Proceso de ingeniería de datos aplicado a un modelo de aprendizaje automático para mejorar la efectividad de una alerta de lavado de activos en el área de cumplimiento de una entidad bancaria

Abstract

El presente informe se enfoca en el objetivo de implementar un proceso de ingeniería de datos aplicado a un modelo de aprendizaje automático, con el propósito de mejorar la efectividad de la generación de la alerta en una entidad bancaria. De esta manera, se busca perfeccionar los reportes preventivos ante la SBS y robustecer la lucha contra delitos de lavado de activos en el país. El proyecto se gestionó bajo el marco de trabajo ágil Scrum, respetando los estándares técnicos de la entidad bancaria para proyectos tecnológicos. La base de datos construida comprende 321,850 personas naturales y 41,011 personas jurídicas, la cual fue analizada mediante el algoritmo de aprendizaje automático Isolation Forest. Los resultados evidencian una mejora sustancial en la capacidad de detección, logrando que la efectividad de la alerta incremente de un 20% a un 45%, reduciendo significativamente los falsos positivos, y optimizando la carga operativa del equipo de investigaciones. El proyecto logró disponibilizar los datos dentro del flujo de extracción, y automatizar la generación de la alerta, cumpliendo con los objetivos planteados. Asimismo, este proyecto contó con el desarrollo de un equipo interno de la entidad bancaria, generando un ahorro económico al prescindir de proveedores externos y garantizando la sostenibilidad del mantenimiento futuro del modelo.