Los algoritmos avanzados de emparejamiento, que utilizan métodos de clave fonética como Soundex, Metaphone y Double Metaphone, han revolucionado la eficiencia y la precisión de la detección de sanciones en el cumplimiento financiero.
El cumplimiento de las sanciones requiere la identificación de los factores clave de coincidencia del perfil o las credenciales del cliente relevantes para el cliente o la transacción, como la coincidencia completa y exacta del nombre, la fecha de nacimiento, la nacionalidad, la jurisdicción, etc. El uso de algoritmos habilitados para la inteligencia artificial (IA) y el aprendizaje automático (ML) requiere la introducción de datos de identificación o coincidencia relevantes y correctos para realizar un control profundo y relevante de las sanciones.
En el pasado, se han impuesto multas a las instituciones financieras debido a la falta de registros y procesos de selección de sanciones, lo que provocó transacciones con países sancionados.
Algunos de los desafíos en el cumplimiento de las sanciones incluyen errores tipográficos, cadenas de datos incompletas, uso de apodos, diferencias ortográficas, etc. Los algoritmos difusos pueden ayudar con estos desafíos más amplios de datos o entradas. El mantenimiento y el uso de factores de entrada de datos correctos para el cumplimiento de las sanciones generan menos falsos positivos y afectan positivamente al cumplimiento general de las sanciones por parte de la institución.
El uso de algoritmos avanzados de nombres vinculados a IA y ML ayuda a utilizar la entrada de datos correcta y evita una selección de nombres inadecuada para realizar búsquedas de sanciones relacionadas con el nombre en las bases de datos reglamentarias y las listas de sanciones.
En última instancia, aumenta la eficiencia de las medidas contra el blanqueo de capitales (AML) y permite la identificación oportuna de verdaderas coincidencias. El uso de algoritmos y metadatos para realizar la detección de sanciones, captura información relevante y casi completa de la evaluación, como el nombre, la dirección, la jurisdicción, el número de teléfono, el número de identificación u otros puntos de datos de identificación del cliente.
Las búsquedas de nombres y los procesos de selección inadecuados pueden ser perjudiciales, lo que puede dar lugar a multas, pérdidas de reputación y pérdida de clientes. El uso de capacidades de IA y ML permite la detección individual autorizada y reduce los riesgos de identificar a un cliente que no está sancionado, lo que evita una mala experiencia del cliente y pérdidas comerciales.
Los algoritmos avanzados de coincidencia
Los algoritmos avanzados de coincidencia pueden resolver imprecisiones en la búsqueda de sanciones, como las listas de vigilancia y las sanciones internacionales que pueden contener nombres pertenecientes a rusos u otras nacionalidades que no utilizan el alfabeto latino, lo que puede dar lugar a imprecisiones en la búsqueda de nombres. Tales imprecisiones dan como resultado falsos positivos y una inversión de tiempo. El problema se vuelve más complejo con big data, cientos de millones de nombres y grandes escenarios de comparación, que se pueden gestionar a través de algoritmos avanzados de coincidencia y predicción.
Los algoritmos avanzados de coincidencia utilizan un método de clave común que reduce los nombres de los clientes o personas a una clave basada en la pronunciación en inglés. El método de clave Soundex permite compartir una sola clave, como la tecla C21, para nombres que suenan similares, como Candy, Condie, etc.
Los otros métodos clave, como el metáfono y el doble metáfono, utilizan algoritmos avanzados para convertir nombres con sonidos similares en la misma clave, lo que mejora la detección de sanciones y la coincidencia de nombres. Estos métodos clave utilizan una gama más amplia de reglas relacionadas con la pronunciación.
El Double Metaphone introduce códigos que incluyen un código primario y un código secundario para cada nombre de cliente. Este método incluye la pronunciación de diferentes idiomas, como el inglés, el eslavo, el celta, el español, el francés, el alemán y el chino. Por ejemplo, el Metaphone codifica el nombre «David» con un código primario de DA0 y un código secundario de XMT. Schmidt está etiquetado con el código primario de DA0 y un código SMT secundario, lo que indica un grado de similitud para las búsquedas y el cribado de sanciones.
Reflexiones finales
El cumplimiento de las sanciones requiere una identificación precisa de los perfiles de los clientes clave y las credenciales de las transacciones, y los obstáculos comunes son los errores tipográficos, los apodos y las variaciones ortográficas. La integración de la IA y el ML con algoritmos avanzados como Soundex, Metaphone y Double Metaphone ayuda a superar estas discrepancias centrándose en las similitudes fonéticas entre varios idiomas. Esto garantiza una mejor detección de las sanciones a partir de las bases de datos reguladoras, lo que reduce los falsos positivos y, en consecuencia, aumenta la eficacia de las iniciativas contra el blanqueo de capitales.
La precisión que aportan estas tecnologías no solo reduce el potencial de daño financiero y de reputación, sino que también optimiza la experiencia del cliente, manejando escenarios intrincados especialmente frecuentes en big data.
