Prevención del fraude y lucha contra el blanqueo de dinero

Minimiza el riesgo y ofrece un servicio de atención al cliente ininterrumpido

El fraude financiero supone un verdadero reto para el sector de los servicios financieros. No solo se produce de muchas formas diferentes, sino que a menudo es difícil de detectarlo debido a la complejidad de las relaciones entre entidades y patrones ocultos. Y, tan pronto como se detecten, las instituciones financieras deben notificar a los clientes estas actividades fraudulentas en tiempo real y tomar medidas inmediatas para atajarlas, por ejemplo, bloqueando la tarjeta de crédito del cliente.

El sector de los servicios financieros también está regulado y debe informar de las actividades desarrolladas contra el blanqueo de capitales y realizar una due diligence sobre sus clientes mediante los procesos de "conocimiento del cliente" (KYC por sus siglas en inglés). Para ello, a menudo es preciso cotejar datos de diversos productos, mercados y geografías a fin de identificar relaciones y patrones para combatir el blanqueo de capitales.

Conceptualmente, el blanqueo de capitales es simple: el dinero sucio se transmite, se mezcla con fondos legales y luego se convierte en activos tangibles. En realidad, es mucho más complicado, ya que se recurre a interminables y complejas series de transferencias válidas entre cuentas creadas utilizando identidades sintéticas (a menudo robadas)en una larga y compleja serie de transferencias válidas entre cuentas creadas usando identidades sintéticas (a menudo robadas) y, muy frecuentemente usando información similar, como correos electrónicos y direcciones postales. En resumen, implica una ingente cantidad de datos. Es por ello que contar con una plataforma de datos unificada que permita la realización de técnicas analíticas avanzadas, como el análisis de gráficos, resulta esencial para los programas de acción contra el blanqueo de capitales.

Protege tanto a los clientes como a las instituciones con el machine learning

La industria de los servicios financieros sigue estando muy supervisada y regulada, y son pocos los ámbitos donde se haya presenciado un incremento mayor en el foco regulatorio que las actividades contra el blanqueo de capitales y contra la financiación de grupos terroristas. Instigado por vastas redes criminales, el fraude financiero es un peligro sofisticado y creciente que requiere soluciones que combatan el blanqueo de capitales que proporcionen insights de todas las esferas de la empresa y todo el planeta.

La siguiente arquitectura demuestra cómo los componentes y capacidades de Oracle, incluidos los análisis avanzados y el machine learning, se pueden combinar para crear una plataforma de datos que cubra todo el ciclo de vida de los análisis de datos y proporcione los insights que los equipos antiblanqueo de capitales necesitan para identificar patrones anómalos en el comportamiento que puedan ser indicativos de actividades fraudulentas.

En esta imagen se muestra cómo se puede utilizar la plataforma de datos de Oracle para servicios financieros de cara a respaldar las actividades de prevención de fraudes y lucha contra el blanqueo de dinero. La plataforma incluye estos cinco pilares:

• Orígenes de datos, detección
• Conectar, ingerir, transformar
• Conservar, curar, crear
• Analizar, aprender, predecir
• Medir. Actuar

El pilar "Orígenes de datos, detección" incluye dos categorías de información.

Los datos de registro de negocio (propios) incluyen transacciones con tarjeta de crédito, información de cuenta y flujos de eventos en cajeros automáticos.

Los datos de terceros incluyen fuentes sociales.

El pilar Conectar, ingerir, transformar consta de cuatro capacidades.

La transferencia masiva utiliza OCI FastConnect, OCI Data Transfer, MFT y OCI CLI.

La ingesta por lotes utiliza OCI Data Integration, Oracle Data Integrator y herramientas de bases de datos.

La captura de datos modificados utiliza OCI GoldenGate y Oracle Data Integrator.

La ingesta de flujos utiliza OCI Streaming y Kafka Connect.

Las cuatro capacidades se conectan de forma unidireccional a la capacidad de almacenamiento en la nube/lago de datos dentro del pilar Persistir, curar, crear.

Además, la ingesta de streaming está conectada al procesamiento de streaming dentro del pilar "Analizar, aprender, predecir".

El pilar Persistir, curar, crear incluye cuatro capacidades.

El almacén de datos de servicio utiliza Autonomous Data Warehouse y Exadata Cloud Service.

El almacenamiento en la nube/lago de datos utiliza OCI Object Storage.

El procesamiento por lotes utiliza OCI Data Flow.

La gobernanza utiliza OCI Data Catalog.

Estas capacidades están conectadas dentro del pilar. El almacenamiento en la nube/lago de datos está conectado unidireccionalmente al almacén de datos en servicio; también está conectado bidireccionalmente al procesamiento por lotes.

Una capacidad se conecta al pilar Analizar, aprender, predecir: el almacén de datos de servicio se conecta de forma unidireccional a las capacidades de análisis y visualización, servicios de IA y machine learning, y de forma bidireccional a la capacidad de análisis de streaming.

El pilar Analizar, aprender, predecir incluye cuatro capacidades.

La analítica y la visualización utilizan Oracle Analytics Cloud, GraphStudio e ISV.

Los servicios de IA utilizan OCI Anomaly Detection, OCI Forecasting, OCI Language

El machine learning utiliza OCI Data Science y Oracle Machine Learning Notebooks.

Los análisis de flujos utilizan OCI GoldenGate Stream Analytics.

El pilar Medir, actuar consta de tres componentes: paneles de control e informes, aplicaciones y modelos de machine learning.

Los empleados y socios incluyen Mapas geográficos de calor, Informes regulatorios, Análisis predictivos de entidades de alto riesgo y Tendencias de fraude.

Las aplicaciones incluyen Detección de anomalías de transacciones, Minería de texto y Procesamiento de lenguaje natural (PLN).

Los modelos de machine learning incluyen Análisis de red, Análisis de comportamiento y Filtrado de lista de comprobaciones.

Los tres pilares centrales, Ingerir, transformar; Persistir, curar, crear; y Analizar, aprender, predecir, son compatibles con la infraestructura, la red, la seguridad y la gestión de identidades y accesos.

Para permitir que las organizaciones de servicios financieros identifiquen actividades potencialmente fraudulentas, se dispone de tres formas principales de inyectar datos en una arquitectura .

• Para empezar, necesitamos datos de sistemas transaccionales y aplicaciones de core bancario. Estos datos se pueden enriquecer con información de clientes de terceros, que podrían incluir datos no estructurados de redes sociales, por ejemplo. Son comunes las extracciones frecuentes en tiempo real o casi en tiempo real que requieren cambiar la captura de datos, y los datos se ingieren regularmente desde sistemas de gestión de clientes, riesgos y transacciones mediante Oracle Cloud Infrastructure (OCI) GoldenGate. OCI GoldenGate también es un componente fundamental para la evolución de las arquitecturas de malla de datos en las que los "productos de datos" se gestionan mediante libros de datos empresariales y flujos de datos políglotas que realizan procesos continuos de transformación y carga (en lugar de los procesos de ingestión y extracción, transformación y carga por lotes utilizados en arquitecturas monolíticas).
• Ahora podemos utilizar la integración de flujos para ingerir datos de sensores del IdC, pipelines web, archivos log, dispositivos de punto de venta, cajeros automáticos, redes sociales y otras fuentes de datos en tiempo real a través de OCI Streaming/Kafka. Estos datos de flujo (eventos) se ingieren y algunas transformaciones/agregaciones básicas se realizan antes de que los datos se almacenen en el almacenamiento en la nube. Al mismo tiempo que la ingestión, podemos filtrar, agregar, correlacionar y analizar grandes volúmenes de datos de múltiples orígenes en tiempo real mediante análisis de flujos. Esto no solo ayuda a las instituciones financieras a detectar amenazas y riesgos empresariales (por ejemplo, transacciones sospechosas de un cajero automático, como transacciones repetidas en múltiples ocasiones), sino que también proporciona insights sobre la eficiencia general de sus medidas de prevención del fraude. Los eventos correlativos y los patrones identificados se pueden retroalimentar (manualmente) para un examen de ciencia de datos de los datos en bruto. Además, se pueden generar eventos para activar acciones, como notificar a los clientes posibles fraudes por correo electrónico o SMS o bloquear tarjetas de débito afectadas. Oracle GoldenGate Stream Analytics es una tecnología en memoria que realiza cálculos analíticos en tiempo real sobre los flujos de datos.
• Aunque las necesidades en tiempo real están evolucionando, la extracción más común de los sistemas de core bancario, clientes y financieros es una ingesta de lotes que utiliza un proceso de extracción, transformación y carga. La ingesta de lotes se utiliza para importar datos de sistemas que no pueden admitir la ingesta de flujos (por ejemplo, antiguos sistemas de mainframe ). Para los procesos de prevención del blanqueo de dinero y conocimiento del cliente, los datos provienen de diferentes sistemas operativos, como los sistemas de procesamiento de transacciones de cuentas corrientes y de crédito, y fuentes de datos de terceros que proporcionan inteligencia al cliente. Los datos se obtienen de los diversos productos y geografías. Las ingestas por lotes pueden ser frecuentes, con una frecuencia de 10 o 15 minutos, pero siguen siendo de naturaleza masiva a medida que se extraen y procesan grupos de transacciones en lugar de transacciones individuales. OCI ofrece diferentes servicios para manejar la ingesta de lotes, como el servicio nativo de OCI Data Integration u Oracle Data Integrator que se ejecuta en una instancia de OCI Compute. En función de los volúmenes y los tipos de datos, los datos se pueden cargar en el almacenamiento de objetos o directamente en una base de datos relacional estructurada para el almacenamiento persistente.

La persistencia y el procesamiento de datos se basan en tres (opcionalmente cuatro) componentes.

• Los datos en bruto ingeridos se alojan en el almacenamiento en la nube con fines algorítmicos; usamos OCI Object Storage como nivel de persistencia de datos principal. Spark en OCI Data Flow es el motor principal de procesamiento por lotes para datos como transaccionales, de ubicación, de aplicación y de distribución geográfica. El procesamiento por lotes incluye varias actividades, como tratamiento básico de ruido, gestión de datos ausentes y filtrado basado en conjuntos de datos de salida definidos. Los resultados se vuelven a escribir en varias capas de almacenamiento de objetos o en un repositorio relacional persistente dependiendo del procesamiento que sea necesario y los tipos de datos que se utilicen.
• Estos conjuntos de datos procesados se devuelven al almacenamiento en la nube para una persistencia, curación y análisis continuos y, en última instancia, para cargarlos en formato optimizado en el almacén de datos de servicio, que proporciona Oracle Autonomous Database. Los datos ahora se mantienen en un formato relacional optimizado para el rendimiento de las consultas y la curación de contenido. De forma alternativa, en función de la arquitectura preferida, esto puede llevarse a cabo con Oracle Big Data Service como un clúster de Hadoop gestionado. En este caso de uso, se accede a todos los datos necesarios para entrenar los modelos de machine learning desde el almacenamiento de objetos en bruto. Para entrenar los modelos, los patrones históricos se combinan con los registros a nivel de transacción para identificar y etiquetar los riesgos potenciales. La combinación de estos conjuntos de datos con otros, como datos de dispositivos y datos geoespaciales, nos permite aplicar técnicas de ciencia de datos para acotar los modelos existentes y desarrollar otros nuevos para predecir mejor los potenciales fraudes. Este tipo de persistencia también se puede utilizar para almacenar datos de esquemas que forman parte de los almacenes de datos a los que se accede a través de tablas externas y particiones híbridas.

La capacidad de analizar, predecir y actuar se basa en tres enfoques tecnológicos.

• Los servicios de análisis y visualización, como Oracle Analytics Cloud, ofrecen análisis basados en datos organizados del almacén de datos de servicio. Esto incluye análisis descriptivos (describe las tendencias actuales de identificación de fraudes y la actividad marcada con histogramas y gráficos), análisis predictivos, como el análisis de series temporales (predice patrones futuros, identifica tendencias y determina la probabilidad de resultados inciertos) y análisis prescriptivos (propone acciones adecuadas que propicien una toma de decisiones óptima). Estos análisis se pueden utilizar para responder preguntas como: ¿qué similitudes y diferencias existen entre los casos de fraude señalados en la actualidad y los de periodos anteriores?
• Además de los análisis avanzados, se desarrollan, entrenan y despliegan modelos de machine learning. Estos modelos entrenados se pueden ejecutar tanto en datos transaccionales actuales como históricos para detectar el blanqueo de capitales mediante e cotejo de patrones de transacciones y comportamientos, y los resultados se pueden conservar en la capa de servicio e informar mediante herramientas de análisis como Oracle Analytics Cloud. Para optimizar el entrenamiento de modelos, el modelo y los datos también se pueden introducir en sistemas de machine learning, como OCI Data Science, para seguir entrenándolos de cara a detectar patrones contra el blanqueo de capitales más eficaz antes de promocionarlos. Se puede acceder a estos modelos a través de API, desplegadas en el almacén de datos de servicio o integradas como parte del pipeline de análisis de streaming de OCI GoldenGate.
• Además, podemos utilizar las capacidades avanzadas de los servicios de inteligencia artificial nativos de la nube.
  • OCI Anomaly Detection es un servicio de inteligencia artificial que facilita la creación de modelos de detección de anomalías específicos de negocio que señalan incidentes críticos, lo que acelera su detección y resolución. En este caso de uso, desplegaríamos estos modelos para detectar fraudes durante el ciclo de vida de una transacción; durante las auditorías; en contextos específicos, por ejemplo, en función del proveedor, el comerciante o el tipo de transacción; y en muchos otros escenarios. OCI Anomaly Detection puede identificar todos estos tipos de fraude mediante el uso de datos históricos y la creación de un modelo de detección de anomalías adecuado. Por ejemplo, si el conjunto de datos incluye el tipo de transacción con el importe, la ubicación (latitud y longitud), el nombre del proveedor y otros detalles, la OCI Anomaly Detection puede identificar si el fraude está relacionado con el importe de la transacción, la cuenta de la transacción, la ubicación donde se produjo o el proveedor que la presentó.
  • OCI Forecasting se puede utilizar para pronosticar métricas de transacciones, como el número de transacciones, los importes, etc., para el día, la semana o los meses siguientes en función de las métricas actuales e influyendo en las condiciones del mercado. Estas previsiones se pueden utilizar para tareas de planificación y para establecer una expectativa de referencia y utilizarlas de cara a combatir el blanqueo de capitales y fraudes de otra naturaleza.
  • OCI Language y OCI Vision pueden ingerir documentos y texto para enriquecer los datos y facilitar así la detección de fraudes y la lucha contra el blanque de capitales.
• La gobernanza de datos es otro componente fundamental. Esto lo proporciona OCI Data Catalog, un servicio gratuito que proporciona gobernanza de datos y gestión de metadatos (tanto para metadatos técnicos como de negocio) para todos los orígenes de datos del ecosistema de data lakehouse. OCI Data Catalog también es un componente fundamental para las consultas de Oracle Autonomous Data Warehouse a OCI Object Storage, ya que acelera la localización de datos independientemente de su método de almacenamiento. Esto permite que los usuarios finales, los desarrolladores y los científicos de datos utilizar un lenguaje de acceso común (SQL) en todos los almacenes de datos persistentes de la arquitectura.
• Por último, nuestros datos y modelos ahora curados, testados, de alta calidad y controlados se pueden exponer como un producto de datos (API) dentro de una arquitectura de malla de datos para su distribución en todas las esferas de la organización de servicios financieros.

Mejora las actividades de prevención del fraude y lucha contra el blanqueo de capitales con la plataforma de datos adecuada

Oracle Data Platform puede ayudar a tu organización a detectar casos de blanqueo de capitales de forma más eficaz, aumentar la precisión y la eficiencia de las investigaciones de delitos financieros y optimizar los procesos de generación de informes para contener los costos de cumplimiento normativo.