También incluida en Especialización en Riesgo de Crédito
Inicio 26 oct 2026
26 y 28 de octubre; 2, 4, 9, 11, 16 y 18 de noviembre de 2026
Lunes y miércoles, 20:00 a 21:20 hora de Chile
Inscripciones abiertasCurso individualFraude, anomalías y analíticaOnline en vivo
Detección de Fraude y Anomalías con Python
Construye un sistema reproducible que combine reglas, modelos y detección de anomalías para priorizar alertas y reducir falsos positivos.
Inscribirme en este curso
Inversión
$179.990 CLP
US$215 para pagos internacionales
IVA incluido.
Primero completas los datos del estudiante y después eliges Mercado Pago, PayPal cuando esté disponible o transferencia.
Flujo de detección
01
Observar
Transacciones, comportamiento, contexto y relaciones.
02
Detectar
Reglas, clasificación, anomalías y señales combinadas.
03
Priorizar
Riesgo, costo, evidencia y revisión humana.
El objetivo no es generar más alertas, sino identificar cuáles necesitan atención y explicar por qué.
Compra individual · Fecha principal
26 y 28 de octubre; 2, 4, 9, 11, 16 y 18 de noviembre de 2026
Puedes comprar este curso por separado. No exige seguir los cursos anteriores de la especialización.
Matrícula de especialización · Ruta completa
Generación 2 · 26 oct–18 nov 2026
El mismo curso también forma parte de Especialización en Riesgo de Crédito. Cuando eliges una cohorte compartida, las clases, cupos y aula son los mismos.
Ver ruta y calendario completoPróxima fecha
26 y 28 de octubre; 2, 4, 9, 11, 16 y 18 de noviembre de 2026
Horario
Lunes y miércoles, 20:00 a 21:20 hora de Chile
Duración
20 horas 40 minutos de dedicación estimada
Inversión
$179.990 CLP · US$215
Carga académica real
Las competencias requieren práctica entre clases.
20 horas 40 minutos de dedicación estimada: 10 horas 40 minutos online en vivo y 10 horas de laboratorios y análisis.
Conocimientos de entrada
Necesitas Python básico y estadística descriptiva. No se exige experiencia previa en fraude ni trabajar en una industria específica.
Entregable aplicado
Un caso reproducible con reglas, un modelo supervisado, un método de anomalías y un diseño de alertas priorizadas para revisión humana.
Respaldo académico
Programa diseñado y operado por Academia Bayes. Operación comercial: NEXO LABS SPA · RUT 78.197.007-7.
Modalidad
Clases online en vivo con fechas y horario informados.
Aula y materiales
Acceso privado a enlaces, materiales y grabaciones cuando la edición las incluya.
Certificación
Certificado según las condiciones de participación de la edición.
Inscripción individual
Elige la fecha en que quieres tomar este curso.
La compra cubre solo este curso. Si una fecha también forma parte de una especialización, los estudiantes comparten la misma cohorte, clases, cupos y aula.
Máximo 25 estudiantes por cohorte
Aplicaciones
Detectar patrones y priorizar alertas con criterio operativo.
El curso conectará señales, modelos y costos para transformar datos transaccionales en casos revisables.
01
Scoring de transacciones
Asignar una probabilidad o nivel de riesgo a cada operación utilizando comportamiento, contexto y señales históricas.
02
Detección de anomalías
Identificar patrones nuevos o poco frecuentes cuando las etiquetas de fraude son incompletas o llegan con retraso.
03
Priorización de alertas
Ordenar casos según riesgo, monto, costo y capacidad operativa para concentrar la revisión donde agrega más valor.
04
Patrones coordinados
Explorar relaciones entre clientes, dispositivos, comercios y transacciones para detectar actividad conectada.
Contenido previsto
De los datos transaccionales a una alerta explicable
Una ruta aplicada para definir el evento, construir señales, comparar métodos y operar umbrales en Python.
Pensado para
Profesionales de fraude, analítica, datos, pagos, cumplimiento o control.
Equipos de fintech, banca, seguros o comercio digital que necesitan priorizar operaciones sospechosas.
Personas que quieren aplicar Python y machine learning a un problema operativo con costos y revisión humana.
Definición del problema y del evento
Fraude confirmado, ventanas, maduración de etiquetas, unidad de análisis, fuga de información y costo de error.
Datos, etiquetas y fuga de información
Maduración de etiquetas, partición temporal, controles de fuga y preparación del caso.
Reglas y señales de comportamiento
Variables de cliente, transacción, comercio, dispositivo, velocidad, frecuencia, reglas y cambios de patrón.
Modelos supervisados y desbalance
Particiones temporales, ponderación, muestreo, clasificación y comparación con reglas o benchmarks.
Detección de anomalías
Un método no supervisado y perfiles de comportamiento; el análisis de relaciones se introduce como una extensión para patrones coordinados.
Umbrales y operación
Precision, recall, curvas PR, falsos positivos, capacidad de revisión y selección de puntos de corte.
Explicabilidad y revisión humana
Razones de alerta, evidencia del caso, retroalimentación y límites de la decisión automatizada.
Monitoreo y evidencia
Drift, efectividad, trazabilidad, versionado y documentación del sistema de alertas.
Enfoque profesional
Una alerta útil necesita contexto, evidencia y costo
La calidad del sistema se mide por lo que detecta, lo que deja pasar y la carga que genera sobre el equipo de revisión.
Validación temporal y prevención de fuga de información.
Costo de falsos positivos y falsos negativos explícito.
Alertas explicables y sujetas a revisión humana.
Datos, reglas, modelos y umbrales versionados.
Resultado esperado
Diseñar un target de fraude con ventanas y maduración definidas.
Comparar reglas, un modelo supervisado y un método de anomalías en Python.
Seleccionar umbrales considerando costos y capacidad operativa.
Diseñar un flujo de alertas documentado, priorizado y monitoreable.
Inscripciones abiertas
Reserva tu cupo en esta edición.
Completa tus datos, elige tu forma de pago y conserva el código de inscripción. El acceso al aula se habilita cuando el pago queda confirmado.
Inversión
$179.990 CLP
US$215 para pagos internacionales. El medio exacto disponible se mostrará antes de salir de Academia Bayes.
IVA incluido.
Preguntas frecuentes
Antes de inscribirte
La fecha, el horario y el valor están definidos. Antes de pagar verás el resumen completo de tu inscripción.
¿Ya hay fecha y precio?
La edición individual de ocho clases comienza el 26 de octubre de 2026, el precio está publicado y las inscripciones ya se encuentran abiertas. Esta misma cohorte es compartida por ambas generaciones de la especialización.
¿Registrarme implica pagar?
Completar tus datos no genera un cobro automático. En el paso siguiente eliges el medio de pago y el cupo se confirma una vez aprobado o verificado el pago.
¿Necesito trabajar en banca?
No. Los conceptos se aplican también a fintech, medios de pago, seguros, comercio electrónico y otros procesos con eventos poco frecuentes o sospechosos.
¿Necesito experiencia previa en fraude?
No. Ayuda manejar conceptos básicos de Python y análisis de datos. El programa comenzará por la definición del evento y la lógica operacional del problema.
¿El modelo decide automáticamente que existe fraude?
No. El foco es priorizar señales y entregar evidencia para revisión. La investigación y decisión final deben mantener responsables, controles y políticas definidos.
¿Cuánto trabajo requiere realmente el curso?
20 horas 40 minutos de dedicación estimada: 10 horas 40 minutos online en vivo y 10 horas de laboratorios y análisis. El entregable aplicado es un caso reproducible con reglas, un modelo supervisado, un método de anomalías y un diseño de alertas priorizadas para revisión humana.