Analytics na Prevenção à Lavagem de Dinheiro

Disponibilizado em 14/09/2020


Visão global sobre a uso das ferramentas de analytics em PLD-FT

As instituições financeiras já utilizam dados em suas atividades cotidianas para executar processos como prever riscos, avaliar clientes e gerenciar decisões. Os dados são igualmente importantes nas atividades de prevenção à lavagem de dinheiro e financiamento ao terrorismo (PLD-FT). No entanto, as informações necessárias para identificar e combater os crimes financeiros são complexas e difíceis de serem capturadas e organizadas. Outro obstáculo é a qualidade dos dados, que muitas vezes estão incompletos ou são inconsistentes.

Nesta série, temos mostrado como o analytics tem contribuído para a eficiência dos programas de PLD-FT. Trata-se de uma grande transformação e mudança de mindset o uso de abordagens analíticas para direcionar a tomada de decisões. As empresas em todo o mundo estão cada vez mais investindo em tecnologia para enfrentar os desafios no combate à corrupção. Mesmo com o investimento crescente e contínuo, muitas instituições "sofrem" para acompanhar as ameaças externas, com criminosos cada vez mais especializados, aplicando mecanismos cada vez mais sofisticados e operações intrincadas.

As metodologias tradicionais, baseadas em regras pré-estabelecidas, já não são mais suficientes para identificar e prevenir contra certas tipologias. Os novos requisitos regulatórios, como por exemplo o conhecimento detalhado dos seus clientes e das relações que possuem (Know Your Customer ou simplesmente KYC), demandam que as instituições coletem e armazenem quantidades crescentes de informações e acima de tudo, que correlacione estes dados para estabelecer padrões, avaliando incompatibilidades e contradições, ou seja, buscando situações atípicas dos seus clientes. Além disso, o grande volume e velocidade de novas informações não estruturadas é um dos grandes desafios que as organizações vêm enfrentando para incorporar em suas decisões.

A aplicação de tecnologias avançadas de ciência de dados, como inteligência artificial (IA) e o machine learning, oferecem uma abordagem mais robusta e adequada em termos de dinamismo e análise de informações em grande escala. Os modelos estatísticos baseados em aprendizado de máquina têm permitido a identificação de novos padrões de atipicidades que os seres humanos não seriam capazes de perceber.

 

Pontos relevantes para o uso do Analytics na identificação de riscos de PLD-FT

Pesquisas recentes [aqui] e [aqui] sobre o uso de analytics em programas de combate ao financiamento do terrorismo e prevenção à lavagem de dinheiro mostram o avanço que as instituições estão se deparando. Abaixo estão elencados alguns pontos relevantes, que devem ser observados para a melhoria do trabalho de PLD-FT.

DESAFIOS DE DADOS
Definir uma estratégia para a qualidade e agregação de dados. Este é um problema que atinge a maioria das organizações e por isso é um diferencial para a empresa investir em uma plataforma eficiente e de alta capacidade.

USO DE NOVAS LINGUAGENS
É essencial investir em novas tecnologias e plataformas de programação. Nem sempre é preciso desenvolver um sistema próprio visto que há atualmente inúmeras e sofisticadas linguagens open source para desenvolvimento e pesquisa que oferecem bons resultados de performance.

MODELOS DINÂMICOS
É cada vez mais importante para as instituições entenderem as características de seus clientes. Uma sugestão é fazer o maior número de modelos ou regras de decisões estratégicas, segmentando detalhadamente o público, para buscar os riscos inerentes a cada subpopulação. Isso trará maior conhecimento de situações específicas dos indivíduos.

PENSAMENTO DO ANALISTA
Ninguém melhor do que o especialista de PLD para calibrar uma decisão de um algoritmo junto com o time de análise de dados. É um trabalho multidisciplinar, em que esse grupo de pessoas podem desenvolver, testar e melhorar soluções de acordo com os resultados obtidos.

VISÃO DE PONTA PARA KYC
O mercado ainda investe pouco nas soluções de “Conheça Seu Cliente”. Com novas informações, como por exemplo dados digitais e de relacionamento, a instituição pode intensificar mais as políticas de KYC para identificação de novos padrões de risco de corrupção e lavagem de dinheiro.

MÉTRICAS E INDICADORES
Implementar um conjunto de métricas e práticas para medir a eficácia dos processos e para avaliar o impacto das melhorias operacionais de KYC e PLD-FT. Não é necessário ter um conjunto de métricas complexo. Defina indicadores importantes e meça os resultados. À medida que sejam cumpridos de forma consistente, defina melhorias de forma incremental no seu programa de PLD-FT.


Pesquisa sobre a adoção das técnicas de machine learning no combate à lavagem de dinheiro

O Institute of International Finance (IFF) realizou, em 2018, uma pesquisa com 59 instituições (54 bancos e 5 seguradoras) [aqui] sobre a exploração e adoção de técnicas de Machine Learning no combate à lavagem de dinheiro.

Como produtos do relatório do IIF, os autores descrevem que a pesquisa indica que a aplicação de técnicas de aprendizado de máquina em PLD está se espalhando rapidamente pela indústria, impulsionada pela dedicação em construir um sistema de defesa mais forte e eficaz contra atividades ilícitas. Significativamente, nenhuma das 59 empresas pesquisadas buscava o aprendizado de máquina como um meio de reduzir a equipe, mas sim para obter insights maiores e mais rápidos que podem ser disponibilizados para seus especialistas de PLD.

Além disso, as técnicas de aprendizado de máquina também são uma grande promessa para abordar alguns dos desafios que as instituições financeiras estão enfrentando e podem aumentar a eficiência da estrutura de PLD existente, já ajudando a impulsionar uma redução nas taxas de falsos positivos e melhores resultados de monitoramento de transações.

Confira os principais resultados [aqui]:

 

 

 

 

Por fim, os autores da pesquisa esperam que essa tendência continue, com mais empresas revisando seus processos e lançando novos projetos com uso das abordagens de machine learning. Também identificaram que o desempenho aprimorado na detecção e gestão de risco pode ser aumentado ainda mais com melhorias no compartilhamento de informações e ciclos de feedback entre autoridades públicas e instituições financeiras.

 

 

 

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