Los datos de alta calidad constituyen la base de un programa eficaz de lucha contra el lavado de dinero (AML) y de seguimiento de listas de vigilancia. Los datos incompletos o inexactos pueden dar lugar a falsos negativos, lo que puede permitir que las actividades ilícitas pasen desapercibidas. Por el contrario, pueden generar falsos positivos, lo que daría lugar a investigaciones innecesarias y al desperdicio de recursos. Dado que los volúmenes de datos aumentan exponencialmente, el riesgo de dicha mala gestión de datos es una preocupación creciente para las organizaciones. Este artículo examina la cuestión del aumento de los volúmenes de datos, la importancia de seleccionar y comprender los datos y las mejores prácticas para gestionar la calidad de los datos en el futuro.
La explosión de los volúmenes de datos
Los volúmenes de datos globales se han disparado durante la última década y se espera que superen los 180 zettabytes en 2025. Lo mismo ocurre con la cantidad de puntos de datos de clientes disponibles para las organizaciones. Las empresas tienen conjuntos de datos de clientes más grandes y dinámicos, que van desde la incorporación de clientes hasta la gestión de clientes y datos de transacciones. Al mismo tiempo, esto también ha creado mayores volúmenes de metadatos: puntos de datos relevantes sobre cada conjunto de datos, como cuándo y cómo la organización recopiló información de los clientes.
El creciente volumen de datos presenta tanto oportunidades como desafíos. Desde una perspectiva contra el lavado de dinero, proporciona una gran cantidad de información para mejorar los controles de los clientes. Tradicionalmente, los controles contra el lavado de dinero se han centrado en la relación básica con el cliente, pero ahora deben incorporar una gama más amplia de puntos de datos. Por ejemplo, los reguladores normalmente exigen que las organizaciones recopilen información adicional para comprender al beneficiario final (UBO), realicen controles de medios adversos y utilicen análisis de comportamiento para monitorear las transacciones.
El desafío para las organizaciones es cómo gestionar estos conjuntos de datos en constante expansión con fines de lucha contra el lavado de dinero. En última instancia, los datos sólo tienen valor real si son completos y precisos. Esto es particularmente importante dado el rápido desarrollo y la creciente adopción de herramientas de inteligencia artificial en la lucha contra el lavado de dinero, que dependen de datos de alta calidad para su implementación exitosa. Sin embargo, las organizaciones a menudo enfrentan múltiples sistemas heredados inconexos que no fueron diseñados teniendo en cuenta los requisitos de datos actuales y, a veces, heredan conjuntos de datos de baja calidad a través de adquisiciones o durante la adquisición de carteras de negocios, como suele ser el caso en los mercados de seguros. Por lo tanto, es esencial contar con un programa sólido de calidad de datos que aborde la selección, comprensión y gestión continua de la calidad de los datos para mitigar estos desafíos.
Selección de datos: elegir los datos correctos
El primer paso en la gestión de la calidad de los datos es seleccionar los datos adecuados para el caso de uso. Al hacerlo, es fundamental tener en cuenta las normas de protección de datos, como el Reglamento General de Protección de Datos de la UE (GDPR). Estos requieren que los datos sean proporcionados y necesarios para el uso previsto, lo que significa que las organizaciones no tienen total libertad para explorar datos ilimitados.
Las organizaciones también deben determinar si los datos cumplen con los estándares. Por ejemplo, si se utiliza la fecha de nacimiento para comprobar si una persona está en una lista de sanciones, ¿tiene la institución estos datos de forma fiable? Y si es así, ¿sabe de dónde provienen estos datos y dónde se verifican, dónde se almacenan y cuáles son los procedimientos de gobernanza que los rodean?
A menudo faltan datos o estos no son fiables. Es posible que tenga décadas de antigüedad y se haya recopilado mediante sistemas obsoletos sin los campos pertinentes. También se pueden capturar en un formato físico, como un conocimiento de embarque durante un envío, que la organización debe convertir en un punto de datos digitales. Comprender estos obstáculos potenciales y saber cómo superarlos es un paso esencial en el proceso de selección de datos.
Comprensión de datos: comprensión de sus datos
Las organizaciones también deben tener una buena idea de la precisión de cada punto de datos, los formatos utilizados comúnmente y los puntos de datos faltantes. De hecho, sin comprender la calidad de los datos o sus posibles debilidades, es imposible tomar decisiones informadas sobre la mejor manera de utilizarlos.
Es importante tener en cuenta que los datos de una empresa nunca serán los mismos que los de otra, una vez que se tienen en cuenta todas las «variables», como el tipo de empresa, los mercados y los clientes objetivo, los sistemas internos, las políticas y los procedimientos. Los datos que posee una empresa son únicos y deben tratarse como tales.
Para establecer la precisión de los datos, las organizaciones deben analizar puntos de datos clave, como nombre, dirección, fecha de nacimiento o número de pasaporte, nacionalidad y fuente de fondos para diferentes controles contra el lavado de dinero. Esto ayuda a determinar la confiabilidad de cada punto de datos; Cuando estos datos son de mala calidad o a menudo faltan, la organización sabe que no pueden utilizarse como identificador principal con fines de detección y lucha contra el lavado de dinero. Esto también facilita la determinación de las acciones correctivas necesarias para mejorar los conjuntos de datos y los procesos de recopilación existentes.
Gestión continua de datos: mantener actualizada la calidad de los datos
Por último, las empresas deben comprender que los datos son un objetivo en constante cambio. Se adquieren nuevos clientes, los clientes existentes agregan nuevos productos, servicios o ubicaciones, los antiguos clientes se cancelan y los clientes crean nuevas relaciones con terceros que deben entenderse. Para complicar aún más las cosas, estos datos normalmente se almacenan en múltiples bases de datos independientes. Por lo tanto, las empresas deben mantenerse al día con la evolución constante de sus conjuntos de datos. Si no lo hacen, rápidamente volverán al punto de partida después de cualquier ejercicio puntual de mejora de datos.
Las organizaciones pueden considerar dos enfoques para gestionar sus datos continuos. La primera es revisar por completo los datos sin procesar, pero se trata de una opción costosa y que consume mucho tiempo y es difícil convencer a la dirección para que la acepte. A menudo, los proyectos ni siquiera empiezan y mucho menos terminan. En muchos casos, el departamento de cumplimiento no es propietario de los conjuntos de datos y necesita presupuesto de otros departamentos para completar este ejercicio.
La segunda opción es utilizar herramientas de calidad de datos que preparen y monitoreen los datos a medida que son absorbidos por el sistema contra el lavado de dinero, en lugar de requerir que los datos se limpien antes de su uso. Esto evita que los departamentos de cumplimiento tengan que aportar recursos adicionales por adelantado y, en general, es más rentable y específico para las necesidades de los equipos de cumplimiento.
Gestión de controles de calidad de datos a escala
A medida que los volúmenes de datos en el ámbito de la lucha contra el lavado de dinero continúan su trayectoria ascendente, las organizaciones deben considerar cómo gestionan el impacto de la calidad de los datos en el cumplimiento y otros esfuerzos. La calidad de los datos es la base de un programa exitoso de detección y lucha contra el lavado de dinero. Sin él, aumenta el riesgo de falsos negativos y falsos positivos o de evaluaciones de riesgos inexactas. Para evitar y superar problemas de calidad de los datos, las organizaciones deben considerar primero los puntos de datos que seleccionan para fines contra el lavado de dinero y su nivel de comprensión de ese conjunto de datos. Luego deberían considerar la gestión continua de datos y cómo se pueden preparar y verificar mejor los datos como parte de los procesos de detección de listas de vigilancia y contra el lavado de dinero.
