Desarrollo de modelo de medición de riesgo de lavado de activos y financiación de terrorismo LAFT en las jurisdicciones nacionales

Abstract

RESUMEN : La gestión eficaz del riesgo de lavado de activos y financiación del terrorismo (LAFT) es esencial para cualquier organización, ya que permite abordar amenazas y vulnerabilidades y tomar medidas preventivas para mitigar su impacto negativo. En este contexto, se implementó el manual SARLAFT 4.0, que comprende las etapas de identificación, medición, control y monitoreo en el ciclo de gestión de riesgo; En el proceso de medición es necesario medir el riesgo que tiene el grupo Bancolombia en cada uno de los factores los cuales son: clientes, canales, productos y jurisdicciones. Para medir el riesgo que tienen las jurisdicciones se realizó una herramienta de usuario final de calificación de riesgo, donde por medio de selección de variables y recolección de información se desarrolló un modelo de machine learning usando un algoritmo de aprendizaje supervisado con el cual determinamos el nivel de riesgo que tienen las jurisdicciones, donde finalmente el modelo identificó 205 municipios con riesgo alto, 179 con riesgo medio y 737 con riesgo bajo. Permitiéndole a la organización tomar decisiones más ágiles y efectivas frente a posibles amenazas con un enfoque basado en riesgos buscando la mitigación del riesgo LAFT en las jurisdicciones, contribuyendo así a la estabilidad económica y al desarrollo sostenible tanto a nivel organizacional como en el país.

ABSTRACT : The effective management of money laundering and terrorist financing (ML/TF) risk is essential for any organization, as it enables addressing threats and vulnerabilities and taking preventive measures to mitigate their negative impact. In this context, the SARLAFT 4.0 manual was implemented, comprising the stages of identification, measurement, control, and monitoring in the risk management cycle. In the measurement process, it is necessary to assess the risk that Bancolombia Group has in each of the factors, which are: clients, channels, products, and jurisdictions. To measure the risk associated with jurisdictions, a user-end risk assessment tool was developed. Through the selection of variables and information gathering, a machine learning model was created using a supervised learning algorithm. This model determined the level of risk for each jurisdiction, ultimately identifying 205 municipalities with high risk, 179 with medium risk, and 737 with low risk. This approach enables the organization to make more agile and effective decisions in response to potential threats, with a risk-based focus aimed at mitigating ML/TF risk in jurisdictions. This contributes to economic stability and sustainable development at both the organizational and national levels. The risk mitigation efforts are aligned with a risk-based approach, fostering economic stability and sustainable development in the organization and the country.