Florencia Abagnale

Fraud Prevention Analyst | SQL • Python • Data Science | Abogada | Compliance (GDPR, ISO 27001, AML/PLAyFT)

Talento

CórdobaMiembro desde 29 de mayo de 2026

ANALISTA EN PREVENCIÓN DE FRAUDEPythonSqlPLAyFTAbogada

Contratar a esta persona

Enviá una oferta de trabajo directamente a este candidato

ANALISTA EN PREVENCIÓN DE FRAUDEPythonSqlPLAyFTAbogada

Sobre mí

Abogada (UNC), con formación en Ciencia de Datos (FAMAF-UNC) e Ingeniería en Sistemas (UTN, en curso). Trabajo con SQL y Python para detectar patrones de fraude, diseñar reglas de detección, mitigación y bloqueo, y construir modelos de riesgo.

Vengo del derecho, pero me apasionó el cibercrimen y encontré mi vocación en actuar preventivamente en detección temprana de fraude para proteger la reputación de las organizaciones y la confianza de sus clientes.

Además, comprendo lo que implica operar en entornos fuertemente regulados, con conocimiento normativo (AML/PLAyFT, BCRA/UIF, GDPR, ISO 27001).

Co-diseñé con el área de Prevención de Fraude y Cibercrimen de Banco de Córdoba una simulación de investigación de fraude bancario para más de 21 equipos, evaluada con las mismas métricas que usa un equipo de fraude real.

Experiencia

Abogada Litigante / Investigadora de Cumplimiento| Estudio Jurídico MDALEL

Ago. 2018 – Dic. 2024

Investigación forense de activos: lideré la investigación de activos ocultos en un proceso sucesorio, detectando inconsistencias patrimoniales y reconstruyendo la trazabilidad de bienes ocultos bajo estructuras societarias en el exterior mediante cruce de fuentes públicas internacionales — metodología análoga a due diligence e investigación de fraude corporativo.
Trazabilidad y evidencia regulatoria: conduje procesos judiciales de Ley de Riesgos del Trabajo (LRT) con estricta trazabilidad de actuaciones, plazos regulatorios y documentación de evidencia.

Asesora Senior (Front & Back Office) | EVOLTIS

Oct. 2023 – Jul. 2025

Detección de operaciones sospechosas: Analicé cambios de dispositivo/IP y patrones de comportamiento (destinatarios habituales, tiempos entre transacciones) para identificar y elevar casos de fraude en transferencias y préstamos desconocidos por el cliente. Por ejemplo, en compras realizadas con NFC verificábamos que no podían ser desconocidas sin denuncia policial presentada el mismo día. En situaciones de desconocimiento de préstamos o transferencias, evaluábamos destinatarios frecuentes y tiempos entre operaciones, elaborando reportes detallados para escalar los casos al área de fraude.
Validación y auditoría: verifiqué la validez del canal de compra (presencial vs. digital) ante desconocimientos, audité denuncias policiales (sellos, formalidad, fecha) y consulté sistemas internos para confirmar bloqueos de cuentas/tarjetas reportadas como fraudulentas.

Data Trainee (foco Arquitectura de Datos) | FCODE

Jul. 2025 – Feb. 2026

Modelado de datos: diseñé diagramas entidad-relación (DER) y participé en la migración de una base de datos relacional completa.

Auditoría de procesos: ejecuté testing manual y análisis exhaustivo de logs para detectar anomalías operativas antes del despliegue a producción — metodología directamente aplicable al monitoreo de modelos en producción.