Taller Práctico: Generación de Señales de Alerta en el SAGRILAFT

El SAGRILAFT (Sistema de Autocontrol y Gestión del Riesgo de Lavado de Activos y Financiación del Terrorismo) establece la necesidad de identificar, monitorear y reportar operaciones sospechosas a través de la generación de señales de alerta. Este taller práctico tuvo como objetivo enseñar a los participantes cómo desarrollar un modelo automatizado para detectar operaciones inusuales y sospechosas a partir de datos transaccionales.

📍 Objetivos del Taller:

✔️ Identificar los principales factores de riesgo en SAGRILAFT.

✔️ Aplicar reglas de negocio para la detección de alertas.

✔️ Construir un modelo en Excel con Power Query para segmentar y analizar transacciones.

1️⃣ Factores de Riesgo en SAGRILAFT

Antes de entrar en la parte práctica, es fundamental conocer los factores de riesgo utilizados en la identificación de operaciones inusuales:

✅ 1. Cliente o Contraparte

Tipo de cliente (persona natural o jurídica).

Actividad económica.

Jurisdicción en la que opera.

Comportamiento transaccional habitual.

✅ 2. Productos y Servicios

Naturaleza y características del producto o servicio.

Canales de distribución utilizados.

Medios de pago empleados.

Volumen y frecuencia de transacciones.

✅ 3. Factores Geográficos

Países involucrados en la transacción.

Presencia en jurisdicciones con alto riesgo de lavado de activos.

Transacciones en zonas sujetas a sanciones o embargos.

✅ 4. Factores Transaccionales (🔍 Enfoque del taller)

Montos, frecuencia y naturaleza de las transacciones.

Uso de cuentas de tránsito o triangulación de operaciones.

Transacciones sin justificación económica aparente.

📌 Ejemplo de Matriz de Segmentación de Riesgo

Factor de Riesgo Descripción Ejemplo de Variables

Cliente Características del cliente Tipo de persona, actividad económica, historial transaccional

Producto Características del servicio/producto Medio de pago, frecuencia de compra, sector

Geográfico Ubicación y riesgo jurisdiccional País, ciudad, zona de riesgo

Transacción Comportamiento financiero Monto, medio de pago, frecuencia

2️⃣ Desarrollo del Modelo de Alerta en Excel con Power Query

En el taller se utilizó un archivo Excel con datos de transacciones, que incluía:

✔️ Fecha de la transacción

✔️ NIT y nombre del cliente

✔️ Actividad económica

✔️ Ciudad y departamento

✔️ Medio de pago

✔️ Monto de la transacción

Paso 1️⃣: Transformar los Datos en una Tabla

El primer paso en Power Query es convertir los datos en una tabla estructurada para facilitar la manipulación:

1️⃣ Seleccionar los datos en Excel.

2️⃣ Presionar CTRL + T para convertirlos en tabla.

3️⃣ Ir a la pestaña Datos > Consultas y conexiones > Desde una tabla.

4️⃣ Asignar un nombre a la consulta (Ejemplo: Clientes).

Paso 2️⃣: Configurar los Campos en Power Query

Una vez dentro del editor de Power Query, se aplicaron los siguientes cambios:

✔️ Formato de fecha: Convertir el campo de fecha a solo el año y mes.

✔️ Conversión de texto: Pasar el NIT y el nombre del cliente a formato texto.

✔️ Moneda: Configurar el campo de monto de transacción en formato moneda.

📌 Ejemplo de transformación de la fecha:

1️⃣ Duplicar la columna de fecha.

2️⃣ Extraer el año y el mes usando las opciones de transformación.

3️⃣ Concatenar Año + Mes + NIT para generar un identificador único.

Paso 3️⃣: Calcular el Promedio Mensual por Cliente

Para detectar transacciones inusuales, se calculó el promedio de transacciones por cliente en cada mes.

📌 Procedimiento en Power Query:

1️⃣ Crear una nueva consulta como Referencia de la consulta principal.

2️⃣ Agrupar los datos por Año, Mes y NIT.

3️⃣ Calcular:

Promedio del valor transaccional.

Monto mínimo y máximo del cliente en el mes.

📌 Ejemplo de Resultados de la Agrupación:

Cliente Mes Transacciones Promedio Monto Mínimo Monto Máximo

Cliente A Abr 23 $9.200.000 $4.600.000 $65.000.000

Cliente B May 10 $3.500.000 $1.200.000 $20.000.000

Paso 4️⃣: Incorporación del Promedio a la Base de Datos

Una vez calculado el promedio, se combinó la información con la tabla de operaciones para evaluar cada transacción en relación con el comportamiento histórico del cliente.

📌 Criterios para generar alertas:

✔️ Si el monto de la transacción es 5 veces mayor al promedio, se genera una alerta de operación inusual.

✔️ Si el monto supera el promedio y fue pagado en efectivo, se clasifica como sospechoso.

Paso 5️⃣: Creación de Alertas Automáticas

Se creó una columna condicional en Power Query para identificar las transacciones de alto riesgo.

📌 Regla aplicada:

📌 Ejemplo de Código en Power Query:

plaintext

Copiar

Editar

Si ([Monto Transacción] > [Promedio] * 5) Entonces "Operación Inusual"

Si ([Monto Transacción] > [Promedio] * 5 y [Medio de Pago] = "Efectivo") Entonces "Operación Sospechosa"

Si no, ""

📌 Ejemplo de Resultados:

Cliente Transacción Promedio Mensual Multiplicador Medio de Pago Alerta

Cliente A $65.000.000 $9.200.000 7x Efectivo ⚠️ Sospechosa

Cliente B $20.000.000 $3.500.000 5.7x Transferencia ⚠️ Inusual

Cliente C $8.000.000 $7.500.000 1.1x Tarjeta ✅ Normal

3️⃣ Beneficios del Modelo Automatizado en SAGRILAFT

✔️ Automatización del análisis de transacciones en Excel con Power Query.

✔️ Generación de alertas en tiempo real sin necesidad de hacer cálculos manuales.

✔️ Mayor precisión en la detección de operaciones sospechosas.

✔️ Adaptabilidad a cualquier empresa, ajustando los criterios según la necesidad.

📌 Reflexión Final:

Implementar un modelo de alertas en SAGRILAFT no solo ayuda a cumplir con la normativa, sino que también protege a la empresa de riesgos reputacionales y legales. 🚨

🔎 ¿Necesitas apoyo para implementar un sistema de monitoreo de riesgos en tu empresa? Solicita un demo gratuito de Riesgos365