Aplicación del algoritmo k-means para la detección de lavado de activos en una empresa de seguros

Abstract

Este Trabajo de Suficiencia Profesional (TSP) se enfoca en la implementación del algoritmo de clustering k-means para la identificación de transacciones anómalas en las primas de una empresa de seguros, con el objetivo de fortalecer la prevención de lavado de activos. La investigación clasifica pólizas en distintos niveles de riesgo, segmentando los datos en función del monto de la prima y el tamaño de la empresa. Esta metodología permite diferenciar patrones de comportamiento regular y casos atípicos que requieren una evaluación adicional. El análisis de datos históricos de pólizas facilitó la creación de tres clusters bien definidos. El primer cluster representó la mayoría de las transacciones, indicando un comportamiento típico y estable en la asignación de primas. En contraste, los clusters restantes presentaron valores de prima significativamente altos y baja frecuencia, lo que sugiere que corresponden a casos anómalos. Esta segmentación proporcionó una estructura sólida para identificar y monitorear transacciones inusuales en la empresa. Las conclusiones del estudio destacan que el algoritmo k-means es una herramienta eficaz para la gestión de riesgos en el sector asegurador, ya que permite una clasificación precisa de las transacciones y optimiza el uso de recursos en el proceso de supervisión. Además, las recomendaciones proponen implementar esta metodología de manera periódica y realizar ajustes continuos en los parámetros del modelo para asegurar su relevancia en el tiempo, mejorando así la capacidad de respuesta ante posibles casos de lavado de activos.

This Professional Sufficiency Project (TSP) focuses on implementing the k-means clustering algorithm to identify anomalous transactions in an insurance company’s premiums, with the goal of strengthening anti-money laundering efforts. The research classifies policies into different risk levels, segmenting data based on premium amount and company size. This methodology distinguishes regular behavioral patterns from atypical cases that require additional assessment. The analysis of historical policy data facilitated the creation of three well-defined clusters. The first cluster represented most transactions, indicating typical and stable premium assignment behavior. In contrast, the remaining clusters showed significantly high premium values with low frequency, suggesting these are likely anomalous cases. This segmentation provided a solid framework for identifying and monitoring unusual transactions within the company. The study concludes that the k-means algorithm is an effective tool for risk management in the insurance sector, enabling precise transaction classification and optimizing resource use in the oversight process. Furthermore, the recommendations suggest implementing this methodology periodically and making continuous adjustments to model parameters to ensure its relevance over time, thereby enhancing the company’s ability to respond to potential money laundering cases.