SOLUCIONES PRÁCTICAS
• Descubrir patrones de transacciones que
ocurren frecuentemente
• Clasificar cuentas en categorías predeterminadas de riesgo dependiendo de
los perfiles de riesgo de los titulares de
cuentas
• Agrupar transacciones y cuentas por similitudes y crear perfiles de riesgo de transacciones sospechosas y cuentas de clientes
• Predecir la posibilidad de actividad de
lavado de dinero basándose en variables
demográficas y de conducta
• Identificar conexiones ocultas entre diferentes cuentas basándose en la actividad
de transferencias de fondos y las interacciones de las cuentas
brimiento, el análisis avanzado explora las
operaciones comerciales y las interacciones
con los clientes en un nivel muy granular
que rara vez ingresa a las bases de datos los
reportes estándar. Si bien todas estas técnicas
han estado presentes hace varios años, su
utilización ha crecido exponencialmente con
la avalancha de la gran información. Según
una encuesta realizada en 2009 por el Instituto de Almacenamiento de Datos, el 85 por
ciento de las organizaciones encuestadas
indicó que estaría utilizando algún tipo de
análisis avanzado en los próximos tres años.
Todas las industrias están vinculadas al
dinero de una forma u otra, puede ser en
efectivo, cheque, tarjeta de crédito o transferencias electrónicas de fondos. Los bancos y
otras instituciones financieras utilizan todos
los medios. La creación de programas ALD
efectivos no es una tarea fácil porque los
delitos de lavado de dinero están bien escondidos y generalmente simulan conductas
normales. Los conjuntos de gran información y la naturaleza de crimen financiero
presentan desafíos de primera generación,
soluciones ALD basadas en reglas, que se
basa en conjuntos pre-definidos de mínimos
pre-establecidos. Los temas de calidad de
la información como los valores faltantes,
errores de escritura o abreviaturas presentan
desafíos adicionales. Sin embargo, el descubrimiento y el análisis predictivo son efec
tivos para detectar fraude y lavado de dinero
en datos de origen básico (raw source data),
datos sin estándares y de poca calidad.
La habilidad para recuperar información
interrelacionada a los fines del e-discovery
es de una importancia fundamental para
el cumplimiento. Los métodos de análisis
avanzado orientados a la exploración y
descubrimiento, como la minería de datos,
pueden recuperar la información rápidamente y facilitar el aprendizaje desde la gran
información. Los procesos de exploración
y análisis también ofrecen la habilidad de
crear relaciones entre los datos. Al aplicar
algoritmos y técnicas de minería de datos a
las transacciones financieras, pueden identificarse patrones de flujos de fondos implícitos
ocultos. Esto hace que sea posible descubrir escenarios de investigación que pueden
detectar lavado de dinero y fraude.
Las soluciones ALD que emplean la minería
de datos y vinculan el los análisis ayudan
a los investigadores a relacionar una gran
cantidad de objetos de distintos tipos como
la gente, las cuentas bancarias, los negocios y
las transacciones. Los poderosos algoritmos
y las técnicas de análisis pueden ayudar a las
instituciones a:
• Detectar relaciones ocultas entre las transacciones financieras basándose en su
co-concurrencia
La compleja red de sistemas, geografías y
funciones diferentes dentro de las instituciones financieras hace que sea un desafío
conocer y administrar a la gran información.
Un enfoque holístico del riesgo combinado
con un análisis avanzado les ofrece a las
instituciones financieras el marco fundamental necesario para anticiparse a los
lavadores de dinero y defraudadores en un
ámbito dinámico.
Únase a la revolución
En última instancia, las instituciones financieras se volcarán a las plataformas de gran
información a fin de cumplir con las obligaciones cumplimiento. El estar en el grupo de
la gran información no es una simple función
de obtener información. A fin de convertir
los datos en información puesta en práctica sin costos de recursos adicionales, las
instituciones financieras deben crear transparencia en la información y el proceso,
permitir la experimentación y reemplazar
algunos elementos humanos de ejecución
con modelos ejecutables. Los sistemas se
han vuelto poderosos y los suficientemente
sutiles como para reducir el interés humano
en la toma de decisiones con los algoritmos
de auto-aprendizaje—y ellos pueden hacerlo
en tiempo real. Esto significa menos corazonadas y más hechos. Aquellos que lo
adopten al comienzo serán los primeros
en cosechar los beneficios del antilavado
de dinero y de la mitigación del riesgo que
brinda la tecnología.
Carol Stabile, CAMS, gerente de negocios
senior, Safe Banking Systems LLC, Mineola,
Nueva York, EE.UU., carol.stabile@safebanking.com
ACAMS TODAY | MARZO–MAYO 2012 | ACAMS.ORG | ACAMSTODAY.ORG
39