El aprendizaje automático para la elaboración de perfiles de riesgo ofrece un enfoque revolucionario para evaluar posibles amenazas y vulnerabilidades mediante el análisis de grandes conjuntos de datos, lo que garantiza un análisis más preciso y predictivo de los comportamientos individuales o institucionales.
La digitalización ha permitido a los clientes acceder y mover sus fondos digitalmente de una manera rápida y conveniente. Sin embargo, esto también ha abierto diferentes formas posibles para que los delincuentes utilicen el sistema financiero de forma remota y transfieran sus fondos ilegales a través de varias cuentas y en diferentes jurisdicciones.
Las instituciones financieras de todo el mundo se esfuerzan por dar cuenta de los riesgos que plantea la digitalización y las formas innovadoras de los delitos financieros. Es necesario incluir nuevos indicadores de riesgo en el marco de lucha contra el blanqueo de capitales y desarrollar los procesos y controles de mitigación necesarios para garantizar que las instituciones financieras sigan las normas de cumplimiento de la normativa contra el blanqueo de capitales y el KYC.
La tecnología y las técnicas de aprendizaje automático (ML) pueden permitir a las instituciones mejorar el proceso KYC y reducir los riesgos de delitos financieros.
La tecnología ML puede ayudar en calificación de riesgo del cliente (RRC), que es una puntuación o banda asignada a un cliente en particular en función de su riesgo de delito financiero percibido derivado de parámetros como la residencia del cliente, las cuentas, la naturaleza del negocio, el nivel de ingresos, las fuentes de ingresos, el beneficiario final, los medios negativos, las pruebas sociales, etc.
La tecnología de aprendizaje automático puede contrarrestar los parámetros estáticos del cliente que no siempre ayudan a establecer la puntuación de riesgo correcta del cliente debido a diferentes factores, como la frecuencia de cambio en el comportamiento del cliente, los asociados conocidos y los datos transaccionales.
La tecnología de ML puede tener en cuenta algunos parámetros que pueden no variar con el tiempo, por lo que los clientes pueden permanecer en la misma banda de puntuación de riesgo independientemente de la transacción o actividad actual. Esto se considera un inconveniente significativo de los actuales modelos de calificación de riesgo utilizados por las instituciones financieras, que requieren un proceso de diligencia debida del cliente basado en el ML para centrarse en los clientes de categoría de alto riesgo, como las PEP, o en las transacciones de alto riesgo, como la ejecución de transacciones transfronterizas de alto riesgo por parte de los clientes.
Además, en los ámbitos del cumplimiento de AML y KYC, el uso de la tecnología ML puede reducir los riesgos de definir escenarios de transacciones irrelevantes, umbrales que conducen a la generación de falsos positivos excesivos.
El uso de ML permite una calificación de riesgo dinámica para el cliente o una revisión de puntuación, que permite la revisión del número o puntuación de riesgo en función de los parámetros de riesgo intrínsecos y dinámicos actuales del perfil del cliente. El riesgo intrínseco se captura principalmente a través de la transacción del cliente o sus atributos no transaccionales que se determinan a través de archivos de datos del cliente, datos de alertas de transacciones pasadas, actividades relacionadas con delitos financieros reportadas en el pasado y otras características de riesgo.
Aprendizaje automático para la elaboración de perfiles de riesgo
Requisito reglamentario
Los requisitos de AML se centran más en explicar la lógica detrás del perfil de riesgo del cliente y la calificación realizada por las instituciones financieras. Para justificar la calificación o el perfil de riesgo del cliente, las instituciones financieras necesitan adoptar una tecnología de cumplimiento normativo basada en IA para garantizar un perfil o calificación de riesgo del cliente espontáneo o en tiempo real.
La diligencia debida del cliente (DDC), incluida la diligencia debida reforzada (EDD), se aplicaría utilizando técnicas basadas en IA y ML para cambiar la calificación de riesgo del cliente y hacer que el proceso de supervisión de la lucha contra el blanqueo de capitales sea más eficaz, según los requisitos reglamentarios.
Los requisitos de cumplimiento de AML requieren la identificación del beneficiario final y el uso de la tecnología de ML puede ayudar en la identificación de los beneficiarios finales utilizando datos precisos, completos y más recientes sobre el beneficiario final (UBO) proporcionados por las autoridades reguladoras o disponibles en portales de datos de beneficiarios finales confiables y relevantes.
Los cambios mencionados son obligatorios para que las instituciones financieras los implementen en el proceso de monitoreo continuo. La incorporación de los cambios en el RRC permitirá a las entidades racionalizar su proceso y metodología de calificación del riesgo de los clientes y mejorar el escrutinio y la investigación de las transacciones.
La creciente presión regulatoria ejercida sobre las instituciones para que utilicen más procedimientos estadísticos de cumplimiento de KYC basados en IA, como en la Ley de Secreto Bancario (BSA), el cumplimiento de AML está empujando a las instituciones a reemplazar el enfoque heurístico de CRR basado en reglas por un modelo de CRR bien establecido y basado en estadísticas.
Los métodos de ML están disponibles para cuantificar el riesgo de los clientes en función de sus cualidades. Entre las alternativas, la técnica mejor y más adecuada es la que puede cubrir las tipologías disponibles y/o identificar nuevas tipologías. La visión holística del riesgo del cliente controlará la ocurrencia de falsos positivos excesivos sin comprometer la cobertura de escenarios de transacciones establecidos o previstos.
Las etapas del enfoque de la RRC pueden incluir:
Ingeniería de características
El proceso de ingeniería de características requiere que los algoritmos de ML funcionen. Los algoritmos de ML con funciones inteligentes producen resultados precisos, y la ingeniería de características puede aportar valor matemático al conocimiento subjetivo de los datos de los clientes. Por ejemplo, una red de cuentas con casos sospechosos puede definirse objetivamente en el paso de ingeniería de características. Se pueden crear muchas características en función de la evolución de las tipologías de delitos financieros.
Red Neuronal Artificial (RNA)
ANN es una técnica de aprendizaje profundo supervisado para descubrir patrones en los datos. Puede actualizar los pesos/coeficientes por sí mismo. ANN es una técnica poderosa para aprender relaciones complejas y no lineales y proporciona resultados precisos. Su único inconveniente es que el modelo final no es visible.
Agrupamiento
La agrupación en clústeres es una técnica de aprendizaje automático no supervisada que ayuda a descubrir agrupaciones naturales en los datos. Se puede utilizar para definir bandas de riesgo en función de las características del clúster y la distribución del segmento de riesgo del cliente existente. La clase mayoritaria se asigna como banda de riesgo para el clúster.
Desarrollo de modelos
Los modelos estadísticos basados en el aprendizaje automático se basan en metodologías y enfoques estadísticos bien establecidos que han sido examinados, revisados y publicados en revistas académicas. La mayoría de los modelos estadísticos que utilizan las empresas financieras para la RRC son predictivos, como la regresión lineal, la regresión logística binaria u ordinal, los árboles de decisión (todos los tipos) y las redes neuronales. La aplicación y los objetivos de calificación de riesgo determinan el modelo que la empresa selecciona. Para la RRC, los modelos de regresión logística binaria u ordinal son los más comunes.
Retroalimentación
En el marco de calificación dinámica de riesgos, el algoritmo aprende con el paso del tiempo. Aumenta la puntuación de riesgo de los clientes cuyas actividades percibe como anormales y minimiza la puntuación de riesgo del cliente para aquellos que muestran actividades o comportamientos de riesgo, pero en una transacción o escenario único.
La RRC debe definirse con precisión para el período histórico anterior al desarrollo del modelo. Si el riesgo actual del cliente no refleja la calificación de riesgo correcta, la muestra puede extraerse de esa población en la que la calificación de riesgo del cliente se asigna con precisión. La muestra debe ser lo suficientemente grande como para generalizar los resultados del modelo.
Se pueden utilizar diferentes fuentes de datos para el modelo CRR, por ejemplo, datos transaccionales, datos de redes de delitos financieros, datos de rendimiento, archivos de información al cliente, etc. Es posible que sea necesario aplicar comprobaciones de integridad de los datos del cliente para garantizar la integridad y la calidad de los datos del cliente.
Las variables de las fuentes de datos de los clientes pueden incluir el historial de comportamientos delictivos, la presentación de casos, el número de veces que el cliente cambió de dirección, el número de cuentas inactivas, las transacciones en países de alto riesgo, las relaciones comerciales con delincuentes o personalidades de alto riesgo, etc. En el modelo CRR, se pueden crear muchas características diferentes y vincularlas entre sí para cubrir áreas de riesgo relacionadas con el perfil del cliente.
Reflexiones finales
La digitalización ha transformado el panorama financiero, ofreciendo una comodidad sin precedentes en cuanto a la accesibilidad y las transferencias de fondos. Sin embargo, con esta evolución viene el desafío de combatir nuevas vías para los delitos financieros que explotan las lagunas digitales. Las instituciones financieras de todo el mundo se enfrentan a estos riesgos emergentes, lo que requiere una renovación de los marcos de lucha contra el blanqueo de capitales (AML) para incorporar indicadores de riesgo innovadores y garantizar el estricto cumplimiento de los protocolos de Conozca a su cliente (KYC). El aprendizaje automático (ML) surge como una tecnología fundamental en este contexto, refinando la calificación de riesgo del cliente (CRR) al tener en cuenta los parámetros estáticos y dinámicos del cliente, reducir los falsos positivos y mejorar los procesos de diligencia debida.
A medida que aumentan las exigencias normativas, las instituciones se ven obligadas a pasar de modelos basados en reglas a enfoques avanzados basados en el aprendizaje automático. Este movimiento busca ofrecer una visión más completa del riesgo del cliente, aprovechando los intrincados conjuntos de datos y aprovechando técnicas como la ingeniería de características, las redes neuronales artificiales y la agrupación en clústeres. Garantizar la integridad y la integridad de estos datos se vuelve primordial. A medida que el ámbito digital continúa expandiéndose, la integración de estas metodologías de ML en los sistemas financieros será crucial para salvaguardar la integridad de las transacciones financieras globales.
