Analytics na Prevenção à Lavagem de Dinheiro

Disponibilizado em 12/05/2020


Analytics e os pilares que viabilizam a eficiência nos programas de PLDFT

A melhoria incremental nos sistemas operacionais, de governança e de gestão são elementos importantes nos Programas de Prevenção à Lavagem de Dinheiro e Financiamento ao Terrorismo (PLD-FT). Mas a tecnologia e a análise avançada de dados podem elevar esses programas a níveis muito mais altos de eficácia e eficiência.

 

Nos últimos anos, as instituições financeiras internacionais vêm investindo cada vez mais na criação de controles internos, na capacitação de suas equipes e em novos sistemas para ficar em conformidade com a legislação de prevenção à lavagem de dinheiro [1]. O mesmo deve acontecer no Brasil após as novas regulamentações entrarem em vigor a partir de 2020. No entanto, ainda há muitos desafios presentes para todas essas organizações, como inúmeras derivações manuais, regras e/ou alertas ineficientes e dados insuficientes que ainda desafiam a efetividade dos programas de PLD-FT.

 

Confira os principais desafios e como influenciam no sucesso dos programas

1 - Qualidade dos Dados

Dados de baixa qualidade, não estruturados e fontes fragmentadas dificultam a agregação das informações. Um exemplo são as instituições financeiras que ainda fazem milhares de contatos com clientes todos os meses para atualizar documentos de “Conheça seu Cliente” (KYC), alterando informações incorretas ou ausentes em suas bases de dados cadastrais.

 

2 - Falsos-Positivos

Alto impacto das taxas de falsos positivos nas abordagens analíticas para classificação de risco do cliente e monitoramento de transações, resultando em recursos significativos focados na investigação de transações de baixo risco. A adição de novas ferramentas, se não forem bem calibradas, geralmente levam a outro aumento no número de alertas falsos.

 

3 - Ausência de Padrões

A ausência de padrões ou inconsistências nos processos como identificação do cliente, diligência aprimorada, monitoramento e triagem de contas sugere que as instituições financeiras não possuem uma concordância unânime sobre o que constitui o risco de lavagem de dinheiro e que, portanto, precisam aprofundar nesses conceitos.

 

4 - Tempo gasto no processo

Sistemas e plataformas fragmentados limitam a capacidade de automatizar o monitoramento transacional e o devido processo de diligência. Ao invés disso, as equipes de tratamento operacional gastam a maior parte do tempo coletando dados e, em seguida, trabalham em sessões de “observar e comparar” os resultados, em vez de executar o trabalho de investigação.

 

5 - Métricas

A insuficiência ou falta de métricas quantitativas confiáveis ​​para avaliar riscos entre produtos, regiões e processos. Ressalta-se que a correta implementação de um conjunto de métricas para medir a eficácia dos processos de KYC / PLD orientará para evoluções de controle e melhorias operacionais de um programa de PLD-FT.

 

6 - Agilidade nos processos

Os lançamentos cada vez mais rápidos de novos produtos e serviços, bem como transferências e pagamentos instantâneos, agregam complexidade à detecção de risco e prevenção de lavagem de dinheiro em tempo real. Por exemplo, os produtos de meio de pagamento de fintechs que permitem aos clientes transferir recursos para terceiros de maneira mais simples e direta certamente oferecem comodidade ao cliente, mas podem carecer de processos de KYC e PLD adequadas.

Todos esses desafios estão ligados aos objetivos de decisão de uma área de analytics de um programa de PLDFT. A seguir serão discutidos alguns mecanismos que têm mostrado ótimos resultados de eficácia na prevenção à lavagem de dinheiro.

 

 

Aplicação de Analytics para busca da Eficiência

 

As instituições financeiras estão tentando resolver esses problemas recorrendo às novas tecnologias. À medida que adotam essas novas ferramentas, as organizações estão mudando a conformidade com crimes financeiros em direção a uma abordagem mais eficiente. O aprendizado de máquinas, as plataformas de tratamento e agregação de dados e o uso de automação e análises não estruturadas oferecem uma abordagem fundamentalmente nova para gerenciar as situações de risco, além de oferecer a oportunidade de redução de custos e melhorar a experiência do cliente.

 

Os pilares a seguir têm papel fundamental para trazer velocidade na detecção de eventos de risco, redução de falsos positivos e priorização de análises pela equipe de operações de um programa de PLD-FT. Em suma, são abordagens interessantes que trazem robustez e agilidade para tomada de decisão e são alcançados mais rapidamente quando se aplicam técnicas analíticas.

 

Inovação + Agregação de dados

O papel de analytics em um programa de PLD-FT visa a criar ferramentas disruptivas para que novas situações sejam pensadas e elaboradas, com o intuito de encarar os desafios de uma maneira diferente do habitual.

 

Através da agregação dos dados e a eficaz correlação entre as informações, é possível descobrir o risco real de um indivíduo estar numa teia de relacionamentos suspeita de lavagem de dinheiro. O intenso uso de uma gama de variáveis existentes do cliente (seja das suas contas ou transações, com dados estruturados e não estruturados) permite criar uma visão 360 ​​graus do indivíduo, avaliando a suspeição de lavagem de dinheiro. 

 

Na prática, ferramentas de agregação dos dados permitem que haja uma validação automática da identidade dos clientes, que sejam identificados os beneficiários finais mais rapidamente e que sejam mapeados como os clientes estão conectados a outras pessoas físicas e jurídicas, especialmente àquelas que apresentam riscos mais altos ou já cometeram crimes de lavagem de dinheiro.

 

Um exemplo da agregação dos dados é a aplicação de redes de relacionamento sob a ótica do fluxo transacional dos clientes. Dessa forma, é possível construir uma teia de relações e saber qual o beneficiário final dela. Observe o exemplo a seguir, onde há 5 origens de recursos que variam entre R$ 1.000,00 à R$ 2.500,00, de pessoas físicas e jurídicas, que transferem valores para terceiros que, por sua vez, transferem para outros terceiros que, em seguida, transferem para um mesmo indivíduo (único beneficiário final, totalizando o recebimento de R$ 8.000,00).

 

 

Esse é um mecanismo muito utilizado por lavagem de dinheiro, conhecido como “smurfing” [2], em outras palavras, é a tentativa de dissimular a origem criminosa dos recursos, a partir de depósitos anônimos de pequeno valor (fracionamentos de espécie, por exemplo), realizados em variados dias e locais. Agregando informações transacionais de forma automática, é possível criar o fluxo de movimentações das contas para criar o “Caminho do Dinheiro”, ou seja, sua origem até o destino, podendo passar por diversos indivíduos durante o percurso. Se imaginarmos o número de transações realizadas desde pequenas até grandes instituições, é possível projetar o quão complexo é fazer esta teia sem as ferramentas apropriadas.

 


Advanced Analytics

A agregação inteligente de dados não é a única oportunidade de aplicar análises avançadas na disciplina de PLD. Considere a classificação de risco do cliente e as ferramentas usadas para gerar alertas sobre as transações suspeitas. As ferramentas atuais geralmente não são modelos estatísticos, mas uma série de regras lineares baseadas na experiência da instituição, ou em tipologias de eventos conhecidos de lavagem de dinheiro ou, ainda, em requisitos regulamentares explícitos (por exemplo, dois ou mais depósitos em terminais de autoatendimento em espécie, no período de cinco dias úteis – retirado da Carta Circular 4.001 [3]).

 

Observe que é relativamente fácil para os criminosos entenderem as regras lineares atualmente aplicadas por muitas instituições financeiras e, em seguida, projetar abordagens para contorná-las (como “smurfing”, incluindo o uso de contas intermediárias antes que o dinheiro chegue na conta de destino).

 

Modelos estatísticos baseados em aprendizado de máquina e outras formas de inteligência artificial podem ajudar que as instituições financeiras aprimorem seus controles de PLD e criem barreiras para que criminosos tenham mais dificuldades de burlar seus sistemas. Tais modelos permitem que os eventos sejam verificados de maneira multivariada para identificar inúmeras combinações que muitas vezes são obscuras quando as variáveis são observadas de forma univariada.

 

Os algoritmos de aprendizado aproveitam os grandes conjuntos de dados e o alto poder computacional para detectar padrões que podem passar despercebidos pelos seres humanos e suas regras lineares. Os sistemas que usam estes mecanismos podem discernir, por exemplo, se uma série de transações representa uma possível lavagem de dinheiro ou uma atividade sem risco, permitindo reduzir consideravelmente a taxa de falsos positivos [4] do programa.

 

Vale ressaltar que uma das dificuldades em adotar ferramentas avançadas como aprendizado de máquina é que os modelos resultantes podem ser de difícil explicação e validação para as equipes operacionais e para atender aos requisitos regulatórios. No entanto, algumas técnicas de interpretabilidade estão sendo desenvolvidas para mitigar esse efeito.

 

Em suma, o uso de instrumentos como algoritmos “estado da arte” pode trazer novidades para reconhecimento de padrões, bem como otimizar os alertas que devem ser derivados para a esteira de operação. Um exemplo disso é a técnica de redes neurais complexas que pode ser aplicada para construção de uma rede de contaminação de risco. Em poucas palavras, seu objetivo é propagar o risco para os indivíduos que se relacionam com alguém que já esteve envolvido em algum crime de lavagem de dinheiro. Esta é uma ferramenta poderosíssima para avaliar possíveis contrapartes de risco que empresas ou pessoas possuem na sua rede de relacionamentos.

 

 

Definição de Estratégia + Automação de Processos

 

O desenvolvimento de regras de decisão assertivas permite uma grande redução de falsos alertas e deve sempre estar em pauta novas revisões e atualizações de acordo com as descobertas realizadas anteriormente. Além disso, é imprescindível que todo o arcabouço de desenvolvimento de regras e o ambiente de gestão estejam estruturados automaticamente, permitindo uma padronização de partes críticas dos processos de investigação, permitindo que a equipe operacional especializada seja mais eficaz e reduzindo significativamente a quantidade de casos a serem analisados.

 

Para exemplificar esse contexto, a seguir estão dispostos as entradas e as saídas de recursos de uma cliente ao longo de um mês. Note que há 2 pontos de corte para geração de alertas (linhas em azul: um sob a ótica de saídas de recursos e outro referente às entradas).

 

 

Pelo histórico de entradas e saídas, é possível observar que a cliente em questão apresentou 4 alertas decorrentes de sua movimentação ao longo do mês, 3 deles referentes à valores que entraram em sua conta corrente (dias 6, 20 e 25) e 1 saída, relativo a gastos eventuais (dia 16).

 

Na situação apresentada, imagine que essa cliente foi analisada por uma equipe operacional em pelo menos duas ocasiões como nos dias 6 e 20 e constatou-se que não há motivo aparente de suspeição de lavagem de dinheiro, ou seja, um falso positivo [4]. Neste caso, haveria necessidade de uma nova análise no dia 25?

 

Extrapolando o caso, será que todos estes alertas não deveriam ser combinados estrategicamente a fim de se classificar com maior precisão a decisão de derivá-lo para a equipe de tratamento operacional uma única vez?

 

Estas questões são muito relevantes nos programas de prevenção à lavagem de dinheiro e sempre estão em pauta quando são discutidas oportunidades de gerar estratégias mais eficientes para tomada de decisão. Os times de análise de dados têm papel fundamental nestas discussões e através da observação dos dados, construção de cenários e simulações são responsáveis por propor as melhores soluções para a instituição.

 

[1] The new frontier in anti–money laundering

[2] Tipologia de Lavagem de Dinheiro: Smurfing - Editorial

[3] Carta-Circular DC/BACEN Nº 4001 DE 29/01/2020 - Federal

[4] A adoção de ferramentas de analytics na identificação de anomalias - Editorial

 

Autor

Mateus Vendramini Polizeli

Mestre em Engenharia de Produção e Pesquisa Operacional, com ênfase em Ciência de Dados pelo Instituto Tecnológico da Aeronáutica (ITA) e Universidade Federal de São Paulo (UNIFESP), Bacharel em Estatística pela Universidade Federal de São Carlos (UFSCar) com MBA em Gestão de Riscos pela Fundação Getúlio Vargas (FGV). Possui mais de 15 anos de experiência com modelagem de riscos, tendo trabalhado nos maiores bancos de varejo do país. Nos últimos três anos tem atuado na área de Analytics de Prevenção à Fraudes e Lavagem de Dinheiro em instituição financeira de grande porte.

e-mail para contato: mateus.polizeli@ipld.com.br