Inicia Sesión

El otro "elefante" en el cuarto: venciendo a los Falsos Negativos en los sistemas de monitoreo

Publicado en
  • Tamaño de fuente: Mayor Menor
  • Imprimir

Por Keith Furst.*Detectando los Falson Negativos

Los “falsos positivos” tienen una pésima reputación entre los círculos de lucha contra el lavado de dinero (ALD). Como lo mencioné en mi artículo anterior titulado Terminando con la plaga de los “falsos positivos” en los sistemas de monitoreo contra el blanqueo de dinero, entre 90% y 95% de las alertas generadas por los Sistemas de Monitoreo de Transacciones (TMS por sus iniciales en inglés) son falsos positivos. Por lo tanto, ¿por qué no apretar los umbrales de las normas para que aparezcan menos alertas?

Desafortunadamente, el endurecimiento de los umbrales suele aumentar las alertas “falsas negativas”, que son actividades de lavado de dinero real que el TMS no detectó. Aunque los falsos positivos conducen a la sobrecarga operacional alta, los falsos negativos pueden costarle mucho en reputación, como en multas y penas importantes. Como lo saben los equipos de ALD, los reguladores no tienen ningún reparo en aplicar multas fuertes, que han aumentado considerablemente en la última década.

La lucha contra la producción de falsos negativos al tratar de administrar alertas falsas positivas es como jugar el juego “aplasta-al-topo”: justo cuando piensas que estás arreglando uno de los problemas, el otro aparece como una venganza. Esto plantea la pregunta: ¿es posible reducir los falsos negativos sin aumentar los falsos positivos?

¿Es una serpiente o un elefante? 

Para responder a esta pregunta, primero tenemos que entender la causa de los falsos negativos. Piense en los tres pasos generales para un esquema de lavado de dinero: colocación, estratificación e integración. La gran razón de los falsos negativos es que la mayoría de TMS sólo miran los síntomas de lavado de dinero en lugar de “toda la pintura”.

Por ejemplo, un TMS existente podría implementar una regla que se activa si una cuenta tiene varias transacciones cercanas, pero por debajo de US$ 10.000. Un sofisticado lavador de dinero conoce estas reglas, por lo que se las arregla utilizando identidades robadas, múltiples cuentas, diferentes tipos de transacciones y cantidades de transacciones bajas. Idealmente, el TMS no codificaría un umbral de corte. Más bien, un TMS más sofisticado encontraría los patrones sospechosos para concluir que una persona está detrás de las 100 cuentas que están transfiriendo dinero el uno al otro.

Intentar descubrir el lavado de dinero con los sistemas de reglas rudimentarios que estamos acostumbrados es similar a la parábola de los ciegos que intentan identificar a un elefante. Un ciego siente la trompa y piensa que es una serpiente. Otro siente una pierna y piensa que es un árbol, y así sucesivamente. Sin un panorama global de lo que está pasando, es imposible detectar a los verdaderos lavadores de dinero (los "elefantes"). El TMS es ciego a muchas de las señales sospechosas que los lavadores de dinero, sin saberlo, difunden.

La solución: detección de red global con Aprendizaje Automático no Supervisado (UML por sus iniciales en inglés)

La solución al problema de los falsos negativos es el uso de equipos con capacidad de Aprendizaje Automático no Supervisado (UML) para la detección de redes globales. UML puede ver toda la actividad de una vez y en el contexto de todas las demás cuentas y actividades. Esto se logra uniendo las cuentas y la actividad conjunta, lo que tiene sentido para los seres humanos, pero no puede lograrse de manera eficiente y comprensiva por los TMS existentes. Al enlazar cuentas, UML puede detectar redes ocultas de actividad de lavado de dinero a nivel mundial.

Para entender lo que es la detección de red global, considere este ejemplo. Diga que el Cliente A envía un pago al Cliente B, quien luego envía un pago al Cliente C. En un TMS actual, el perfil demográfico del Cliente C y otras actividades de pago no influirían en las reglas que contribuyen a generar una alerta para el Cliente A.

Sin embargo, UML puede descubrir el enlace oculto no detectado. No sólo el Cliente B está asociado con el Cliente C, sino también el Cliente A. Por supuesto, este es un ejemplo simplificado. Se pueden crear enlaces ocultos con una combinación de miles de campos de datos para conectar cuentas y clientes aparentemente no relacionados. La imagen de abajo representa a clientes que están vinculados basados en información demográfica compartida, como una dirección de correo electrónico, dirección física, número de teléfono, dirección de protocolo de internet (IP) y un beneficiario común.

Nexos Escondidos

La cola de alertas manuales también cambiará. En lugar de examinar el nivel de cuenta, los elementos de la cola de revisión pueden contener varias cuentas, cada una con su propio conjunto de eventos. Estas cuentas serán sospechosamente vinculadas de varias maneras. En última instancia, un investigador humano revisará qué patrones anormales se les presentaron, pero este enfoque ahorra tiempo al investigador al no necesitar peinar manualmente los datos y descubrir nuevos patrones. Imagine el ahorro de tiempo si, en lugar de revisar 100 alertas individualmente, puede revisar una red oculta con 100 cuentas vinculadas a la vez. Además, con toda la información presentada por adelantado, hay una probabilidad mucho menor de perder algo accidentalmente.

En última instancia, los principales beneficios de UML y de la detección de la red global permiten tomar la decisión claramente. Los equipos de cumplimiento ALD necesitan esforzarse por abrazar esta nueva tecnología. Al hacerlo, los equipos:

1. Tendrán la sofisticación requerida para ver la pintura completa, teniendo de cientos a miles de atributos al mismo tiempo.

2. Automáticamente se adaptarán a nuevos patrones de actividades sospechosas y a nuevos productos.

3. Tendrán más información sobre cada cuenta, reduciendo el tiempo necesario para consolidar la información de un caso.

4. Procesar varias cuentas y sus actividades al mismo tiempo, reduciendo así los elementos de su lista de revisión. 

Los TMS existentes son muy rudimentarios para capturar a los lavadores de dinero, quienes son muy buenos adaptándose y mezclándose. Los lavadores no tienen muchas opciones, por lo que deben ser muy cautelosos y efectivos, el costo es demasiado alto si son capturados. Queda de parte de la comunidad ALD aumentar los esfuerzos aún más e impedir a los lavadores de dinero utilizar el sistema financiero para canalizar recursos ilícitos.

 

--------------------------------------------------------------------------------

* Keith Furst es el fundador de Data Derivatives y tiene años de experiencia dentro de una variedad de instituciones financieras, incluyendo bancos mayoristas Tier One, bancos de inversión, sucursales bancarias extranjeras, bancos comerciales, bancos minoristas, corredores de bolsa, proveedores de tarjetas prepagas y compradores mercantiles, con un enfoque en la implementación, ajuste y validación de los sistemas de delincuencia financiera. Su experiencia se centra en el monitoreo de transacciones, la debida diligencia del cliente, el fraude y los sistemas de abuso de mercado. Este artículo fue publicado en inglés en Datavisor – http://www.datavisor.com/technical-posts/guest-post-the-other-elephant-in-the-room-defeating-false-negatives-in-aml-systems/)