernández-Casal, RubénCobelo García, GuillermoUniversidade da Coruña. Facultade de Informática2026-03-062026-03-062025-11https://hdl.handle.net/2183/47614[Resumen]: El ”fraude amigo”, donde el titular legítimo disputa una compra válida, genera un grave riesgo financiero y operativo para comercios y Proveedor de Servicios de Pago (PSP)s, siendo difícil de detectar al pasar la autenticación Strong Customer Authentication (SCA). El objetivo de este trabajo fue desarrollar, sobre datos de Paymatico, un sistema de detección temprana de anomalías de comportamiento a nivel de comercio para anticipar dicho fraude. Tras demostrar con un baseline supervisado Extreme Gradient Boosting (XGBoost) que un enfoque a nivel de transacción individual era ineficaz, validando que la señal no reside en la operación aislada, el trabajo pivotó al diseño de un sistema de detección de anomalías no supervisado. La investigación concluye que, si bien se entrega un sistema funcional Isolation Forest (IF) capaz de detectar otras anomalías operativas, el ”fraude amigo” es indistinguible usando únicamente datos transaccionales. A partir de los resultados obtenidos se deduciría que los datos disponibles no aportan información suficiente para predecir el ”fraude amigo”.[Abstract]: ”Friendly fraud”, in which the legitimate cardholder disputes a valid purchase, generates a serious financial and operational risk for merchants and PSPs, and is difficult to detect once SCA has been successfully completed. The objective of this work was to develop, using Paymatico’s data, an early-warning system for behavioral anomalies at merchant level to anticipate this type of fraud. After showing with a supervised baseline (XGBoost) that a transaction-level approach was ineffective, thus validating that the signal does not reside in the isolated operation, the project pivoted towards the design of an unsupervised anomaly detection system. The research concludes that, although a functional system (IF) is delivered and is able to detect other operational anomalies, “friendly fraud” is indistinguishable when relying solely on transactional data. Based on the results obtained, it is inferred that the available data do not provide sufficient information to reliably predict “friendly fraud”.spaAttribution 4.0 Internationalhttp://creativecommons.org/licenses/by/4.0/Fraude amigoDetección de anomalíasAprendizaje no supervisadoModelos supervisadosComercio electrónicoPrevención del fraudeFriendly fraudAnomaly detectionUnsupervised learningSupervised modelsE-commerceFraud preventionbachelor thesisopen access