Este artículo trata de los «Modelos de calificación del riesgo del cliente en la DDC y la CSC«.
Las organizaciones emplean una de las tres estrategias básicas para identificar el blanqueo de capitales: los modelos de calificación del riesgo del cliente. Hoy en día, los modelos de la mayoría de los bancos se basan en una evaluación del riesgo de criterios como el empleo del cliente, el salario y los productos bancarios utilizados. La información se recoge cuando se establece una nueva cuenta, pero rara vez se actualiza. A partir de estos datos, se calcula una puntuación de riesgo y se asigna una ponderación a cada uno de ellos.
Las puntuaciones son notoriamente inexactas, ya que no identifican a algunos de los consumidores de alto riesgo de la organización, al tiempo que clasifican erróneamente como de alto riesgo a miles de clientes de bajo riesgo. Esto obligaba a examinar un gran número de casos de clientes, lo que aumentaba los gastos y diluía la eficacia de las operaciones contra el blanqueo de capitales(AML).
Los reguladores de todo el mundo están promoviendo métodos creativos para combatir el blanqueo de capitales, y las principales instituciones están respondiendo poniendo a prueba nuevos sistemas y prácticas. Algunos de estos líderes han adoptado la técnica de calificación del riesgo de los clientes que se describe en este artículo, que combina características de otras dos herramientas fundamentales de lucha contra el blanqueo de capitales: la supervisión de las transacciones y la selección de clientes.
El enfoque identifica a los clientes de alto riesgo de forma mucho más eficaz que el método utilizado por la mayoría de las instituciones financieras en la actualidad, reduciendo en algunos casos el número de clientes incorrectamente etiquetados como de alto riesgo entre un 25 y un 50 por ciento. También utiliza los recursos de la AML de forma mucho más eficiente.
Prácticas de calificación del riesgo del cliente
Para adoptar la nueva generación de modelos de calificación del riesgo de los clientes, las organizaciones están aplicando cinco buenas prácticas: simplifican la arquitectura de sus modelos, mejoran la calidad de sus datos, introducen el análisis estadístico para complementar el juicio de los expertos, actualizan continuamente los perfiles de los clientes teniendo en cuenta también su comportamiento, y despliegan herramientas de aprendizaje automático y ciencia de redes.
Simplificar la arquitectura del modelo
La mayoría de los modelos de ALD son excesivamente complejos. Los factores utilizados para medir el riesgo de los clientes han evolucionado y se han multiplicado en respuesta a las exigencias normativas y a la percepción del riesgo por parte de los clientes, pero todavía no son exhaustivos. Los modelos suelen contener factores de riesgo que no distinguen entre países de alto y bajo riesgo, por ejemplo. Además, las metodologías para evaluar el riesgo varían según la línea de negocio y el modelo. Se pueden utilizar diferentes factores de riesgo para diferentes segmentos de clientes.
Incluso cuando se utiliza el mismo factor, a menudo es sólo de nombre. Las diferentes líneas de negocio pueden utilizar diferentes escalas de clasificación de riesgos laborales, por ejemplo. Todo esto perjudica la precisión de las puntuaciones de riesgo y aumenta el coste de mantenimiento de los modelos. Además, una red de factores heredados y superpuestos puede dificultar la aplicación eficaz de normas importantes. Una persona expuesta al riesgo político podría pasar desapercibida en los procesos de selección si, por ejemplo, las distintas unidades de negocio utilizan listas de comprobación diferentes.
Con el nuevo enfoque, las principales entidades examinan sus programas de lucha contra el blanqueo de capitales de forma holística, alineando primero todos los modelos con un conjunto coherente de factores de riesgo y determinando después los datos pertinentes para cada línea de negocio. El enfoque no sólo identifica el riesgo de manera más eficaz, sino que lo hace de forma más eficiente, ya que las diferentes empresas pueden compartir las inversiones necesarias para desarrollar herramientas, enfoques, normas y conductos de datos.
Mejorar la calidad de los datos
La mala calidad de los datos es el factor que más contribuye a los malos resultados de los modelos de calificación del riesgo de los clientes. La información KYC incorrecta, la falta de información sobre los proveedores y las descripciones comerciales erróneas perjudican la eficacia de las herramientas de detección de clientes y aumentan innecesariamente la carga de trabajo de los equipos de AML.
El problema puede ser difícil de resolver, ya que a menudo no está claro el origen de los datos deficientes. Cualquiera de los sistemas por los que pasan los datos, incluido el proceso de recogida de los mismos, podría dar lugar a una identificación incorrecta de las ocupaciones, por ejemplo. Sin embargo, los algoritmos de aprendizaje automático pueden buscar exhaustivamente en los subsegmentos de datos de clientes u organizaciones para identificar dónde se concentran los problemas de calidad de la información, ayudando a los investigadores a identificarlos y resolverlos.
A veces, el procesamiento del lenguaje natural (PNL) puede ayudar. En muchas organizaciones se revisan más de la mitad de los casos, que se califican de alto riesgo simplemente por la mala calidad de los datos.
Uno de los bancos descubrió que un gran número de casos estaban marcados en rojo y tenían que ser revisados porque los clientes se describían a sí mismos como médicos o doctores cuando el sistema sólo reconocía «médico» como ocupación. El uso de algoritmos de PNL para llevar a cabo el análisis semántico y solucionar el problema de la identificación ayuda a reducir el retraso de la diligencia debida mejorada en más de un 10 por ciento.
Actualizar los perfiles de los clientes teniendo en cuenta su comportamiento
Un modelo de clasificación de riesgos más eficaz actualiza la información del cliente de forma continua, señalando un cambio de dirección a un país de alto riesgo, por ejemplo. Otro problema de los perfiles, en general, es que tienen un valor limitado a menos que las instituciones consideren también el comportamiento de la persona. Hemos comprobado que el simple hecho de conocer la ocupación de un cliente o los productos bancarios que utiliza, por ejemplo, no añade necesariamente valor predictivo a un modelo.
La mayoría de los modelos de calificación del riesgo de los clientes adoptan hoy en día una visión estática del perfil de un cliente: su residencia u ocupación actual, por ejemplo. Sin embargo, la información de un perfil puede quedar rápidamente obsoleta: la mayoría de los bancos dependen de que los clientes actualicen su información, lo que hacen con poca frecuencia en el mejor de los casos. Más revelador es si el comportamiento de la transacción del cliente se ajusta a lo que cabría esperar dada una ocupación declarada, o el modo en que el cliente utiliza un producto.
Reflexiones finales
Este artículo trata de los «Modelos de calificación del riesgo del cliente en la DDC y la CSC». El modelo de calificación del riesgo de los clientes es una de las tres estrategias básicas utilizadas para identificar el blanqueo de capitales por parte de las organizaciones. Hoy en día, los modelos de la mayoría de los bancos se basan en una evaluación del riesgo de criterios como el empleo del cliente, el salario y los productos bancarios utilizados.
