Abstract:
The project designs a dynamic risk rating system that integrates risk matrix automation and a machine learning model to determine the customer's risk profile. The study is justified by the need to transform manual management into a predictive and standardized process that mitigates money laundering under regulations such as the UAFE. For the development, a hybrid methodology was adopted that combine process management (BPM) for operational redesign and the CRISP-DM approach for the data life cycle. An initial diagnosis was made in the area of compliance, and a prototype was built in line with the Personal Data Protection Law. The results were evident in operational optimization, reducing processing time per customer from 45 to 10 minutes. Likewise, the false positive rate dropped from 85% to 20% due to the accuracy of the model.
In conclusion, the transition from a manual model to a predictive model validates the improvement in the efficiency and reliability of the process. The automation of 80% of due diligence strengthens the regulatory position and optimizes the analyst's experience.
Keywords:
Machine Learning, Automation, Risk Management, Risk Scoring, and Due Diligence
Description:
El proyecto diseña un sistema de calificación de riesgo dinámico que integra la automatización de la matriz de riesgos y un modelo de Aprendizaje automático para determinar el perfil de riesgo del cliente. El estudio se justifica ante la necesidad de transformar la gestión manual en un proceso predictivo y estandarizada que mitigue el lavado de activos bajo normativas como la UAFE. Para el desarrollo, se adoptó una metodología hibrida que combino la gestión de procesos (BPM), para el rediseño operativo y el enfoque CRISP-DM para el ciclo de vida de los datos. Se realizo un diagnóstico inicial en el área de cumplimiento y se construyó un prototipo alineado con la Ley de Protección de Datos Personales. Los resultados se evidenciaron en la optimización operativa, reduciendo el tiempo de procesamiento por cliente de 45 a 10 minutos. Asimismo, la tasa de falsos positivos descendió del 85% al 20% por la precisión del modelo.
En conclusión, la transición de un modelo manual a un predictivo valida la mejora en la eficiencia y confiabilidad del proceso. La automatización del 80% de la debida diligencia fortalece la postura regulatoria y optimiza la experiencia del analista.
