orm_icon

 

Gestión de riesgos operacionales

Identifica, mide, controla y monitorea fácilmente los riesgos operativos de tu organización →
isms-icon

 

Gestión de seguridad de la información

Garantizar la confidencialidad, integridad y disponibilidad de tus activos de información →
compliance_icon-16

 

Cumplimiento normativo

Lleva el control de todas las normativas y regulaciones que debe cumplir tu organización →
aml-17

 

Gestión de riesgo de lavado de activos

Identifica, establece controles y monitorea fácilmente los riesgos LAFT→

 

icono_auditoria

 

Auditoría

Mejora tus procesos de auditoría, apoya el cumplimiento normativo y genera valor a tu organización a través de la mejora continua →

Buenas prácticas para la segmentación de factores de riesgos

Escuela de Gestión de Riesgos
15 de mayo de 2023

En esta sesión Jorge Gómez, especialista en AML, nos da una introducción a la segmentación de factores de riesgo, qué es la metodología CRISP-DM, recomendaciones claves para mantener la segmentación en el tiempo y cómo puedes segmentar tus factores de riesgos desde una herramienta fácil de usar como Pirani.

¡Pruébalo gratis ahora!

1. Introducción a la segmentación de factores de riesgo

Es el proceso por medio del cual se lleva a cabo la separación de elementos en grupos homogéneos al interior de ellos y heterogéneos entre ellos.

1.1. Factores de riesgo en lavado de activos y financiación del terrorismo

En este caso debemos hablar puntualmente de clientes, contrapartes, jurisdicciones, productos y canales, los cuales son citados en la recomendación 10 del GAFI que amplía el concepto de debida diligencia.

1.2. Tipos de segmentación

  • Descriptiva
  • A juicio de expertos (método delphi)
  • Dinámica
  • Atada a la debida diligencia
1.3. Metodologías para la segmentación

K-Means: es un algoritmo de clasificación no supervisada (clusterización) que agrupa objetos en k grupos basándose en sus características (Variables). El agrupamiento se realiza minimizando la suma de distancias entre cada objeto y el centroide de su segmentos o cluster, o lo que es lo mismo se agrupan en función de la similitud de las características.

Bietápico: este clúster intenta revelar los patrones en el conjunto de datos de entrada. Los registros se agrupan de manera que los de un mismo grupo o clúster tiendan a ser similares entre ellos, y que los de otros grupos sean distintos.

Redes neuronales: aprendizaje basado en la práctica, modelos de Machine Learning, tiene un gran enfoque en el análisis predictivo.

1.4. Análisis del contexto

  • Conocimiento del negocio: ¿Qué hace? - ¿Cómo lo hace? ¿Con quién lo hace? ¿Dónde lo hace?
  • Conocimiento del mercado: Competencia - Mercado objetivo - Métodos transaccionales - Jurisdicciones

1.5. Tipos de variables a segmentar

Cuantitativas: continuas (usan números decimales) y discretas (toman números enteros).

Cualitativas: nominal (no tiene características específicas) y ordinal (llevan un orden jerárquico).

1.6. Beneficios de la aplicación del proceso de segmentación

  • Facilita el proceso de conocimiento de las contrapartes y demás factores de riesgo mencionados, con lo cual se logra tener un contexto amplio de la organización y su entorno.
  • Identificar tendencias y tipologías del riesgo a lo largo de los diferentes segmentos.
  • Si logramos ligar la segmentación con el monitoreo transaccional, conseguiremos también identificar los movimientos intra y extra segmento de forma oportuna.

2. Metodología CRISP-DM

Cross Industry Standard Process for Data Mining (Proceso Estándar para Minería de Datos en Industrias Cruzadas). Es una metodología de amplia difusión y probada en procesos de aprendizaje automático, el propósito de esta es el desarrollo de modelos a partir de información y datos específicos de una compañía.

2.1. Entendimiento del negocio

  • Tener conocimiento del contexto interno y externo.
  • Entender el negocio desde la base.
  • Consultar información de diferentes fuentes internas y externas.
  • Consultar y analizar información histórica.
  • Entender de forma clara la descripción y el comportamiento de los principales factores de riesgo: clientes, productos, canales y jurisdicciones.

2.2. Entendimiento de los datos

  • Entender los datos que se tienen almacenados.
  • Tener claridad sobre las fuentes de datos.
  • Garantizar y conocer el estado de la calidad de los datos (ISO 25012).
  • Saber qué bases de datos e información sí pueden ser útiles.
  • Definir y documentar la periodicidad de la actualización.

2.3. Preparación de los datos

  • Para preparar los datos es necesario entenderlos.
  • Garantizar en todo momento que la base de datos esté limpia, organizada y actualizada.

2.4. Modelamiento

  • Elección tanto del modelo de segmentación a utilizar, también llamado algoritmo, como de las variables adecuadas.
  • Ejecutar más de un modelo de segmentación e ir probando diferentes.
  • Proceso de calibración del modelo, entender los resultados y hacer ajustes de forma que sea un proceso práctico y útil para la compañía.
  • Seleccionar las variables adecuadas para cada uno de los factores de riesgo.
  • Algunas variables a considerar pueden ser: actividad económica, ingresos, volumen transaccional, entre otras.

2.5. Evaluación del resultado

  • Validar el modelo de segmentación en pro de que el resultado sí sea coherente con lo esperado.
  • Revisar que toda la información es correcta.
  • 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.

2.6. 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.
  • Después de un determinado periodo hay que ejecutarla de nuevo.
  • Realizar análisis, revisión de las características de los segmentos y calibración de las alertas.
  • Integrar los resultados de la segmentación al monitoreo y seguimiento transaccional.
  • Definir procedimientos para el análisis de las operaciones inusuales.

3. Recomendaciones claves para mantener la segmentación en el tiempo

  • Tener unas políticas claras sobre cómo realizarle mantenimiento, soporte al modelo, con el fin de mantenerlo en el tiempo.
  • 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.
  • Actualizar de forma constante la información.

Referencias bibliográficas

  1. 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.
  2. IBM: Conceptos básicos de ayuda de CRISP-DM
  3. MBA USP/ESALQ: CRISP-DM: las 6 etapas de la metodología del futuro

Buenas prácticas para modelos de segmentación LAFT

bg_pagina_onboarding

Inscríbete gratis a la siguiente sesión

Logo-escuela-Pirani-EGR-B

Cada jueves junto a nuestros expertos aprenderás todo lo que necesitas saber sobre la Gestión de Riesgos. Próxima clase: Cómo calcular el impacto de los riesgos disruptivos

 icon_calendar  25 de julio | icon_reloj 10:00 a.m. GMT-5 | icono_online_lugar_academia Live

Ver todas las clases anteriores→

Formulario de inscripción

Te puede interesar

Otros videos de AML

Suscríbete aquí a Academia Pirani