SAGRILAFT: Segmentación para Oficiales de Cumplimiento

De acuerdo con la modificación del Capítulo X de la Circular Básica Jurídica de 2017, la norma SAGRILAFT dispuso unas nuevas condiciones para los Oficiales de Cumplimiento, entre las que se destaca:

“Acreditar conocimiento en materia de administración del Riesgo LA/FT/FPADM a través de especialización, cursos, diplomados, seminarios, congresos o cualquier otra similar, incluyendo, pero sin limitarse a cualquier programa de entrenamiento que sea o vaya a ser ofrecido por la UIAF a los actores del sistema nacional de antilavado de activos y contra la financiación del terrorismo”.

En este sentido, es entonces necesario y obligatorio que el oficial de cumplimiento esté en capacidad de interpretar las segmentaciones de los factores de riesgo para el desempeño de cargos relacionados con la administración del SAGRILAFT.

11 tips para entender los datos y el estado general de tu negocio – SAGRILAFT

Una de las etapas fundamentales de los sistemas de administración de riesgo LAFT, de acuerdo al SAGRILAFT, es la segmentación de los factores de riesgo, proceso que en la mayoría de los casos es realizado por estadísticos o analistas de datos.   Como mencionamos anteriormente, el oficial de cumplimiento debe saber interpretar los gráficos, tablas y resultados  que entregan los consultores analíticos y/o estadísticos, a fin de conocer cómo quedaron distribuidos los clientes, productos, canales o jurisdicciones y cómo reconocer de forma intuitiva cuando hay un cambio de comportamiento en alguno de ellos. Para ello te dejaremos algunos tips para sacar el mayor provecho de las segmentaciones, no sin antes recomendarte nuestra solución Stradata Analytics, la cual con una reportería ágil, adaptable, escalable y visualmente entendible te facilitará la toma de decisiones oportunas de acuerdo con las bases del sistema de riesgo implementado en el SAGRILAFT.  1.Inicialmente se debe saber qué es una segmentación. Según la circular 55 de 2016 de la Superintendencia Financiera de Colombia, se entiende por segmentación al proceso por medio del cual se lleva a cabo la separación de elementos, en grupos homogéneos al interior de ellos y heterogéneos entre ellos. La separación se fundamenta en el reconocimiento de diferencias significativas en sus características (variables de segmentación). Dicho de una forma más sencilla, las segmentaciones son procesos estadísticos que permiten dividir una muestra de individuos de modo que queden grupos de contenido uniforme que sean muy distintos entre ellos. 2. Es importante recordar que el análisis de segmentación fue concebido y debe ser utilizado principalmente con una finalidad exploratoria, es decir, poder conocer el universo en función de los grupos creados de nuestros individuos (factores). 3. Son técnicas multivariantes, lo que quiere decir que el análisis se realiza evaluando el comportamiento de todas las variables en conjunto. 4. Uno de los principales resultados obtenidos de la segmentación, es la descripción de cada clúster, según sus estadísticas descriptivas como se presenta a continuación:

Como se observa en la tabla, para definir los clúster o segmentos se utilizaron las variables categóricas nivel de riesgo y tipo de empresa; y de variables numéricas promedio mensual y valor inicial. 5. Analizar el número de individuos que quedaron asignados a cada segmento: inicialmente se debe observar que ningún segmento concentre la mayor proporción de individuos, esto a fin de evitar que el segmento no sea homogéneo en su interior. De ser así, se puede recurrir a estadísticos descriptivos adicionales como es la Desviación Estándar, la cual debe ser un valor bajo; en caso contrario, se debe buscar descomponer el segmento más grande en segmentos más pequeños que cumplan la homogeneidad internamente y heterogeneidad externamente. 6. En presencia de segmentos con un solo individuo, se debe corroborar que este presenta un comportamiento distinto al de la muestra en todas sus variables.  Cabe destacar que entre las nuevas generalidades del SAGRILAFT, para la identificación de operaciones inusuales y sospechosas, se deben establecer herramientas y aplicativos, preferiblemente tecnológicos.  7. Variables categóricas: cada tipología de las variables categóricas debe estar representada en cada segmento, se presentan casos en donde más de dos tipologías quedan asignadas en un mismo segmento; en estas ocasiones, se debe observar el resto de las variables a fin de visualizar similitudes entre ellas tan marcadas, que no permitan que los algoritmos de segmentación realicen la separación respectiva de las tipologías. 8. Variables numéricas: inicialmente, la interpretación de los resultados numéricos se realiza a partir de los promedios obtenidos por cada segmento. Lo ideal es que los promedios no sean similares entre los segmentos. 9. Evaluar los valores máximos y mínimos: regularmente, se observa que al evaluar una sola variable numérica los límites de varios segmentos se pueden solapar, este es el punto en donde para los segmentos que se solapen se analizan los resultados en las variables restantes buscando la diferencia entre los individuos. Ejemplo: utilizando como referencia la tabla de resultados mostrada anteriormente podemos obtener las siguientes interpretaciones: Inicialmente, se detectan los segmentos con dos y tres empresas en cada uno, las cuales son todas del sector público, bajo una lectura univariante; estas cinco empresas deberían quedar en un sólo segmento; bajo el enfoque multivariante se observa una separación según el nivel de riesgo y al analizar las variables numéricas se puede concluir la descripción de estos dos segmentos de la siguiente manera:

• El segmento FCM_2 comprende las empresas públicas de riesgo bajo, las cuales manejan un promedio mensual de entre $4.000.000 y $10.836.800; con valores iniciales entre $8.526.142 y $24.986.967.
• El segmento FCM_6 recopila las empresas públicas de riesgo moderado con promedios mensuales igual a $17.996.400 y valores iniciales de $7.141.428,57.

Si comparamos los segmentos FCM_8 y FCM_10, se podría pensar que se pueden fusionar los segmentos, ya que en ambos tienen nivel de riesgo bajo, las empresas son todas privadas y los promedios mensuales del segmento FCM_10 están incluidos en los límites del segmento FCM_8. Pero cuando se realiza la evaluación de la variable “Valor inicial”, se observa que las empresas que comprenden el segmento FCM_8 registran valores entre diez y dieciocho millones, mientras que las incluidas en el segmento FCM_10 registran valores más bajos, los cuales van desde cuatro millones hasta 10 millones. Este análisis también se puede obtener al ver el promedio de la variable, que indica que en el segmento FCM_8 las empresas tienen en promedio un “Valor inicial” de $13.698.639,09 y las empresas pertenecientes al segmento FCM_10 tienen un “Valor inicial” promedio de $7.484.219,03. Si observamos detenidamente el segmento FCM_4, lo primero que salta a la vista es que es el clúster más grande, con 116 empresas las cuales registran niveles de riesgo entre moderado y bajo, todas del sector privado, es razonable pensar porqué este segmento no se dividió. También se pensaría que se puede fusionar con el segmento FCM_3 que registra un “Valor Inicial” promedio bastante similar. Pero al observar el panorama completo se observa la marcada diferencia tanto en los límites como el promedio mensual, los cuales son los más altos en comparación al resto de los segmentos. En función a esto, la descripción adecuada del segmento FCM_4 es que aglomera aquellas empresas privadas, de riesgo moderado a bajo, con un máximo de “Valor inicial” de $33.671.247,43 y con promedios mensuales que oscilan entre $197.222.399,52 y $674.239.200,00; como se ve, estas 116 empresas, aunque se parecen a otras en algunas variables, en cuanto al promedio mensual no tienen similitud con otras, ni con los valores registrados en los segmentos restantes. 10. En un informe técnico de segmentación de factores de riesgo, también se pueden presentar los llamados gráficos de caja o boxplot para mostrar el comportamiento de los segmentos, la información más importante que se puede inferir en este tipo de gráficos es la dispersión de las variables en cada segmento. 11. Otro detalle importante que se puede obtener de un gráfico boxplot, es verificar el solapamiento de los segmentos. Lo ideal es que se vea que cada caja esté en niveles distintos en el gráfico. Como ejemplo, se muestra la distribución de cinco segmentos con la utilización de tres variables numéricas:

La interpretación basada en el gráfico presentado y la tabla que lo acompaña es que se observan diferencias marcadas por variables, como es el caso del “No. de clientes”, donde los segmentos no se solapan entre ellos, igual que en el “Valor de las compras”. También resalta la alta dispersión en la variable “Promedio TRX” en el segmento_4, el cual está conformado por cinco departamentos, pero al detallar la variable “No. de clientes” se observa una caja más pequeña, lo que indica que los datos de los departamentos en esa variable son similares entre sí. Detallando la variable “Promedio TRX”, se puede ver solapamiento únicamente entre el segmento 1 y 4, en ese caso se observa que la diferencia del segmento en relación con los demás se debe a sus valores en “No. de clientes” y “Valor de las compras”. Si la interpretación se realiza por la variable “Valor de compras”, se visualiza cómo en el Segmento_5, quedaron los departamentos con “Valor de compra” más alto y con los datos más bajos en las variables adicionales.

En conclusión…

Dados los análisis anteriores, el consejo más importante que todo Oficial de Cumplimiento, analista o auditor debe tener siempre presente es que las segmentaciones son procesos multivariantes y que al momento de analizar los resultados se debe ver el panorama completo de las variables, haciendo conclusiones globales por segmento. En vista de que según la nueva norma, el Oficial de cumplimiento deberá presentar por lo menos una vez al año, informes a la junta directiva o, en su defecto, al máximo órgano social sobre la eficiencia y efectividad del SAGRILAFT; en Stradata ponemos a tu disposición un equipo de trabajo con conocimiento, experiencia y tecnología para apoyarte en tus procesos de segmentación de riesgo LAFT.

Autor: P. Aguilera.

Si deseas conocer más de las segmentaciones o del SAGRILAFT puedes leer este artículo relacionado: 

La Segmentación de factores de riesgo, a partir de un ejemplo original y creativo.

Ebook – Enfoques de supervision basado en riesgo del SAGRILAFT y el SARLAFT 4.0