Transformación digital. Preferencias cambiantes de los clientes. Más competencia. Para moverse con éxito en el panorama actual, los bancos son muy conscientes de que deben hacerse cargo de todos estos desarrollos, cumplir objetivos cruciales con eficiencia y atraer nuevos clientes para sobrevivir. Pero los esquemas y ataques de fraude se están volviendo cada vez más complejos, a tal punto de que a los bancos les resulta difícil lograr lo que se propusieron hacer. Encontrar un modo para gestionar el fraude con facilidad, eficiencia y eficacia, y minimizar la fricción es más complicado de lo que parece, pero, por suerte, hay formas de lograrlo. En esta publicación, abordaremos las capacidades de las soluciones para apertura de cuentas, incluso el aprendizaje automático, que ayudan a resolver estos desafíos sin tener que sacrificar los objetivos de los bancos.

Los desafíos

Para muchos bancos, adquirir clientes, incrementar los ingresos brutos y mejorar la eficiencia operativa se relacionan con sus estrategias digitales. Evitar el fraude no puede suceder a expensas de estos objetivos cruciales, ni siquiera a medida que los riesgos de fraude se vuelven cada vez más complejos.

Además, evitar el fraude no debería aumentar los costos. Según Neustar: «No poder autenticar buenos clientes desde un principio también aumenta los costos… Cada revisión le cuesta a la institución aprox. USD 10. Multiplica esos costos por las miles de solicitudes y las ganancias pueden verse afectadas».

¿Qué hacen los bancos para seguir siendo competitivos?

Aprovechar de forma eficaz el aprendizaje automático en tiempo real durante la apertura de cuentas

Hay una razón por la cual el aprendizaje automático ha generado un gran revuelo. Por un lado, el aprendizaje automático hace una marcada diferencia en lo que se refiere abrir cuentas y calificar «buenos» solicitantes en milisegundos. Asimismo, es conocido por desbloquear nuevas posibilidades para mejorar la experiencia de los clientes.

Las ventajas de aprovechar de forma eficaz el aprendizaje automático en tiempo real también beneficia a los bancos. En el mundo actual, existen herramientas de aprendizaje automático que ayudan a aumentar la eficiencia operativa de los bancos de dos maneras distintas:

1. Disminuyen las revisiones manuales e incrementan las aprobaciones automáticas de los clientes objetivo;
2. Les brindan a los analistas de fraude perspectivas más claras para tomar decisiones más rápidas y adecuadas al llevar a cabo revisiones manuales a escala.

Reducir la cantidad de revisiones manuales para aumentar la eficiencia operativa

Tener reglas en combinación con modelos de aprendizaje automáticos ayuda a incrementar las tasas de aceptación automática y a adquirir más clientes objetivo. La automatización backend reduce los costos y la duración de las revisiones manuales, lo que, en consecuencia, potencia la eficiencia operativa.

Las herramientas de ciencia de datos avanzadas les brindan los científicos de datos maneras para elegir cómo quieren trabajar y automatizar tareas de forma rápida y conveniente. Por ejemplo, al usar la herramienta apropiada, pueden aprovechar la experiencia y los procesos existentes (como los idiomas y las plataformas de su elección) con las que se sienten más cómodos para desarrollar modelos precisos. Por otro lado, los componentes tediosos del flujo de trabajo de la ciencia de datos (tales como la exploración de datos, la ingeniería de características, el entrenamiento de modelos, etc.) pueden automatizarse, lo que les permite a los científicos de datos implementar modelos en muchísimo menos tiempo del que en realidad tomaría.

Para todo lo que no se puede aceptar de forma automática, mejores herramientas nos permiten tomar mejores decisiones

Para los solicitantes que no se puede aceptar de forma automática, tener las herramientas y las capacidades apropiadas puestas en marcha aumenta la eficiencia operativa de los analistas de fraude. Al equiparlos con más perspectivas y conocimientos sobre cuáles clientes adquirir, podrán mejorar la evaluación de riesgo.

Algunas de las mejores herramientas son la inteligencia artificial explicable y el análisis de enlaces.

Inteligencia artificial explicable

Los analistas de fraude deben comprender los motivos subyacentes de un puntaje de riesgo alto. La inteligencia artificial explicable les ofrece explicaciones claras, fáciles de entender y «legibles por humanos», lo que les brinda una mayor perspectiva para tomar decisiones acertadas en el momento.

Análisis de enlaces

Por otra parte, un análisis visual de enlaces de todos los atributos de datos disponibles les permite a los analistas de fraude identificar con eficiencia solicitantes sospechosos y entidades comunes que no resultan visibles mediante los métodos de revisión tradicionales. Aprovecha la poderosa tecnología de IA que ayuda a los analistas de fraude a analizar si algún grupo de transacciones se ve «raro», lo que les permite identificar con rapidez patrones y relaciones de fraude que resultan difíciles de descubrir.

Aprovechar los datos al máximo

Es fundamental equipar a los científicos de datos con las herramientas apropiadas para que puedan desarrollar modelos precisos e implementarlos más rápido. Sin embargo, las herramientas de ciencia de datos avanzadas solo resultan tan útiles como los datos a los que tienen acceso. El enriquecimiento de datos es una capacidad invaluable que se usa para mejorar la calificación de riesgo de los solicitantes. Los bancos debería adoptar una solución que maximice el valor de asociaciones con terceros nuevas y existentes, lo que potencia sus posibilidades de aumentar la adquisición de clientes legítimos. Aprovechar los servicios de terceros para la verificación del documento de identidad, la geolocalización de la IP, la identificación del dispositivo, la información del correo electrónico y demás servicios permiten tener un panorama completo de los solicitantes, lo que hace que los analistas de fraude puedan tomar mejores decisiones.

Incrementar los ingresos brutos

En última instancia, estas herramientas no solo reducen la fricción e incrementan la eficiencia operativa de los bancos, sino que los ayudan a crecer. Al adoptar herramientas y capacidades inteligentes que hacen que sea más fácil obtener perspectivas más completas y evaluar el riesgo, los bancos pueden identificar y adquirir un rango más amplio de clientes objetivo con un mayor valor a largo plazo. A la larga, ganar y retener estos clientes incrementará los ingresos brutos de los bancos.

Próximos pasos

Evolucionar en el panorama actual puede ser desafiante y abrumador para bancos de cualquier tamaño. Sin embargo, como cada vez son más los clientes que quieren experiencias cien por ciento digitales, quienes tienen dificultades para adaptarse a estas preferencias se están poniendo en riesgo sin siquiera saberlo. No obstante, al usar de forma eficaz la solución adecuada de apertura de cuentas basada ene aprendizaje automático, los bancos pueden estar mejor equipados para convertirse en líderes en la era de la transformación digital.

 

¿Quiere analizar la apertura de cuentas en más profundidad? Descargue nuestro nuevo libro electrónico: «Apertura de cuenta: Lucha contra el fraude y la fricción».

En Feedzai, aprovechamos grandes cantidades de datos para ayudar a las empresas a combatir el fraude con eficiencia. Es parte de nuestra lucha contra los delitos financieros en constante evolución y es un trabajo en equipo. Los científicos de datos usan nuestra plataforma para desarrollar modelos de aprendizaje automático a partir de datos históricos a fin de detener a los estafadores en todo el mundo en tiempo real. Los analistas de fraudes investigan los casos más complejos y toman medidas. Los investigadores analizan las tendencias entre los estafadores y crean reglas para complementar el modelo y evitar futuros ataques.

Todas estos profesionales usan datos para alcanzar sus metas de manera exitosa. Por ejemplo, un científico de datos maneja varios terabytes de operaciones mientras que un analista investiga el historial de los clientes. Sin embargo, a pesar de las diferencias en cuanto al tamaño y al alcance de los datos que manejan, ambos necesitan comprender dichos datos.

Si me preguntan a mí, diría que la visualización es una de las mejores herramientas para hacerlo y las investigaciones lo comprueban constantemente.

Gráficos para luchar contra el fraude

Los ingenieros de visualización de datos se esfuerzan por lograr que datos complejos puedan ser interpretados mediante representaciones gráficas. Tomamos los datos, extraemos la información y codificamos sus propiedades a través de canales visuales para crear una representación gráfica.

La percepción humana, mediante el procesamiento visual inconsciente, rápidamente decodifica formas, colores, posiciones y movimientos. Como dice Colin Ware: «Las características que aparecen se encuentran programadas en la mente, no se aprenden». Por lo que podemos considerar nuestra visión como un canal de banda ancha hacia la mente.

Las visualizaciones de datos nos permiten comprender patrones e identificar con rapidez relaciones escondidas en los datos.

Esta visualización de datos rápida funciona bien en la herramienta de informe de Feedzai, Perspectivas, la cual hace que los datos (incluso mediciones de fraude en tiempo real, las reglas que se activan con más frecuencia y resúmenes de las operaciones de los analistas día a día) se puedan ver en diversos tableros. En estos tableros, se pueden diseñar gráficos fáciles de leer, por lo general junto a indicadores y mediciones.

En el mundo de la visualización de datos rápida, hay una tendencia a optar por la sencillez y los gráficos más convencionales, pero también hay espacio para la creatividad. Como dijo Amanda Cox:

«Hay una vertiente del mundo de la visualización de datos que sostiene que todo puede convertirse en un gráfico de barras. Puede que sea verdad, pero también puede que sea un mundo sin alegría».

No todas las visualizaciones son sencillas. Nuestros científicos de datos suelen crear gráficos complejos que pueden usarse para analizar distintas perspectivas en los datos (p. ej., cómo cambia la forma de distribución de una variable categórica entre las transacciones legítimas y las fraudulentas, y cómo se relaciona esto con la tasa de fraude de cada categoría). Estos tipos de gráficos no se pueden mirar por encima, no importa qué tan bueno sea su procesamiento visual inconsciente. Estos gráficos están diseñados para ser estudiados porque codifican muchos aspectos de los datos. Es una visualización de datos lenta: se invierte más tiempo y se obtienen análisis más completos y profundos.

Visualización de datos rápida y lenta

Para analizar aún más las diferencias entre la visualización de datos rápida y la lenta, consulte la publicación de Elijah Meeks «Visualización de datos: rápida y lenta».

Como ingenieros de visualización de datos en Feedzai, es fundamental que siempre sepan qué parte del espectro rápido-lento ocupa la visualización, cuánto tiempo se toman los lectores para analizar el gráfico y su dominio de los datos. No todas las situaciones requieren una visualización de datos rápida, pero no todos los usuarios quieren un gráfico interactivo elaborado. Como en la mayoría de las cosas, existe un momento y lugar adecuado para cada tipo.

Todo se relaciona

Esta publicación cuenta nuestro análisis de los diagramas de red y las características basadas en gráficos que son clave a la hora de descubrir patrones de fraude complejos y cómo nuestro descubrimiento impulsó una de las innovaciones de Feedzai: Genoma.

Empecemos con un vistazo del mundo de los pagos y el fraude.

Nos suelen decir que tengamos cuidado con nuestras contraseñas y los detalles de las tarjetas de crédito. Nos dicen que tenemos que protegerlas de hackers malintencionados y solitarios que se esconden detrás de una pantalla e intentan robarnos datos y dinero.

Si bien hay hackers que trabajan solos, los estafadores no suelen hacerlo. Por lo general, son miembros de organizaciones fraudulentas y participan en diversas actividades, entre ellas, instalar dispositivos para clonar tarjetas en cajeros automáticos y llevar a cabo ataques de phishing en línea.

Cuando los estafadores intentan convertir las tarjetas robadas en bienes que pueden volver a venderse e intentan realizar compras en línea, tienden a conectarse mediante redes privadas, dispositivos de conmutación y, luego, simulan su ubicación en distintas partes del mundo. Sin embargo, esto hace que sea más fácil que dejen un rastro sin querer. Solo hace falta que un estafador descuidado (alguien que se haya quedado levantado hasta tarde la noche anterior haciendo una maratón de muchos episodios de «Stranger Things» en Netflix) se olvide algún paso en el proceso de conmutación. Una vez que eso sucede, la organización queda expuesta y puede detenerlos. Tal vez parezca un cliché, pero todo se relaciona.

Las tablas no son un buen instrumento para las historias de fraude

A medida que reconstruimos historias de fraude mediante estas conexiones, ya sea un dispositivo compartido entre dos usuarios o alguien que utiliza diez tarjetas diferentes (las cuales también las comparte con otros usuarios), descubrimos que las tablas no son un buen instrumento para las historias de fraude.

Las cosas empezaron a verse así (consulte la imagen a continuación). Debido a eso, decidimos probar los diagramas de red y las características basadas en gráficos en la primera Zaickathon de Feedzai.

 

¿Le interesa leer la publicación original u otros artículos similares? Consulte el TechBlog de Feedzai, una compilación de historias sobre cómo combatimos a los villanos mediante la ciencia de datos, la IA y la ingeniería.

Zaickathon de Feedzai

Feedzai llevó a cabo su primera Zaickathon en febrero del 2018. Durante dos días, hubo pizzas, cientos de litros de café, remeras y un montón de ideas. También fue la oportunidad perfecta para probar un nuevo método de visualización.

Tomamos un conjunto de datos de transacciones de billeteras digitales con esquemas de fraude conocidos y lo visualizamos con un diagrama de red. Cada nodo representaba una entidad (un cliente, una tarjeta de crédito, una dirección de correo electrónico o un dispositivo distinto) en el conjunto de datos. Dos nodos se conectaban (con una línea que los unía) si las entidades participaron en la misma transacción. Por ejemplo:

• Supongamos que somos una tienda de zapatillas en línea. Recibimos una orden de Zoe. Por los datos de transacción, sabemos que Zoe usa su teléfono inteligente, un Samsung S9, para comprar un par de zapatillas nuevo. También sabemos que pagó con su tarjeta de débito. Con estas entidades, podemos construir el gráfico que se muestra a continuación:

 

• Unas semanas después, recibimos más ordenes de Zoe. Paga con la misma tarjeta, pero ahora una un nuevo dispositivo Huawei. Actualizamos el gráfico y conectamos el nuevo dispositivo a Zoe con su tarjeta de débito. El grosor de la línea cambia porque es proporcional a la cantidad de transacciones en las que participan ambas entidades (nodos).

 

• Ahora, digamos que tenemos datos históricos pertinentes (transacciones anteriores en las que participó el nuevo dispositivo que fueron identificadas como fraude). En ese caso, querremos codificar esta información en el diagrama de forma visual. Volvamos a actualizar el gráfico.

 

Los bordes y líneas rojos muestran qué entidades se relacionan con el fraude, según los datos históricos.

En resumen, a esta altura, hemos utilizado las siguientes codificaciones visuales:

 

¿El resultado? ¡Descubrimos el fraude de manera visual! En el medio de un océano de pequeños componentes conectados, salieron a la luz grandes subgráficos interrelacionados.

Mapeamos con éxito la secuencia de distintos patrones de fraude. Por primera vez, vimos la forma del fraude.

El proyecto hackathon fue un éxito y, al poco tiempo, se estableció un equipo multidisciplinario para crear un producto que surgiera de eso. Genoma se terminó convirtiendo en una herramienta de análisis visual de enlaces que aprovecha la potente tecnología de IA de Feedzai y que ofrece una manera intuitiva a los investigadores y los analistas de datos para identificar rápido patrones de delitos financieros emergentes.

Redes cada vez más grandes

Conformamos el equipo y el prototipo de dos días dio paso a una visualización gráfica escalable construida desde cero. El equipo recién estaba comenzando el proceso de desarrollo de un producto. Había notas autoadhesivas con ideas repartidas por las paredes, lluvias de ideas diarias y experimentaciones rápidas.

Queríamos tener total libertad para representar el gráfico de cualquier forma que quisiéramos: interacciones personalizadas, diseño de nodos y líneas complejo y distintas estructuras (desde la d3-force estándar a estructuras alternativas con WebCoLa). Esto significaba una cosa: teníamos que desarrollar un renderer de gráficos.

Jugamos con varias tecnologías front-end. Empezamos con SVG, pero nos dimos cuenta casi de inmediato que no escalaba los gráficos grandes que recibía de los datos reales. Pasamos de SVG a Canvas y trabajamos un poco en WebGL. Al final, lo que mejor funcionó fue Canvas. Victor Fernandes fue el mago que usó estrategias creativas e ingeniosas para sacar el máximo de su rendimiento para nuestras necesidades (eso es un tema para otra publicación en el blog). Luego de generar gráficos cada vez más grandes, llegamos a la conclusión de que el cuello de botella ya no era el rendimiento del navegador, era la legibilidad del gráfico para el usuario. Podíamos graficar 30 000 nodos y 100 000 líneas, pero ¿por qué alguien querría hacer eso?

Como saben muchos de los profesionales de la visualización de datos, los diagramas de red son un ámbito delicado. Aunque parecen perfectos para comprender relaciones, pueden salirse de control muy rápido si hablamos de gráficos grandes y con muchas conexiones, algo que solemos llamar «el problema de la bola de pelos».

Nunca fue realista pensar que podríamos ver la red completa en el navegador. Por lo general, el analista de fraude solo ve un subgráfico generado a partir de los datos de un evento alertado actual y el contexto histórico pertinente y, luego, puede expandir los nodos para descubrir otras conexiones. Los investigadores comienzan con una consulta más general (p. ej., «todos los fraudes que se pasaron por alto la semana pasada»), ven el gráfico generado a partir de todos los eventos e intentan identificar nuevos patrones interesantes. En ambos casos, estamos utilizando un enfoque de «buscar y ampliar a pedido» en lugar del paradigma de visualización de datos clásico de «primero sintetizar, acercar y filtrar, luego los detalles a pedido».

Esto significa que, por lo general, podemos evitar esos grandes gráficos, pero, a veces, tenemos que hacerles frente. Si bien no se pueden interpretar, pueden ser bastante bonitos, por lo que los llamamos «Arte de datos de Genoma». Sirven para usar como fondos de pantalla o en remeras y, quizás, puedan formar parte de una exhibición de arte de datos algún día:

Fraude de relato

A medida que fuimos aprendiendo más sobre el fraude conectado, resultó evidente que había una dimensión fundamental de algunos de estos patrones que no estábamos codificando de forma visual: el tiempo. El aspecto temporal de un ataque de fraude es sumamente importante: la frecuencia y la periodicidad de los eventos son indicadores importantes de las actividades fraudulentas.

Debido a esto, pasamos a desarrollar un histograma temporal para Genoma. El histograma muestra la distribución a lo largo del tiempo de los eventos que generan el gráfico. Si bien parece algo sencillo de hacer, presenta algunos desafíos, tal y como suele suceder al desarrollar visualizaciones de datos para algún producto. Luís Cardoso redactó una publicación para el blog sobre eso, vale la pena leerla.

El histograma permite binning, desplazamientos y ampliaciones ajustables e incluso tiene un gráfico general subdividido en franjas. Todo esto solucionó muchos de nuestros problemas. Sin embargo, todavía queríamos relacionar el diagrama de red con el histograma y, para ello, utilizamos otro canal visual: la animación. Al animar el histograma temporal, vemos como se desarrolla la historia a lo largo del tiempo a medida que aparecen nuevos nodos y nuevas conexiones en la pantalla.

Qué nos depara el futuro

Genoma ya les brinda perspectivas a los analistas sobre cómo se ve el fraude. Ahora le pregunta es: «¿Cómo podemos mejorarlo aún más?». ¿Cómo podemos hacer para que el gráfico sea todavía más fácil de leer e interpretar?

Nuestro próximo objetivo es crear el acondicionador perfecto para llevar a Genoma a otro nivel para que podamos desenmarañar las complicadas «bolas de pelo», los gráficos grandes y con muchas conexiones. Es decir, estamos preparando la mezcla adecuada de «ingredientes» (estructuras alternativas, agrupación de lineas, agrupación de nodos o integración de gráficos) para crear un modo de vista general escalable que complemente la vista de investigación.

También estamos tratando de descubrir cómo incorporar la dimensión geoespacial. Al igual que el tiempo, es una señal de algunos modus operandi fraudulentos. Estamos ansiosos por explorar ese lado de la GeoViz.

El aprendizaje automático siempre es el centro

Por último, la IA siempre es el centro en Feedzai y nuestros científicos de datos trabajan duro para hacer que Genoma sea cada vez más inteligente a fin de que pueda asistir de la mejor manera a los analistas de fraude en sus investigaciones. El equipo ya ha progresado mucho en este frente, incluso al calificar subgráficos para recomendar áreas interesantes del gráfico y al agrupar subgráficos que son todos ejemplos del mismo patrón de fraude (conocido como Genometrías). Se trata de hacer que el aprendizaje automático se pueda interpretar y procesar para mejorar la experiencia de los analistas con Genoma.

Sin embargo, todavía queda mucho por hacer, los científicos de datos de Feedzai tienen muchísimas ideas innovadoras que les gustaría explorar y experimentos de última generación que les gustaría llevar a cabo. Lo que empezó como un prototipo de dos días en una hackathon creció y evolucionó. Descubrimos nuestra base y creamos cimientos sólidos para seguir construyendo esta plataforma de visualización de datos de futura generación. Ahora la diversión continúa, ya que hay un mundo de posibilidades para la visualización de redes al alcance de nuestros dedos.

La verdad sobre el lavado de dinero

Las actividades de lavado de dinero mantienen en esclavitud a aproximadamente 40,3 millones de personas en todo el mundo, alimentan la corrupción política y financian el terrorismo.

El valor estimado del lavado de dinero global es
$ 800 mil millones / año
hasta $ 2 billones / año

Considerando las consecuencias, no es de extrañar que los gobiernos promulguen regulaciones contra el lavado de dinero.

Estas regulaciones tienen intenciones honorables e importantes, pero no se puede negar los dolores de cabeza de cumplimiento en constante evolución que crean para las instituciones financieras.

Además, a pesar de estas regulaciones, el lavado de dinero sigue creciendo debido a la tecnología. Según las Naciones Unidas contra la Droga y el Delito, los avances en tecnología y comunicaciones han creado un sistema global perpetuamente operativo en el que el dinero, que ahora aparece en forma virtual o digital, puede moverse a cualquier parte del mundo con rapidez y facilidad. La cantidad estimada de dinero lavado a nivel mundial en un año es del 2 al 5% del PIB mundial, o de $800 mil millones a $2 billones en dólares estadounidenses actuales.

¿Qué se puede hacer? ¿Cómo pueden las instituciones financieras evitar las repercusiones de las soluciones ineficaces contra el lavado de dinero y tener un impacto real en la lucha contra el crimen financiero? Además, ¿cómo pueden los bancos hacer esto hoy, junto con los esquemas de delitos financieros desconocidos del futuro?

El aprendizaje automático es un buen comienzo.

Aprendizaje automático: antilavado de dinero para hoy y mañana

El aprendizaje automático es imprescindible para las soluciones contra el lavado de dinero de vanguardia hoy y en el futuro. Crea equipos más eficientes y efectivos al automatizar el enriquecimiento y la priorización de casos para los investigadores. La automatización reduce significativamente la cantidad de falsos positivos generados, lo que significa que los equipos no pierden el tiempo con alertas sin sentido. También permite una puntuación de riesgo más precisa. Según ACAMS, “En un caso, un banco redujo el tiempo (las alertas de trabajo) de varias semanas a unos pocos segundos”.

Los sistemas heredados contra el lavado de dinero tienden a proporcionar alertas de alto volumen y bajo valor porque se ejecutan en motores que solo usan reglas. Hay una cantidad abrumadora de falsos positivos en un sistema basado en reglas.

Dependiendo del tamaño del banco, los analistas investigan entre 20 y 30 alertas de falsos positivos por día. A menos que tenga recursos ilimitados para revisar alertas, querrá una estrategia diferente. Se han impuesto cuantiosas multas, y además de las multas, está la atención negativa que los medios de comunicación dan al dar seguimiento a los casos de lavado de dinero. Por eso es importante que las instituciones financieras dediquen recursos para automatizar la prevención del lavado de dinero.

Datos
Los datos se procesan – Entrada – Análisis – Aprendizaje automático – Predicción/Análisis – Salida – El aprendizaje automático hace predicciones y toma decisiones basadas en datos anteriores

Los programas contra el lavado de dinero basados ​​en el aprendizaje automático utilizan reglas y modelos, no solo reglas. El uso de reglas y plantillas reduce drásticamente los falsos positivos, aumenta la eficiencia operativa y requiere menos mantenimiento.

Al invertir en soluciones de aprendizaje automático, las instituciones minimizan las posibilidades de ser multadas y dificultan que los delincuentes adivinen los límites de las reglas.

Para ayudar a comprender por qué es tan efectivo ejecutar reglas y modelos de aprendizaje automático juntos, analicemos cómo funcionan las reglas y los enfoques basados ​​en modelos para los programas contra el lavado de dinero.

Cómo funcionan los mecanismos de riesgo.

Los mecanismos de riesgo basados ​​en reglas funcionan mediante el uso de un conjunto de condiciones matemáticas para determinar qué decisiones tomar, funciona así:

Si una cuenta muestra más de $10,000 en transacciones en efectivo en 14 días, active una alerta.

Una de las ventajas significativas de utilizar un motor avanzado basado en reglas es que los analistas pueden crear e implementar rápidamente nuevas reglas. Tenga en cuenta que esto no es cierto para todos los sistemas, solo para los más robustos e innovadores. La ventaja es una regla clara con cálculos específicos, lo que facilita demostrar a los reguladores por qué y cuándo el sistema marcó el evento como actividad sospechosa.

Pero las reglas por sí solas no son suficientes porque tienen muchas limitaciones. A menudo, estas reglas son demasiado complicadas para comprender el contexto y profundizar.

Las reglas también tienen umbrales fijos que los delincuentes entienden y evitan deliberadamente, solo escenarios SÍ/NO, producen muchos falsos positivos, requieren mucho esfuerzo manual para mantener y tienen problemas para detectar relaciones entre transacciones, entre otros problemas.

Cómo funcionan los motores de riesgo de aprendizaje automático

El aprendizaje automático para la lucha contra el lavado de dinero fortalece las reglas con modelos, lo que ayuda aún más a reducir las alertas de alto volumen y bajo valor. Esto se debe a que los modelos de aprendizaje automático se entrenan con algoritmos basados ​​en datos históricos para predecir el comportamiento futuro. Los modelos funcionan así:

Los equipos de ciencia de datos alimentan el aprendizaje automático con grandes cantidades de datos históricos sobre casos conocidos y sospechosos de lavado de dinero.

Los algoritmos de aprendizaje automático utilizan información de estos conjuntos de datos para crear modelos estadísticos, no reglas deterministas.

El aprendizaje automático aprende cómo era el lavado de dinero en el pasado y, lo que es igualmente importante, cómo es el comportamiento normal y anormal.

El aprendizaje automático predice el riesgo de lavado de dinero en función de casos de lavado de dinero conocidos y sospechosos o haciendo referencia a casos que se han informado al regulador.

Uno de los beneficios que trae el aprendizaje automático es la capacidad de aprender y adaptarse continuamente.

Es importante decir: si no puede proporcionar buenos datos de entrenamiento etiquetados para aprender, el aprendizaje automático no puede aprender. Por eso es importante asegurarse de que sus fuentes de datos utilicen prácticas de etiquetado adecuadas.

Antes de comenzar con los modelos de aprendizaje automático supervisado, las instituciones financieras harían bien en evaluar los impactos potenciales en los controles, los procesos operativos y la estructura del personal. Cuando su equipo se sienta cómodo y confiado en el desempeño del modelo supervisado y los reguladores indiquen que están satisfechos con el desempeño de los controles actuales, su organización puede considerar pasar a modelos de aprendizaje automático no supervisados. Estos pueden detectar comportamientos que son muy diferentes de los patrones normales. Tener un pequeño presupuesto de alerta para estos incidentes permite a los equipos explorar un conjunto completamente diferente de transacciones que, de otro modo, no serían detectadas por las reglas.

Además, los modelos de aprendizaje automático tardan en aprenderse. Esto los hace más lentos de implementar. Sin embargo, una vez implementadas, las plataformas de aprendizaje automático más nuevas brindan un ciclo de retroalimentación incorporado que permite que algunos algoritmos modelo aprendan continuamente de nuevos datos (como el aprendizaje profundo). Incluso si el aprendizaje continuo no es posible y es necesario un reentrenamiento periódico, los modelos capturan patrones buenos y malos mejor que un conjunto de reglas (o un ser humano). El resultado es que a los delincuentes les resulta más difícil engañar al sistema simplemente cambiando su comportamiento. Esto se traduce en menores inversiones en mantenimiento y monitoreo de tiempos para seguir la evolución del comportamiento delictivo financiero.

Entonces, si bien la implementación demora un poco más, el aprendizaje automático compensa ese tiempo al proporcionar alertas más precisas. Sin mencionar que el aprendizaje automático le ahorra a su equipo de ciencia de datos incontables horas que de otro modo pasarían creando y ajustando miles de reglas.

Los delincuentes siempre buscan explotar las lagunas en su beneficio. En lugar de mantenerse al día con sus últimas tácticas, los bancos tienen la oportunidad de aprender sus trucos en tiempo real y revelar actividades ilícitas.