Análisis de clusterización de clientes alertados por posibles operaciones sospechosas en bancolombia
Loading...
Date
2024
Director
Journal Title
Journal ISSN
Volume Title
Publisher
Pontificia Universidad Javeriana Cali
Abstract
En la Vicepresidencia de Cumplimiento en Bancolombia cada mes se generan alertas de clientes con posibles operaciones sospechosas, identificadas a partir de modelos analíticos detectivos. El crecimiento del negocio y aumento de la cobertura de tipologías ha derivado en un aumento de alertas, saturando la capacidad de análisis del área de Investigación, lo que impide generar una respuesta oportuna para mitigar el riesgo de Lavado de Activos y Financiación del Terrorismo (LAFT). Por el aumento de alertas, se han implementado algunos métodos de agrupación que emplean procedimientos intuitivos y requieren aproximadamente tres días hábiles para su ejecución. Para el área de Investigación es útil este proyecto, ya que se centra en buscar la mejora de los procesos de evaluación impactando dos aspectos relevantes a la hora de identificar riesgos LAFT: capacidad y tiempo oportuno de evaluación de las alertas. El objetivo principal del trabajo es implementar modelos de clusterización a partir de técnicas de aprendizaje de máquina para agrupar a los clientes alertados según características de riesgo LAFT que estos representan para el Banco. Además, se busca identificar las variables más relevantes e influyentes en el riesgo LAFT de un cliente alertado. Se espera obtener un modelo de agrupamiento para clientes con posibles operaciones sospechosas en Bancolombia, tener claras las variables, características y patrones que tienen los clientes alertados por operaciones sospechosas, para ser tenidas en cuenta en los monitoreos del Banco, y de esta forma, aportar a que el indicador de oportunidad en el tiempo de respuesta de las alertas sea optimo.
Description
item.page.descriptioneng
In the Vice Presidency of Compliance at Bancolombia, every month client alerts are generated with possible suspicious operations, identified from detective analytical models. The growth of the business and increased coverage of typologies has led to an increase in alerts, saturating the analysis capacity of the Investigation area, which prevents generating a timely response to mitigate the risk of Money Laundering and Financing of Terrorism (LAFT). ). Due to the increase in alerts, some grouping methods have been implemented that use intuitive procedures and require approximately three business days to execute. This project is useful for the Research area, since it focuses on seeking the improvement of evaluation processes, impacting two relevant aspects when identifying MLFT risks: capacity and timely evaluation of alerts. The main objective of the work is to implement clustering models based on machine learning techniques to group alerted clients according to MLFT risk characteristics that they represent for the Bank. In addition, it seeks to identify the most relevant and influential variables in the MLFT risk of an alerted client. It is expected to obtain a grouping model for clients with possible suspicious operations in Bancolombia, to have clear variables, characteristics and patterns that clients alerted by suspicious operations have, to be taken into account in the Bank's monitoring, and in this way, contribute so that the opportunity indicator in the alert response time is optimal.
Keywords
Lavado de activos, Financiación del terrorismo, Aprendizaje no supervisado, Clusterización, Kmeans, Análisis de componentes principales, Money laundering, Financing of terrorism, Learning not supervised, Clustering, Principal component analysis