Clasificación de perfiles de riesgo de usuarios basados en su comportamiento transaccional para identificar posibles casos relacionados con el lavado de activos y/o financiación del terrorismo mediante algoritmos no supervisados en Nequi, periodo octubre 2023 - mayo 2024

Abstract

RESUMEN : Este estudio se enfoca en la identificación de comportamientos transaccionales anómalos en los usuarios de Nequi, con el fin de detectar posibles señales de lavado de activos y financiación del terrorismo. En un entorno de creciente digitalización y complejidad en el sector financiero, es esencial contar con métodos eficaces para monitorear y clasificar las transacciones sospechosas. Para abordar este desafío, se utilizó un conjunto de datos de 582.710 registros, del cual se generaron conjuntos de entrenamiento y validación mediante la selección de IDs únicos, optimizando así la capacidad de generalización del modelo. Las métricas de desempeño utilizadas incluyen el Índice de Silueta, homogeneidad, completitud y distancia de separación, con el fin de evaluar la efectividad de los algoritmos para distinguir entre instancias anómalas y no anómalas. El modelo se ajustó de manera iterativa utilizando Isolation Forest y Fuzzy C-means, logrando un incremento en el Índice de Silueta de al menos 0.8, lo que asegura una clasificación precisa de los perfiles de riesgo y reduce el tiempo necesario para identificar actividades ilícitas. Posterior a la detección de anomalías mediante algoritmos de agrupamiento, se entrenaron algoritmos de clasificación para estimar los niveles de riesgo de los usuarios desde un enfoque probabilístico, clasificándolos en categorías que permiten priorizar las investigaciones según el perfil de riesgo. Esto contribuye a una asignación eficiente de recursos en el área de cumplimiento, optimizando el tiempo y los esfuerzos dedicados a la prevención de actividades ilícitas.

ABSTRACT : This study focuses on identifying anomalous transactional behaviors in Nequi users to detect potential signs of money laundering and terrorist financing. In an environment of increasing digitalization and complexity in the financial sector, it is essential to have effective methods to monitor and classify suspicious transactions. To address this challenge, a dataset of 582,710 records was used, from which training and validation sets were created by selecting unique IDs, optimizing the model's generalization capability. The performance metrics used include the Silhouette Index, homogeneity, completeness, and separation distance, to assess the effectiveness of the algorithms in distinguishing between anomalous and non-anomalous instances. The model was iteratively tuned using Isolation Forest and Fuzzy C-means, achieving an increase in the Silhouette Index of at least 0.8, ensuring accurate risk profile classification and reducing the time required to detect illicit activities. After anomaly detection through clustering algorithms, classification algorithms were trained to estimate users' risk levels using a probabilistic approach, categorizing them into risk profiles that allow prioritization of investigations based on the risk level. This contributes to an efficient allocation of resources in the compliance department, optimizing time and efforts dedicated to preventing illicit activities.