NEURON·ANOMALY

Red neuronal · detección de fraude en tiempo real
red en reposo
0
anomalías
detectadas

Serie temporal

— sin datos —
banda normal
transacción
anomalía

Empieza tu análisis

Paso 1: elige de dónde vienen los datos. Luego pulsa Iniciar análisis para ver la detección en vivo.

02 Resumen de anomalías

0 registros
# Punto / etiqueta Valor Esperado Desvío σ Severidad
No se han detectado anomalías todavía.

03 El viaje de una anomalía

Una anomalía es un dato que rompe el patrón: una venta que se dispara, un cobro que no encaja, un pico de tráfico imposible. Detectarlas a mano en miles de registros es inviable. Esta red neuronal observa tu serie en el tiempo, aprende qué es normal y marca lo que se sale de la norma — el mismo principio que usa la banca para frenar fraude en el instante en que ocurre.

01

Ingesta del flujo

Los datos entran como una secuencia temporal, punto por punto, igual que llegarían en producción: cada fila es un instante.

02

Aprende lo normal

Sobre una ventana móvil, la red modela el comportamiento esperado —su media y su dispersión—. Esa es su idea de “normalidad”.

03

Error de reconstrucción

Cada nuevo punto se compara con lo esperado. La distancia, medida en sigmas (σ), es el error: cuánto sorprende a la red.

04

Detección y alerta

Si el error supera el umbral de sensibilidad, el punto explota en rojo neón, suma al contador y queda registrado en la tabla.

04 El algoritmo elegido · y por qué

MÉTODO

Z-score sobre ventana móvil

Detección estadística no supervisada · presentada como error de reconstrucción de un autoencoder.

zt = xt − μventanaσventana |zt| ≥ umbral → anomalía
Cero entrenamientoNo necesita datos etiquetados ni un fraude histórico previo: funciona con cualquier CSV al instante.
Tiempo realCada punto se evalúa en O(1) usando solo la ventana reciente — perfecto para un flujo continuo.
InterpretableEl resultado es un número claro (cuántas σ se desvía), no una caja negra. Sabes por qué algo es anómalo.
Se adapta a la tendenciaLa ventana móvil "olvida" lo viejo: sigue ventas crecientes y estacionalidad sin marcarlo todo.
¿Por qué no un modelo más pesado?

Un autoencoder profundo o un LSTM capturan patrones más complejos, pero exigen entrenamiento, grandes volúmenes de datos etiquetados y se vuelven una caja negra. Para un detector visual, interactivo y explicable, el z-score móvil ofrece la mejor relación claridad/eficacia — y corre 100% en el navegador, sin servidor.

Sensibilidad (umbral σ)1.5 – 4.5más bajo detecta más; más alto solo extremos
Ventana móvil (N)18 puntoscorta = reacciona rápido; larga = más estable
Severidad crítica|z| ≥ umbral + 1σel resto se marca como severidad alta

05 Estructura de tus datos · guía de carga

¿Quieres analizar tus propios datos desde tu PC? Exporta tu serie como CSV respetando esta estructura mínima. La columna de valor es lo único obligatorio; la fecha es opcional pero recomendada para el eje temporal.

Columna¿Obligatoria?Descripción
fecha / etiquetaOpcionalMarca temporal o nombre del punto (ej. 2026-01-01, TXN-204). Si falta, se numeran los puntos automáticamente.
valorObligatoriaEl número a vigilar: ventas, monto, latencia, sesiones… Símbolos como $ o ms se limpian solos.
Al menos ~10 filas — el mínimo para aprender un patrón. Lo ideal son 30+ (y mientras más, mejor la detección).
Orden cronológico — cada fila debe ser un instante posterior a la anterior (no se reordena solo).
Separador coma o punto y coma — , o ; (Excel en español). Se detecta solo.
Una sola variable por serie — se analiza una métrica a la vez. Si hay varias, toma la numérica reconocida.
Válidofecha + valor, orden temporal
fecha,ventas
2026-01-01,1240
2026-01-02,1310
2026-01-03,1185
2026-01-04,1402
Válidosolo valores, uno por línea
1240
1310
1185
1402
2980
Evitartexto en la columna de valor
fecha,ventas
2026-01-01,alto
2026-01-02,medio
2026-01-03,1185
¿Sin un archivo a mano para probar?