Mitigación de delitos financieros con MongoDB / Parte I: Perfil dinámico del cliente

Le damos la bienvenida a nuestra serie sobre la creación de una plataforma de mitigación de delitos financieros utilizando MongoDB como plataforma de datos unificada capaz de soportar las demandas de las operaciones financieras digitales modernas. En caso de que se lo haya perdido, asegúrese de consultar el resumen de la serie.

Comenzaremos nuestro viaje en la etapa donde comienza cada experiencia del cliente: la incorporación de un nuevo cliente, o como se conoce en el mundo de la gestión de riesgos, una nueva “entidad” (para unificar los conceptos de individuos y corporaciones). ¡Veamos los pasos a seguir en el proceso!

Paso 1: capturar datos de clientes potenciales

En la búsqueda de convertir a un nuevo prospecto en un cliente, las instituciones financieras comienzan por capturar los datos requeridos: desde los datos básicos (demográficos), a través de la identificación legal y la información fiscal, hasta capturar cualquier dato relevante relacionado con la vida financiera del posible cliente (buró de crédito/puntuaciones FICO, activos y posibles garantías). 

Una vez recopilados estos puntos de datos, es necesario compilar un perfil dinámico que se actualice continuamente de forma "basada en eventos". La creación de un perfil dinámico persigue dos objetivos: cumplir con las regulaciones de Conozca a su Cliente (KYC) y, al mismo tiempo, segmentar al cliente con fines comerciales (es decir, encontrar la mejor oferta).

Desde el punto de vista técnico, esto representa un desafío importante: para disponer de un perfil dinámico, necesitamos agregar datos procedentes de diferentes fuentes y esquemas. Aquí es donde brilla el modelo de datos flexible de MongoDB.

Figura 1. De la supervisión estática a la supervisión continua.

El modelo de datos de MongoDB es capaz de agregar todos los datos entrantes sin problemas. También proporciona servicios de plataforma de datos integrados de forma nativa y expuestos en una API unificada que pueden consumir las aplicaciones orientadas al cliente o los sistemas de soporte y operativos.

Figura 2. Almacén de datos convergente para KYC.

Paso 2: Comprobaciones básicas de los candidatos

Una vez que se han capturado los datos de los clientes potenciales, las verificaciones de mitigación de delitos financieros comienzan con una pregunta engañosamente simple: ¿quién es esta entidad? En los programas de verificación de cumplimiento, la respuesta rara vez es sencilla. Una sola persona o empresa del mundo real puede aparecer en los sistemas con diferentes nombres, direcciones, identificadores y relaciones, a veces debido a problemas benignos de calidad de los datos y, a veces, como un intento deliberado de evadir la detección.

Por tanto, se requiere una comparación exhaustiva (más allá del text). Una vez más, las capacidades de MongoDB brillan. Podemos combinar texto y datos contextuales (semánticos) para obtener mejores resultados; esto se denomina búsqueda híbrida usando el operador MQL $rankFusion.

Figura 3. Ejemplo de resultados de búsqueda paralela que muestran las capacidades avanzadas de búsqueda de MongoDB.

(Imagen tomada de nuestro prototipo de demostración. Divulgación: El aspecto es de una interfaz de usuario personalizada desarrollada para fines de demostración. No forma parte de la oferta de MongoDB).

El mayor beneficio de usar MongoDB es tener todas estas capacidades de búsqueda avanzada integradas y disponibles dentro del mismo clúster de MongoDB, sin necesidad de trasladar los datos a otro lugar ni tener que usar motores de búsqueda externos de terceros.

Paso 3: Verificación de cumplimiento

Después de identificar perfiles similares, ahora debemos realizar verificaciones de cumplimiento. El objetivo principal es analizar las relaciones de la entidad, y para esto necesitamos examinar todos los vínculos potenciales con los clientes bancarios existentes y las transacciones de alto monto. Técnicamente hablando, necesitamos un grafo de red de todas las relaciones posibles:

Figura 4. Ejemplo de grafo de red de una entidad.

(Imagen tomada de nuestro prototipo de demostración. Divulgación: El aspecto es de una interfaz de usuario personalizada desarrollada para fines de demostración. No forma parte de la oferta de MongoDB).

Es posible construir este grafo de red usando MQL $graphLookup, un operador disponible a través del pipeline de agregación de MongoDB. El mayor beneficio de usar MongoDB es que siempre que necesita ajustar a un nivel de confianza más alto, puede reconstruir la red al instante al ajustar filtros de profundidad y confianza sin necesidad de tablas gráficas precalculadas ni invalidación de caché.  

De forma instantánea, puede desvelar las distintas relaciones posibles de entidades, cada una con el grado de confianza correspondiente.

Figura 5. Ejemplo del análisis de relación.

(Imagen tomada de nuestro prototipo de demostración. Divulgación: El aspecto es de una interfaz de usuario personalizada desarrollada para fines de demostración. No forma parte de la oferta de MongoDB).

Este resultado sienta las bases para un análisis conductual que convergerá en una única vista del perfil del cliente.

Paso final: Construir una única vista para el cliente

Después de recopilar estos puntos de datos, el paso final (por ahora) es agregarlos en una sola vista del perfil del cliente. Aquí, el modelo de datos de MongoDB aporta la flexibilidad necesaria para centralizar todos los datos dinámicos que se capturarán no una vez, sino de forma continua.

Figura 6. Ejemplo de una entidad almacenada en la estructura de document de MongoDB.

(Imagen tomada de nuestro prototipo de demostración. Divulgación: El aspecto es de una interfaz de usuario personalizada desarrollada para fines de demostración. No forma parte de la oferta de MongoDB).

El modelo de datos de MongoDB destaca en un model de vista única al combinar datos estructurados con datos no estructurados que podrían coexistir con una representación vectorizada del perfil, lo que ayudará a encontrar perfiles similares y a agrupar los perfiles de los clientes de manera más efectiva.

Figura 7. Ejemplo de resultados de búsqueda por similitud.

(Imagen tomada de nuestro prototipo de demostración. Divulgación: El aspecto es de una interfaz de usuario personalizada desarrollada para fines de demostración. No forma parte de la oferta de MongoDB).

Conclusiones

Incorporar una nueva entidad como cliente (ya sea individual o prospecto corporativo) requiere una plataforma de datos moderna que pueda capturar datos entrantes de diferentes fuentes, en distintos formatos y esquemas. 

El factor más importante para el éxito de una operación contra la delincuencia financiera es crear un perfil de cliente dinámico. Por lo tanto, capturar y procesar todos los puntos de datos posibles es crucial. También necesitamos entender las relaciones potenciales de la entidad con los clientes existentes o con transacciones conocidas. Para ello, las capacidades de la pipeline de agregación de MongoDB —como crear un grafo de red «en tiempo real»— pueden revelar comportamientos imperceptibles.

Por último, los datos y los análisis deben converger en una única vista. Aquí, la flexibilidad del modelo de datos de MongoDB es un factor decisivo. Es capaz de almacenar—a escala—datos estructurados y no estructurados en una única instancia. También puede combinar eso con una representación vectorizada del perfil para ejecutar búsquedas de similitud con precisión. 

En el artículo siguiente de esta serie, profundizaremos en cómo la IA puede mejorar los procesos de debida diligencia como parte de una debida diligencia integral utilizando el perfil conductual del cliente. ¡Estad atentos!