Detección de fraude de tarjeta para una fintech mexicana

Recibes nueve meses de autorizaciones anonimizadas (unos 6 millones de transacciones, con tasa de fraude del 0,3%) y el resultado de las reglas actuales por transacción. Divide temporalmente y entrena al menos dos clasificadores (una regresión logística como base y un modelo de gradient boosting tipo LightGBM). Calibra probabilidades, barre umbrales operativos y propón dos puntos de operación: uno que mantenga la captura de fraude actual con menor tasa de falsos positivos, y otro que maximice captura bajo un techo del 1,5% de falsos positivos. Entrega modelo, gráfico de calibración, memoria de puntos de operación y plan de despliegue que aborde drift y retraso de etiqueta.