Enfoque de esfuerzos en gestión de riesgos con segmentación

Por Escuela de Gestión de Riesgos el 3 de marzo de 2025

En esta sesión Olga Torres, Directora de producto en Pirani, nos enseña qué es segmentación, técnicas segmentación, optimización del monitoreo y reducción de falsos positivos, priorización de alertas de mayor impacto, personalización de controles y umbrales, cumplimiento normativo más eficiente y nos muestra un caso práctico.

Técnicas Segmentación

Basada en reglas

Ejemplo

Resultado de la segmentación

Se definen umbrales fijos y categorías preestablecidas

Variables como: Salario, país de origen, sector económico, tipo de transacciones

Bajo riesgo: Empleados con salario fijo, que usan cuentas personales para pagos locales.

Medio riesgo: Empresas con actividad internacional, transacciones frecuentes en distintas monedas.

Alto riesgo: Clientes con operaciones en paraísos fiscales, alto uso de efectivo o en sectores vulnerables al lavado de activos (ej. casinos, remesas, cripto).

Modelos estadísticos

Ejemplo

Resultado de la segmentación

Se analizan datos históricos y se identifican patrones naturales en el comportamiento de los clientes.

Modelos K-means

Modelo Bietápico

Segmento 1 - Usuarios de tarjetas de débito: Uso frecuente en supermercados, restaurantes, bajo retiro en efectivo.

Segmento 2 - Inversionistas: Movimientos grandes pero poco frecuentes, transferencias internacionales.

Segmento 3 - Empresas con actividad irregular: Movimientos inusuales en volumen y frecuencia.

Basada en reglas

Ejemplo

Resultado de la segmentación

Usa algoritmos más flexibles y sin necesidad de definir hipótesis previas.

DBScan

GMM (Gaussian Mixture)

Modelo Bietápico no supervisado

Clientes con riesgo de evasión fiscal (transacciones frecuentes con empresas pantalla).

Clientes con posible financiamiento ilícito (transacciones en zonas de alto riesgo con entidades sancionadas).

Clientes de comportamiento anómalo (uso inesperado de productos financieros).

Optimización del Monitoreo y reducción de falsos positivos

No todos los clientes, transacciones o entidades representan el mismo nivel de riesgo. La segmentación permite adaptar los umbrales y reglas a cada grupo.
Un sistema AML sin segmentación puede generar alertas innecesarias, haciendo que los analistas pierdan tiempo en casos irrelevantes.

Priorización de Alertas de Mayor Impacto

No todas las alertas tienen el mismo nivel de riesgo. La segmentación permite enfocarse en las de mayor relevancia.

Personalización de Controles y Umbrales

Cada segmento puede requerir diferentes niveles de monitoreo, reglas de alerta y controles de mitigación.

Cumplimiento Normativo más Eficiente

Reguladores como el GAFI exigen que los procesos AML sean proporcionales al riesgo.
La segmentación ayuda a justificar ante reguladores por qué ciertos clientes tienen monitoreo más estricto y otros no.
Reduce el riesgo de sanciones por incumplimientos al demostrar una gestión de riesgos más robusta.

Fase 1: Selección de criterios para la segmentación

Para definir los criterios adecuados, partimos de tres principios clave:

Relevancia: Las variables deben tener un impacto directo en la probabilidad de actividad sospechosa.
Disponibilidad: Debemos asegurarnos de que la información esté accesible en los sistemas de la entidad.
Discriminación: Deben permitir separar a los clientes en grupos distintos.

Fase 2: Definición de datos relevantes

Variable	Fuente de datos
Ingresos, activos y pasivos	Registro contable, KYC.
Volumen y frecuencia transaccional	Core bancario, logs de movimientos
Actividad económica y ocupación	Cámara de Comercio, formulario de vinculación
Canal y medio de vinculación	Plataforma bancaria, registros de onboarding

📌 Hallazgo clave:

El 99.99% de los clientes no reportaron ocupación

Fase 3: Selección de Técnica de Modelado

Técnica	Descripción	¿Cuándo usarla?
Reglas Heurísticas (manuales)	Definimos manualmente umbrales de segmentación con base en expertos.	Cuando hay claridad sobre qué criterios usar y queremos simplicidad.
Estadística (Clustering jerárquico, Análisis de componentes principales)	Identifica segmentos basados en la dispersión de los datos sin predicciones.	Cuando hay muchas variables y queremos explorar patrones antes de aplicar ML.
Machine Learning (K-Means, DBSCAN, Birch)	Algoritmos no supervisados agrupan clientes automáticamente según similitud en múltiples variables.	Cuando queremos una segmentación más precisa y adaptable sin sesgo manual.

Fase 4: Construcción de Segmentos y Definición de Alertas

🎯 Segmento 1 (18.65% de los clientes, 11.14% de las transacciones)

📌 Perfil:

100% de los clientes son PEPs.
Empresas con alto volumen de activos y pasivos.
Transacciones mayormente digitales.

⚠️ Posibles riesgos:

Uso de entidades jurídicas para mover dinero sin actividad económica clara.
Empresas ficticias o fachada para lavado de dinero.

✅ Estrategia de monitoreo:

Revisión de beneficiarios finales y accionistas.
Generación de alertas por cambios drásticos en el patrón de transacciones.
Bloqueo de operaciones de más del 50% del volumen típico del cliente.

🎯 Segmento 2 (28.06% de los clientes, 14.14% de las transacciones)

📌 Perfil:

100% de los clientes son PEPs.
Empresas de sectores variados, con alta concentración en comercio.
Alto uso de efectivo y transacciones en ventanilla.

⚠️ Posibles riesgos:

Posibles estructuras de lavado a través de sectores vulnerables.
Alto uso de efectivo, lo que dificulta la trazabilidad.

✅ Estrategia de monitoreo:

Alertas por incremento en uso de efectivo superior al percentil 75.
Seguimiento especial a sectores de alto riesgo (ej. comercio, casinos).
Validación de relación entre ingresos reportados y volumen transaccional.

🎯 Segmento 3 (28.28% de los clientes, 14.38% de las transacciones)

📌 Perfil:

Empresas con altos activos y pasivos.
Uso intermedio de efectivo y transferencias digitales.
Ninguno de los clientes está catalogado como PEP.

⚠️ Posibles riesgos:

Riesgo moderado, pero con posibilidad de transacciones encubiertas.
Uso de estructuras empresariales para fragmentar operaciones.

✅ Estrategia de monitoreo:

Alertas por pagos consecutivos a múltiples beneficiarios en un mismo día.
Análisis de operaciones inusuales en clientes con ingresos bajos.
Segmentación adicional dentro de este grupo para ajustar reglas.

🎯 Segmento 4 (18.61% de los clientes, 10.86% de las transacciones)

📌 Perfil:

Empresas con menor volumen transaccional.
100% de los clientes NO son PEPs.
Alto uso de efectivo y ventanilla.

⚠️ Posibles riesgos:

Uso de efectivo sin justificar su origen.
Empresas fachada con movimientos pequeños pero frecuentes.

✅ Estrategia de monitoreo:

Identificación de depósitos en efectivo por encima de los ingresos declarados.
Comparación de transacciones con sectores similares para detectar anomalías.
Alertas por transacciones repetitivas en montos cercanos a los umbrales de reporte.

Amplía tu conocimiento con este ebook 👇