Desarrollo de un modelo de machine learning para la clusterización de clientes con factores de riesgo de lavado de activos y financiación terrorista para una empresa con enfoque económico social

Abstract

Este estudio tiene el objetivo de implementar de técnicas avanzadas de machine learning en el Sistema de Autocontrol y Gestión del Riesgo Integral de Lavado de Activos y Financiación del Terrorismo (SAGRILAFT) en Colombia, enfocándose en el riesgo asociado al factor de riesgo clientes. Según la UIAF, las transacciones vinculadas al lavado de activos y la financiación del terrorismo representan entre el 2% y el 5% del PIB mundial, destacando la importancia de sistemas efectivos para mitigar estos riesgos. Se utilizaron modelos de segmentación no supervisados como K-means, DBScan y Redes Neuronales Kohonen para agrupar a los clientes en clusters homogéneos dentro de cada grupo y heterogéneos entre sí, con el objetivo de identificar patrones de comportamiento que pudieran indicar riesgos de lavado de activos o financiación del terrorismo. El modelo K-means resultó ser el óptimo, con un índice de silueta de 0,2202, un índice Calinski Harabasz de 298,5912 y un índice Davies Bouldin de 1,5194. Posteriormente, se desarrollaron modelos supervisados de clasificación, entre los cuales el Decision Tree mostró una precisión superior al 90%, permitiendo clasificar eficientemente a nuevos clientes y monitorear continuamente a los actuales. Los resultados obtenidos cumplen con los estándares regulatorios del SAGRILAFT y proporcionan una herramienta robusta para mitigar los riesgos financieros asociados a actividades ilícitas.