Desarrollo de un modelo de machine learning para la clusterización de clientes con factores de riesgo de lavado de activos y financiación del terrorismo - propuesta para una empresa con enfoque económico social

Aug 4, 2026

Desarrolla un modelo de machine learning para segmentar y agrupar clientes en el marco del SAGRILAFT, con foco en la etapa de identificación de factores de riesgo de Lavado de Activos y Financiación del Terrorismo. A partir de la necesidad de obtener patrones de comportamiento, el documento propone una metodología de segmentación no supervisada que permita perfilar individuos con posible riesgo LA/FT, considerando variables relacionadas con clientes y el contexto de exposición de la entidad. El trabajo orienta el cumplimiento regulatorio mediante recolección, procesamiento, modelado y evaluación de soluciones analíticas.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas46

Tiempo de lectura1 h 11 min

AccesoGratis para descargar

Tabla de contenidos

Planteamiento del problema

Sistema de Autocontrol y Gestión del Riesgo Integral (SAGRILAFT)

Etapa de identificación y necesidad de segmentación

Objetivos

Objetivo general

Objetivos específicos

Justificación

Riesgos para las entidades y necesidad de cumplimiento

Marco teórico (marco de referencia)

Lavado de activos y financiación del terrorismo

Definición y alcance del SAGRILAFT

Desarrollo de un modelo de machine learning para la clusterización de clientes con factores de riesgo de lavado de activos y financiaciónterrorista para una empresa con enfoque económico social. David Armando Benavides Rueda1 PLANTEAMIENTO DEL PROBLEMA A través de la historia las entidades públicas y financieras se han visto expuestas a ser utilizadas para llevar a cabo delitos relacionados con el lavado de activos, financiacióndel terrorismo y financiación de la proliferación de armas de destrucción masiva, razónpor la cual, las jurisdicciones de cada país han emitido recomendaciones y normativas. En Colombia este conjunto de reglas se encuentra sintetizado en el Sistema de Autocontrol y Gestión del Riesgo Integral de Lavado de Activos y Financiamiento del Terrorismo (en adelante SAGRILAFT) que es emitido por la Superintendencia de Sociedades en el Capítulo X de la circular externa 100-000016 del 2020. (Hernández Robayo, 2023) El SAGRILAFT cuenta con 4 etapas, siendo éstas, identificación, medición, control ymonitoreo. Dando enfoque en la etapa de identificación esta tiene el fin de individualizar los factores de riesgo (Clientes, proveedores, canales, productos o servicios, jurisdicciones y entre otros que considera la Entidad) respecto al Lavado de Activos/Financiación del Terrorismo (LAFT) a los cuales se encuentra expuesta la compañía en el desarrollo de sus actividades. La Entidad debe implementar un modelo de segmentación que permita identificar patrones en los factores de riesgo, sin embargo, la superintendencia de sociedades no establece una metodología de segmentación fija, así como una lista de variables debido a los diferentes enfoques que pueden tener lasentidades. (Marcela & Alba, 2022) Por lo tanto, para realizar el proceso de identificación en el SAGRILAFT se deseaestablecer una metodología de segmentación que permita obtener resultados óptimos en la segmentación de clientes para la Entidad, respondiendo a la pregunta: ¿Como se pueden identificar y segmentar patrones de comportamiento en clientes de la Entidad con el fin de perfilar posibles individuos que lleguen a representar un riesgo de Lavado de Activos y Financiación del Terrorismo? OBJETIVOS - General Desarrollar un modelo de machine learning para segmentar factores de riesgo en la identificación de individuos que puedan representar amenaza de Lavado de 1 Universidad el Bosque _ Estadística aplicada y ciencia de datos _ Contacto: [dabenavidesr@unbosque.edu.co](dabenavidesr@unbosque.edu.co) Activos, Financiación del Terrorismo y Financiación de la Proliferación de Armas de Destrucción Masiva para una empresa con enfoque económico social. - Específicos - Recolectar y procesar la información de los clientes de una entidad conenfoque económico social que ofrece servicios de consultoría financiera y jurídica. - Construir modelos de Machine Learning para segmentar y clasificar clientes por la línea de negocio para dar cumplimiento a la etapa deidentificación según lo establecido en el SAGRILAFT. - Evaluar los modelos para optimizar la identificación de clientes con riesgode Lavado Activos y Financiación del Terrorismo. JUSTIFICACIÓN A medida que avanza el tiempo las entidades se ven expuestas a ser usadas por individuos que con el fin de beneficiarse a sí mismos comenten actos ilícitos, que en consecuencia exponen a las entidades a posibles riesgos de contagio, legales, operativos y reputacional. Llevando a las entidades a puntos donde difícilmente pueden llegar a recuperarse o enalgunos casos las clausuras de las entidades. (Ortiz Luzuriaga et al., 2021) De acuerdo con lo establecido en el capítulo X de la circular 100-000016 de la Superintendencia de sociedades todas las entidades que cumplan con los requerimientosmínimos deben establecer el SAGRILAFT con el fin de protegerse y así prevenir de posibles casos de riesgos LA/FT/FPADM. Para la Entidad es importante realizar un proceso de segmentación efectivo para continuarc

Preguntas frecuentes

¿Cuál es el objetivo general del modelo propuesto en el SAGRILAFT?

Desarrollar un modelo de machine learning para segmentar factores de riesgo en la identificación de individuos que puedan representar amenaza de Lavado de Activos y Financiación del Terrorismo, para una empresa con enfoque económico social.

¿Por qué se requiere una metodología de segmentación en la etapa de identificación?

La etapa de identificación busca individualizar factores de riesgo y, aunque la superintendencia no fija una metodología ni una lista fija de variables, la entidad necesita segmentar para detectar patrones y perfilar posibles riesgos LA/FT.

¿Qué riesgos intenta mitigar la justificación del documento?

El documento sostiene que el uso indebido de entidades puede generar riesgos de contagio, legales, operativos y reputacionales, afectando su sostenibilidad y situación regulatoria.

Aug 4, 2026

Subir por Clementine