Monitor de Anomalías Financieras con Make

Antes de empezar

Lo que necesitas para completar este tutorial

Lo que conseguiras al terminar

Si sigues estos pasos, en 20-30 minutos tendras:

✓ Escenario Make que analiza transacciones y marca anomalías
✓ Alertas estructuradas para envío por Slack o correo
✓ Reglas y umbrales documentados para gobernanza

Antes de empezar, asegurate de tener lo siguiente:

Obligatorio Cuenta activa en Make con permisos para crear escenarios y conectar APIs externas.

Obligatorio Acceso a la fuente de datos transaccionales (API, base de datos o CSV) con al menos 3 meses de historial.

Recomendado Credenciales para Slack/Teams y servicio de correo para envío de alertas.

Recomendado Conocimientos básicos de SQL o de transformación de datos en Make para filtrar y enriquecer registros.

Transferencia internacional de datos: Make procesa datos en servidores externos. Sin acuerdo de procesamiento de datos (DPA) firmado, no introduzcas datos personales, financieros confidenciales ni datos especialmente protegidos. Verifica con tu departamento legal o IT antes de usar datos reales de tu empresa.

El caso

Grupo Iberfin, servicios financieros y pagos corporativos — el problema real

Grupo Iberfin detecta picos inusuales en transacciones que generan riesgo de fraude y errores contables. El equipo financiero recibe demasiadas alertas manuales y carece de priorización.

Con Make y el prompt de este tutorial, puede resolver este reto en 20-30 minutos — sin conocimientos tecnicos previos.

Situacion real
Datos + contexto

→

Make
Prompt estructurado

→

Output ejecutivo
Listo para usar

Por que funciona: Make facilita la integración entre fuentes de datos, modelos de IA y canales de notificación sin necesidad de desarrollo pesado. Su visual builder permite iterar umbrales y añadir enriquecimientos (cliente, segmento, contador) para reducir falsos positivos.

Contexto

Cuando usar este tutorial

✓ Usalo cuando...	× No lo uses cuando...
Tiene volúmenes de transacciones altos (>10.000/mes) y necesita detección continua Necesita alertas con contexto (cliente, contrato, contador responsable) para toma de decisiones Desea integrar reglas configurables por negocio y probar modelos de IA sin desarrollo	Tiene un conjunto muy pequeño de transacciones (pocos por semana) y no justifica automatización Solo busca informes mensuales estáticos sin necesidad de acción inmediata Requiere una solución totalmente on‑premise sin servicios externos

Paso 01

Conectar la fuente de datos

Configure la conexión en Make a su origen de transacciones. Es el primer paso porque la calidad y alcance del análisis dependen de datos completos y actualizados.

1
Crear conexión API o cargar CSV En Make agregue un módulo HTTP/JSON para conectar la API de su ERP o un módulo Google Drive/Dropbox para leer CSVs. Asegúrese de incluir campo fecha, importe, cuenta y referencia.
2
Normalizar campos clave Use un módulo de transformación en Make para renombrar y normalizar montos, monedas y formatos de fecha. Evite nulos en campos críticos para el análisis.
3
Filtrar periodos iniciales Configure la extracción para traer un histórico mínimo de 90 días ([PERIODO]) y datos incrementales posteriores para mantener el monitor actualizado.

Checkpoint: Dispondrá de un flujo en Make que entrega registros transaccionales normalizados y listos para análisis.

Paso 02

Configurar la detección de anomalías

Implemente reglas y un modelo básico de anomalías para priorizar alertas. Combine reglas deterministas (umbral, listas negras) con scoring estadístico o IA.

1
Definir reglas deterministas Añada condiciones explícitas: importe > [UMBRAL_MONTO], cuentas bloqueadas o clientes en lista negra. Estas disparan alertas de máxima prioridad.
2
Aplicar scoring de anomalía Conecte un módulo de IA (API de modelo) que calcule un score de anomalía por transacción usando características: importe relativo, frecuencia por cuenta y desviación histórica.
3
Combinar y priorizar Cree una lógica que combine reglas y score para asignar niveles: Crítico, Alto, Medio, Bajo. Documente umbrales para gobernanza.

Checkpoint: El escenario etiqueta cada transacción con un nivel de riesgo y un score de anomalía.

Paso 03

Ejecutar el prompt principal

Este es el prompt central del tutorial. Cópialo completo, rellena las variables entre corchetes con los datos de tu empresa o situación, y envíalo.

1
Copia el prompt completo Selecciona todo el texto del prompt y cópialo. No modifiques la estructura — está diseñado para obtener el output más útil posible.
2
Rellena las variables entre corchetes Sustituye cada [VARIABLE] con información real de tu empresa. Cuanto más específico seas, mejor será el output.
3
Envía el prompt y espera la respuesta Pega el prompt en el chat o en la integración de IA y envíalo. El modelo puede tardar entre 10 y 60 segundos dependiendo de la complejidad.

Variables del prompt — sustituye cada [VARIABLE] con datos reales

[CONJUNTO_DATOS]Ruta o descripción del conjunto de datos (CSV, endpoint API) que contiene transacciones: id, fecha, importe, cuenta, cliente, referencia.

[PERIODO]Periodo a analizar, por ejemplo '2026-01-01 a 2026-03-31'.

[UMBRAL_MONTO]Importe en la moneda local que define alerta determinista, por ejemplo '10000' para 10.000 EUR.

[CONTACTOS_ALERTA]Lista con nombre y correo/Slack de responsables por prioridad, por ejemplo 'CFO: cfo@empresa.com; Jefe FP&A: jperez@empresa.com'.

[CATEGORIAS_RIESGO]Listado de categorías de riesgo relevantes, por ejemplo 'fraude, error contable, cumplimiento, liquidación'.

[EMPRESA]Nombre de la empresa para contextualizar el informe.

[RESPONSABLE_FINANZAS]Nombre del responsable que recibirá el resumen ejecutivo.

Prompt principal — Monitor de Anomalías Financieras Eres un analista ejecutivo de riesgos financieros. Tienes datos transaccionales y debes identificar, priorizar y recomendar acciones frente a anomalías. Analiza el conjunto de datos proporcionado en [CONJUNTO_DATOS] para el periodo [PERIODO]. Produce un informe ejecutivo con las siguientes secciones: 1) Resumen ejecutivo (máximo 6 viñetas) que describa número de transacciones analizadas, número de anomalías detectadas y cinco riesgos más relevantes; 2) Metodología breve (2-3 frases) explicando reglas y modelo usado; 3) Lista priorizada de anomalías críticas (máximo 10), cada una con: ID transacción, fecha, importe, razón de la alerta (regla o score), score de anomalía (0-100), cliente/proveedor y impacto estimado; 4) Escalado recomendado para cada prioridad (Acción inmediata, Revisión en 24h, Monitorizar), incluyendo destinatarios concretos definidos en [CONTACTOS_ALERTA]; 5) Mensaje de alerta listo para enviar por Slack/Email para cada nivel (máximo 3 plantillas), con asunto, texto y campos claves; 6) Conjunto de reglas y umbrales recomendados para implementar en Make (incluya expresiones lógicas claras); 7) Recomendaciones de reducción de falsos positivos y próximos pasos (3 acciones con responsable y plazo en días). Ten en cuenta los umbrales de negocio [UMBRAL_MONTO] y las categorías de riesgo [CATEGORIAS_RIESGO]. Entrega el output en formato ejecutivo y tabular (cuando aplique), y añade notas finales sobre supuestos y limitaciones. No incluyas datos reales fuera de [CONJUNTO_DATOS] ni inferencias sin evidencia.

Checkpoint: El modelo ha respondido con un output estructurado que incluye las secciones solicitadas en el prompt.

Paso 04

Iterar y refinar alertas

Evalúe resultados, reduzca falsos positivos y ajuste umbrales. La iteración es clave para que las alertas sean accionables y aceptadas por el equipo.

1
Revisar alertas reales Compare alertas con casos reales y marque falsos positivos. Documente patrones que produzcan ruido y cree excepciones.
2
Ajustar reglas y reentrenar Modifique umbrales en Make y actualice parámetros del modelo de IA. Vuelva a ejecutar el histórico para medir impacto antes de pasar a producción.

Checkpoint: Tendrá una tasa de falsos positivos aceptable y un proceso documentado para ajustes periódicos.

Iteracion

Prompts para refinar el output

Estos son los ajustes mas frecuentes que se piden despues del primer output. Copialos directamente en el chat:

Hacer el output más específico

cuando el output es demasiado genérico. "Revisa el informe anterior y reemplaza generalidades por detalles cuantificados. Para cada anomalía listada añade la variación porcentual respecto al promedio histórico de la cuenta y una probabilidad estimada de falso positivo (baja/mediana/alta). Mantén formato ejecutivo."

Cambiar el nivel de detalle

cuando necesitas más o menos profundidad. "Genera dos versiones del informe: 1) Resumen ejecutivo de una página con máximo 8 bullets y 2) Informe operativo detallado con tabla de hasta 50 anomalías y campos técnicos (score, variables utilizadas)."

Adaptar el tono

cuando el tono no es el adecuado para tu audiencia. "Reescribe el informe con un tono más formal y directo, adecuado para el Comité de Dirección. Elimina jerga técnica y añade una sección 'Decisión requerida' con opciones concretas."

Versión ejecutiva resumida

para compartir con el Comité de Dirección. "Resume el informe en 3 bullets de impacto, 1 recomendación prioritaria con coste estimado y 1 métrica de éxito a medir en 30 días. Incluye quién toma la decisión y fecha límite."

Resultado

Que vas a obtener

Este es el tipo de output que genera Make con el prompt de este tutorial. El contenido varia segun tu empresa y situacion, pero la estructura es siempre esta:

Ejemplo de output — Grupo Iberfin, servicios financieros y pagos corporativos

Estructura del output

El prompt genera un informe dividido en Resumen Ejecutivo, Metodología, Tabla priorizada de anomalías, Acciones recomendadas, Plantillas de alerta y Reglas para Make. Cada sección incluye elementos cuantificados y responsables claros.

Senales de un buen output

El informe lista al menos 5 anomalías con IDs y campos clave
Incluye plantillas de alerta listas para copiar (asunto y cuerpo)
Presenta reglas/umbrales concretos y expresiones lógicas para Make
Contiene responsables y plazos para cada acción recomendada

Senal de que el output es bueno: El output incluye anomalías priorizadas con evidencia (importe, desviación histórica, score) y plantillas de alerta listas para envío.

Costes

Inversion y retorno

29$/mes Make Business / mes

2-5 minutos por ejecución (análisis incremental) Por ejecucion del tutorial

∞ Reutilizaciones del prompt

ROI: La automatización reduce tiempo de revisión manual y acelera la respuesta ante fraudes, evitando pérdidas y sanciones. Un único incidente crítico detectado a tiempo puede justificar la inversión mensual y liberar al equipo financiero para tareas de mayor valor.

Errores frecuentes

Que hacer cuando algo no funciona

Sintoma	Causa probable	Solucion exacta
Escenario no recibe datos nuevos	Token/API expirado o cambio en esquema del endpoint	Renovar credenciales en Make y actualizar mapeo de campos; ejecutar extracción manual para validar.
Demasiados falsos positivos	Umbrales demasiado bajos o variables no normalizadas	Incrementar umbral [UMBRAL_MONTO] y añadir normalización por periodo y por cliente; re-evaluar score de anomalía.
Alertas no llegan a Slack/Email	Permisos de integración insuficientes o plantilla mal formada	Verificar permisos de la app en Slack/servidor SMTP y probar envío con un registro de prueba.
Latency alta en ejecuciones	Procesamiento de grandes volúmenes sin paginación ni filtros	Implemente paginación y ejecuciones incrementales; procese solo transacciones nuevas o modificadas.
Modelo IA produce resultados inconsistentes	Características de entrada incompletas o sesgadas	Enriquezca datos con atributos de cliente/contrato y reentrene o ajuste parámetros del modelo; documente supuestos.

Modo avanzado

Como hacer este tutorial con Make en modo avanzado

El modo agente en Make permite ejecutar flujos autónomos que ingestan, analizan y crean incidentes con pasos automatizados (webhooks, APIs, confirmaciones). Use el agente para ejecutar ciclos de detección continua y orquestar remediaciones automáticas cuando la prioridad sea Crítica.

Modo avanzado

Flujo de trabajo avanzado

1
Configurar escenario agente para polling periódico de la fuente de datos (cada X minutos)
2
Integrar módulo de IA para scoring y reglas deterministas dentro del mismo flujo
3
Crear webhook o ticket automáticamente para anomalías críticas y notificar a [CONTACTOS_ALERTA]
4
Registrar cada incidente en un datastore y programar pasos de follow-up (revisión, bloqueo, conciliación)

Actúa como agente automatizado de detección y respuesta de anomalías financieras para [EMPRESA]. Tu objetivo es: 1) extraer transacciones nuevas del periodo [PERIODO] desde [CONJUNTO_DATOS]; 2) aplicar reglas deterministas (importe > [UMBRAL_MONTO], cuentas en lista negra) y calcular un score de anomalía basado en desviación histórica y frecuencia; 3) para anomalías críticas crear automáticamente un incidente en el sistema de tickets con prioridad alta, asignar a [RESPONSABLE_FINANZAS] y enviar notificación por Slack/Email a los contactos en [CONTACTOS_ALERTA]; 4) adjuntar en el incidente el resumen ejecutivo corto (máx. 6 bullets) y la tabla con los campos esenciales; 5) si el score está entre 50-75, marcar para revisión manual en 24 horas; si >75, ejecutar medidas de mitigación preaprobadas (bloqueo temporal de cuenta o retención de pago) y documentar la acción. Reporta diariamente un digest con métricas: total transacciones analizadas, anomalías por prioridad y tiempo medio de resolución. Documenta supuestos y acciones automatizadas en formato que Make pueda ejecutar (módulos y expresiones).

Cuando usar el modo avanzado en este tutorial: Particularmente valioso cuando hay alto volumen de transacciones en tiempo real, riesgo regulatorio o necesidad de respuesta automática ante fraudes detectados fuera del horario del equipo.

Siguiente paso

Que hacer ahora?

Ahora que has completado este tutorial, hay dos caminos naturales:

Tutorial relacionado · Make

Explorar mas tutoriales de Make

Descubre otros casos de uso de Make para directivos en diferentes funciones y sectores.

Biblioteca completa

Ver todos los tutoriales

Explora los tutoriales del programa organizados por herramienta, funcion y nivel de dificultad.

Para sacarle mas partido: Tras estabilizar umbrales, programe revisiones mensuales con el equipo FP&A para ajustar reglas por temporada y añadir controles adicionales (listas de proveedores verificados, comprobaciones KYC).

Alternativa segura

Puedo hacer esto sin que mis datos salgan de la empresa?

Si. Este caso de uso trabaja con datos que, por su naturaleza confidencial, estrategica o regulada, son candidatos optimos para ejecutarse con un modelo de lenguaje open source desplegado en infraestructura propia (on-premises o nube privada). Con esta configuracion, ningun dato abandona nunca los servidores de tu organizacion y el modelo no puede ser entrenado con tu informacion.

Modelos recomendados

Llama 3.3 70B — Ideal para analisis de documentos largos y generacion de texto estructurado (contexto 128K tokens).

Mistral Large 2 — Excelente para extraccion de informacion y clasificacion con alta precision.

Qwen 2.5 72B — Especialmente potente para analisis de datos tabulares y financieros.

Plataformas de despliegue

Ollama — Para equipos pequenos o uso individual en hardware propio.

vLLM — Para entornos de produccion con multiples usuarios simultaneos.

LM Studio — Para pruebas y uso individual sin configuracion de servidor.

Infraestructura minima

Para un modelo de 70B parametros en produccion:

GPU: 2x NVIDIA A100 40GB o 4x RTX 4090.

RAM: 128GB minimo.

Alternativa cloud privada: AWS Private Cloud, Azure Government o Google Cloud Confidential Computing.

Garantia de privacidad: Con un modelo on-premises correctamente configurado, los datos nunca salen de tu red corporativa, el modelo no se entrena con tu informacion, no hay transferencia internacional de datos y el cumplimiento normativo es total incluso para datos del art. 9 RGPD.

Necesitas implementar esta solucion en tu organizacion?

La configuracion de modelos open source on-premises requiere un proveedor tecnico especializado. Agere puede ayudarte a desplegar esta solucion en tu infraestructura de forma segura, con garantias legales y sin que tus datos salgan nunca de tu organizacion.

Contactar con Agere Conocer Agere