Buenas prácticas para modelos de segmentación de factores de riesgos de LAFT
La segmentación es ampliamente utilizada en varios sectores económicos y en la gestión de riesgos de lavado de activos y financiación del terrorismo, es aplicada en el proceso de análisis de los factores de riesgo, es decir, clientes / contrapartes, productos, canales y jurisdicciones.
Introducción
Para hablar de modelos de segmentación de factores de riesgos de LAFT, primero es importante entender qué es la segmentación y para qué sirve.
En términos generales, la segmentación consiste en el proceso de agrupar individuos o elementos a partir de unas características determinadas que los hacen similares entre sí y diferentes a otros grupos, facilitando así el análisis de los conjuntos.
La segmentación es ampliamente utilizada en varios sectores económicos y puede ser implementada bajo distintos métodos, entre los que se encuentran la agrupación manual a partir de conocimientos del negocio o el uso de herramientas automatizadas como algoritmos de Machine Learning.
En la gestión de riesgos de lavado de activos y financiación del terrorismo, la segmentación se aplica en el proceso de análisis de los factores de riesgo, es decir, clientes / contrapartes, productos, canales y jurisdicciones, a partir de grupos homogéneos al interior de ellos y heterogéneos entre ellos; resultado de la segmentación.
Algunos beneficios que tiene la aplicación del proceso de segmentación en el contexto de la gestión de riesgos de LAFT son:
- Apoyar el proceso de conocimiento del cliente.
- Identificar y gestionar los riesgos asociados que pueden aplicarse a los diferentes segmentos.
- Identificar características usuales o parámetros de normalidad de las transacciones de los clientes y así, detectar alertas en el comportamiento operacional y transaccional de estos.
- Fortalecer el monitoreo y seguimiento transaccional de los clientes y contrapartes.
Sumado a lo anterior, es importante saber que el modelo de segmentación es una herramienta que sirve para automatizar y facilitar la identificación y monitoreo de comportamientos anómalos a través del uso de modelamiento matemático y estadístico.
A continuación te compartimos buenas prácticas que debes tener en cuenta para el despliegue de un modelo de segmentación de factores de riesgos de LAFT en tu organización, tomando como referencia la metodología CRISP-DM, un ciclo de vida iterativo para la minería de datos que consta de seis fases.
Igualmente, incluimos recomendaciones claves para que el modelo de segmentación utilizado realmente genere valor para tu organización y cumpla con uno de sus principales objetivos: la generación de alertas automáticas sobre cambios en el comportamiento transaccional de los clientes y contrapartes, que podrían ser indicio de involucramiento en delitos como el lavado de activos, la financiación del terrorismo o la proliferación de armas de destrucción masiva.
Es importante que tengas en cuenta que este documento de buenas prácticas está basado en la normativa más completa que existe hasta el momento, la colombiana, pues no todas las regulaciones exigen todos los factores de riesgo, además, las recomendaciones se aplican de manera diferente para cada industria u organización.
Metodología CRISP-DM
CRISP-DM, Cross Industry Standard Process for Data Mining (Proceso Estándar para Minería de Datos en Industrias Cruzadas), es una metodología probada y muy utilizada en proyectos de minería de datos y aprendizaje automático, su objetivo es el desarrollo de modelos a partir de la información y datos específicos de un negocio.
Esta metodología es flexible y puede adaptarse fácilmente a cada industria y contexto.
CRISP-DM está compuesta por seis fases:
Cada una de estas fases de la metodología CRISP-DM son importantes para una buena implementación de un modelo de segmentación de factores de riesgos de LAFT.
Fases de la metodología CRISP-DM y buenas prácticas
A continuación te explicamos de qué se trata cada una de estas seis fases de la metodología CRISP-DM y te brindamos recomendaciones a considerar en cada una de ellas.
1. Entendimiento del negocio
Esta primera fase es de las más importantes de toda la metodología. Se trata de conocer muy bien el negocio: cómo es, cuál es el alcance que tiene en el mercado, cuáles son las características y particularidades de los productos o servicios, quiénes son los clientes, cuáles son los canales de distribución y toda la información que pueda impactar en los objetivos del negocio.
Recomendaciones
- Tener conocimiento del contexto interno y externo de la organización con enfoque de riesgos.
- Conversar con los líderes de los procesos y hacer encuestas para entender el negocio desde la base.
- Consultar información de diferentes fuentes internas y externas garantizando las características de calidad de los datos.
- Consultar y analizar información histórica sobre el negocio para cada uno de los factores de riesgo.
- Entender de forma clara la descripción y el comportamiento de los principales factores de riesgo: clientes, productos, canales y jurisdicciones.
2. Entendimiento de los datos
Luego de conocer y entender muy bien el negocio, la siguiente fase es entender los datos que se tienen almacenados y que servirán de insumo para el modelo de segmentación, por ejemplo, toda la información sobre el conocimiento de los clientes y contrapartes.
Recomendaciones
- Tener claridad sobre las fuentes de datos: dónde están los datos del negocio, cómo se registra y almacena la información, qué tipo de bases de datos se tienen, cómo están construidas, quién maneja y tiene acceso a esas bases de datos, cuál es el volumen de los datos y cómo están relacionados entre sí.
- Garantizar y conocer el estado de la calidad de los datos. Para medir esta calidad es importante tener en cuenta variables como: nivel de poblamiento, integridad, validación de los datos.
- Saber qué bases de datos e información sí pueden ser útiles y cuáles no para el modelo de segmentación.
- Definir y documentar la periodicidad de la actualización de las bases de datos. Esto es clave para la calidad de los datos a utilizar en el modelo de segmentación.
3. Preparación de los datos
Esta tercera fase está muy relacionada con la anterior, ya que para preparar los datos es necesario entenderlos y tener el conocimiento y dominio del core del negocio.
El objetivo de la preparación de los datos es que la información cumpla con unas características mínimas para que el modelo de segmentación (modelo matemático y estadístico) no se vea afectado y pueda tener una buena respuesta tanto a nivel técnico como en su ejecución.
Recomendaciones
- Realizar un proceso de limpieza de los datos y esto incluye actualizar la información de clientes o contrapartes para evitar que los datos esenciales estén desactualizados o vacíos y garantizar así que cumplen con las condiciones adecuadas de calidad.
- Garantizar en todo momento que la base de datos esté limpia, organizada y actualizada. Una vez se tenga esto, para seguir con la preparación de los datos para el modelo de segmentación, es importante apoyarse en una herramienta tecnológica que facilite esta labor.
Con el sistema de gestión de riesgos de lavado de activos de Pirani, a través de la sección de Segmentación, te apoyamos en el proceso de preparación de los datos para la posterior elección del modelo matemático de segmentación que implementarán. Eso sí, es importante que sepas que la calidad de la base de datos es 100% responsabilidad de tu organización.
4.Modelamiento
Una vez se tienen los datos listos, la siguiente fase es el modelamiento, es decir, la elección tanto del modelo de segmentación a utilizar, también llamado algoritmo, como de las variables adecuadas.
Para esta fase, en Pirani te ofrecemos dos modelos de segmentación: K-Means y Biétapico.
Recomendaciones
- Ejecutar más de un modelo de segmentación con el fin de tener una base comparativa y poder hacer una mejor calibración del modelo. La recomendación es probar más de uno, por lo menos dos, para saber cuál tiene un mejor resultado y se adapta a las necesidades específicas del negocio.
Se trata entonces de un proceso de calibración del modelo para validar a nivel estadístico y a nivel de negocio (práctico) entre un modelo y otro cuál funciona y explica mejor la información de la organización. Una vez más, aquí es fundamental la primera fase de entendimiento del negocio, de tener claro el contexto.
- Seleccionar las variables adecuadas para cada uno de los factores de riesgo, para esto es necesario probar y validar las diferentes variables que se desean tener para el modelo. Una correcta selección de estas variables va a permitir tener un resultado exitoso al final.
Algunas variables a considerar pueden ser: actividad económica, ingresos, volumen transaccional, etc. Esto dependerá de cada negocio y del conocimiento que se tenga, por eso, puedes tener otras que sean más relevantes para la segmentación en tu organización porque cada empresa debe seleccionar las variables que le interesan para su modelo de segmentación y con base en esto, determinar la homogeneidad y heterogeneidad dentro de los segmentos.
En resumen, lo clave de esta fase de la metodología es probar diferentes modelos o algoritmos y a partir de los resultados, elegir cuál se ajusta mejor a las necesidades de la organización. Igualmente, probar y analizar distintas variables para cada uno de los factores de riesgo (clientes, productos, canales y jurisdicciones) y seleccionar las adecuadas para el negocio, esto va a permitir caracterizar los diferentes segmentos.
5. Evaluación del resultado
Después de elegir el modelo o algoritmo que va a ser implementado, se debe evaluar o validar su resultado, si este es acorde a las expectativas del negocio. Puede hacerse con una simple inspección o también con procesos automáticos como pruebas de robustez.
El objetivo de esta fase es validar el modelo de segmentación, que el resultado sí sea coherente con lo esperado.
Recomendaciones
- Partir de la caracterización de los segmentos para revisar que toda la información es correcta, que la distribución es la adecuada, en últimas, que todo haya quedado segmentado de manera lógica.
Ten en cuenta que la caracterización de los segmentos, que se realiza con base en estadística descriptiva, sirve de insumo para presentar informes a la junta directiva, catalogar los riesgos de cada segmento, parametrizar las alertas y generar alertas a grupos específicos.
- Realizar siempre esta validación después de un proceso de segmentación, bien sea por inspección o por medio de herramientas alternativas que permitan evaluar tanto el nivel de consistencia como de precisión de los resultados entregados por el modelo.
6. Despliegue (Deployment)
Si al evaluar el resultado todo está correcto, en esta última etapa se despliega el modelo completo de segmentación con el fin de agregar realmente valor para la organización.
Con Pirani podrás iniciar la ejecución del modelo seleccionado, al hacerlo tendrás los factores de riesgo agrupados en diferentes segmentos, así como la información sobre su comportamiento transaccional.
Recomendaciones
- Identificar la periodicidad con la que se va a ejecutar nuevamente la segmentación pues debe ser un ciclo, es decir, después de un determinado periodo hay que ejecutarla de nuevo, por ejemplo, una o dos veces al año.
- Realizar análisis, revisión de las características de los segmentos y calibración de las alertas cada vez que se ejecuta la segmentación porque es posible que los resultados de esta cambien y de ser así, definir nuevas alertas o ajustar las que ya existen. De esto se trata la calibración del modelo de segmentación.
- Integrar los resultados de la segmentación al monitoreo y seguimiento transaccional definiendo patrones que puedan generar inusualidades con base en los resultados de cada segmento. Los patrones o alertas deben parametrizarse, así como la frecuencia de su ejecución.
- Definir procedimientos para el análisis de las operaciones inusuales presentadas para cada factor de riesgo. Aquí es importante tener todo muy bien documentado.
Recomendaciones finales
El modelo de segmentación de factores de riesgos de LAFT no termina en la fase de despliegue. Después de esto es fundamental tener unas políticas claras sobre cómo realizarle mantenimiento y soporte al modelo para darle continuidad. Es recomendable:
- Establecer políticas y procedimientos adecuados que permitan el mantenimiento y la continuidad del modelo durante el tiempo porque todos los datos base referentes a los factores de riesgo son susceptibles de cambiar.
- Tener una estrategia para mantener el modelo, esto es, definir la periodicidad para la revisión y actualización del modelo, esto incluye la modificación de variables en caso de ser necesario.
- Definir claramente quiénes son los responsables de dar mantenimiento y velar por la continuidad del modelo de segmentación.
- Tener en cuenta tanto factores internos como externos a la organización al momento de revisar la calidad del modelo ejecutado.
- Documentar todo lo referente al modelo de segmentación: los pasos que se siguieron para su elección, así como información sobre la calibración de este y los resultados obtenidos.
- Actualizar de forma constante la información que se tiene sobre cada uno de los factores de riesgo, así como la transaccionalidad de estos. Esto debe hacerse permanentemente, no solo para la ejecución del modelo o la recalibración del mismo.
En Pirani podemos acompañar a tu organización a implementar de manera adecuada un modelo de segmentación de factores de riesgos de LAFT con el que puedan agruparlos y entender sus características para así poder monitorear fácilmente su comportamiento transaccional y evitar un posible involucramiento en riesgos LAFT.
Si quieres conocer más sobre cómo funciona la sección de Segmentación de nuestro sistema de gestión de riesgo de lavado de activos AML, solicita una demostración con nuestro equipo experto.
Referencia bibliográfica
- Superintendencia Financiera de Colombia: Guía de mejores prácticas para la construcción de modelos de segmentación relacionados con los factores de riesgo de Lavado de Activos y Financiación del Terrorismo
- IBM: Conceptos básicos de ayuda de CRISP-DM
- MBA USP/ESALQ: CRISP-DM: las 6 etapas de la metodología del futuro
