APLICABILIDAD DE LA MINERÍA DE DATOS Y EL ANÁLISIS DE REDES SOCIALES EN LA INTELIGENCIA FINANCIERA

APLICABILIDAD DE
LA MINERÍA DE
DATOS Y EL ANÁLISIS
DE REDES SOCIALES
EN LA INTELIGENCIA
FINANCIERA
DOCUMENTOS UIAF

Bogotá D.C.
2014
 /1

Aplicabilidad de la minería de datos

y el análisis de redes sociales
en la inteligencia financiera

2014
 Esta publicación fue realizada por la Unidad de
Información y Análisis Financiero (UIAF), Unidad
Administrativa Especial adscrita al Ministerio de
Hacienda y Crédito Público.

DIRECTOR GENERAL

Unidad de Información y Análisis Financiero

Luis Edmundo Suárez Soto

EQUIPO DE PRODUCCIÓN

Unidad de Información y Análisis Financiero

Este documento fue desarrollado por servidores
/2 públicos de la UIAF, con el soporte de un equipo in-
terno de coordinación editorial y bajo la dirección
del Director General y el Subdirector de Análisis Es-
tratégico.

CORRECCIÓN DE ESTILO, DISEÑO,

DIAGRAMACIÓN E IMPRESIÓN

García Solano y Compañía SAS - Caliche Impresores

Impresores Molher LTDA
De acuerdo con lo previsto en el Artícu-
lo 91 de la Ley 23 de 1982, los derechos
de autor del presente documento per-
tenecen a la Unidad de Información y
Análisis Financiero (UIAF).

Queda prohibida cualquier repro-

ducción, parcial o total, del con-
tenido de este documento sin la
autorización previa y escrita de la
UIAF. Los análisis contenidos son
de carácter general y no hacen re-
ferencia ni constituyen prueba so-
bre vínculos ciertos y permanentes
de individuos con actividades aso-
ciadas al lavado de activos y finan-
ciación del terrorismo.

La UIAF no se responsabiliza por el /3

uso (acción u omisión) que haga
cualquier persona o grupo de per-
sonas de la información (total o
parcial) contenida en el texto.

ISBN:
978-958-58578-3-4
Primera edición© 2014, UIAF
/4
TABLA DE CONTENIDO
INTRODUCCIÓN
pag 8

1 EL MODELO SAB Y EL ANÁLISIS

CUANTITATIVO DE INFORMACIÓN

pag 10

2 ASPECTOS GENERALES

pag 14

3 ANTECEDENTES DE
LA MINERÍA DE DATOS
pag 18
/5

4
LA MINERÍA DE DATOS APLICADA AL
SISTEMA NACIONAL ANTILAVADO DE
ACTVOS Y CONTRA LA
FINANCIACIÓN DEL TERRORISMO

pag 23

5 ANÁLISIS DE REDES SOCIALES

pag 30

CONCLUSIONES

pag 43
/6

APLICABILIDAD
DE LA MINERÍA DE DATOS
Y EL ANÁLISIS DE REDES SOCIALES
EN LA INTELIGENCIA FINANCIERA
“La estructura social se hace visible en un hormiguero; los movimientos y
contactos que uno ve no son aleatorios sino que siguen un patrón. También
deberíamos poder ver estructura en la vida de… [cualquier] comunidad si
tuviéramos un ángulo de vista suficientemente distante, desde el cual las
personas parecerían ser pequeños puntos en movimiento…. Deberíamos
ver que estos puntos no se acercan entre ellos aleatoriamente, que algunos
están juntos regularmente, algunos se encuentran frecuentemente, algu-
nos nunca…. Si uno pudiera alejarse lo suficiente, la vida humana se con-
vertiría en puro patrón” (Roger Brown, experto en redes sociales).
/7
 Las Unidades de Inteligencia Fi-
INTRODUCCIÓN
nanciera en todo el mundo se ven
enfrentadas a una labor altamente
compleja: detectar operaciones de
lavado de activos y financiación
del terrorismo las cuales, por su
naturaleza ilegal, se ocultan delibe-
radamente del escrutinio público,
particularmente de los ojos de las
autoridades. Esta situación motiva
el uso de nuevas tecnologías que
no se limitan a la visión tradicional
de hardware y software, sino que
incluyen todo método que permita
aprovechar los recursos disponi-
bles con el objetivo de identificar
actividades económicas y financie-
ras ilícitas.
/8
Es así como al tomar en considera-
ción que uno de los activos más va-
liosos con los que cuentan las UIF
es la información que centralizan,
es necesaria la implementación de
herramientas idóneas que aprove-
chen estos datos y extraigan cono-
cimiento no trivial sobre la dinámi-
ca de las operaciones que realizan
los individuos. De esta forma será
posible caracterizar el comporta-
miento usual de un grupo deter-
minado de personas, naturales o
jurídicas, generando alertas ante
movimientos extraños.
Como se verá en el resto del do-
cumento, la minería de datos y el
análisis de redes surgen como dos
metodologías relacionadas que
permiten aprovechar los grandes
volúmenes de información dispo-
nibles para apoyar la investigación
de Inteligencia Financiera; median-
te la primera, se generan patrones
y tendencias para la caracteriza-
ción de operaciones usuales e inu-
suales. Con la segunda, se logra
analizar las interrelaciones entre
individuos, capturando situacio-
nes de riesgo.
de Inteligencia, para robustecer
la efectividad de los sistemas an-
tilavado de activos y contra la fi-
nanciación del terrorismo y funda-
mentalmente destinados a generar
señales de alerta y puntos de par-
tida para la detección de posibles
operaciones de lavado de activos o
financiación del terrorismo.

Es importante mencionar que la

minería de datos y el análisis de
redes se articulan en el modelo
de gestión Sistémico, Amplio y Bi- /9
direccional (SAB) de la Unidad de
Información y Análisis Financiero
(UIAF), como un apoyo al proceso
de Inteligencia Financiera, el cual
se ve fortalecido por las posibili-
dades que estas dos metodologías
brindan (Suárez - UIAF, 2014).

El objetivo de este documento es

presentar de manera sencilla los
instrumentos descritos brevemen-
te en esta introducción y las posi-
bilidades que brindan a quienes
realizan procesos de producción
/10

EL MODELO SAB
01
Y EL ANÁLISIS
CUANTITATIVO DE INFORMACIÓN
El modelo de gestión Sistémico, En este contexto, bajo el modelo
Amplio y Bidireccional (SAB)1, dise- SAB se crea la Plataforma de In-
ñado y aplicado en la UIAF desde teligencia Económica (PIE), basa-
noviembre de 2010, ha potencia- da en un conjunto de hardware y
lizado las capacidades de análisis software, utilizado bajo la óptica
y respuesta del Sistema Nacional de la Inteligencia Financiera y Eco-
Antilavado de Activos y Contra la nómica. Es así como se integra un
Financiación del Terrorismo (ALA/ equipo humano con las capacida-
CFT), a través del fortalecimiento des necesarias para aprovechar es-
tecnológico y la implementación tas herramientas, implementando
de nuevas herramientas que per- metodologías provenientes de las
miten el procesamiento oportuno Matemáticas, Estadística, Econo-
de los grandes volúmenes de in- mía, Finanzas y el análisis visual,
formación que se centralizan en la con el fin de mejorar el entendi-
Unidad. En particular, el compo- miento de la amenaza y producir
nente Amplio del modelo SAB, al mejores resultados en el Sistema
incorporar nuevas fuentes de infor- ALA/CFT.
mación, propende por la creación
de más y mejores sensores2 que En particular, las técnicas de mi- /11
aporten datos sobre la evolución nería de datos y análisis de redes
de las diferentes actividades eco- sociales de las cuales trata este
nómicas en las regiones del país. documento, identifican patrones,
tendencias y relaciones que no
Sin embargo, con relación a lo son evidentes a simple vista y que
anterior, más datos no necesaria- sirven para caracterizar transac-
mente se traducen en mayor cono- ciones inusuales que pueden es-
cimiento y mejores decisiones. Por tar relacionadas con LA o FT; adi-
esto, es fundamental contar con cionalmente, permiten establecer
un mecanismo de análisis basado vínculos entre individuos de inte-
en herramientas adecuadas para rés para las autoridades y terceros
generar conocimiento no trivial so- que de otra forma permanecerían
bre el fenómeno de interés, en este invisibles a los ojos del sistema
caso, el lavado de activos y la fi- ALA/CFT.
nanciación del terrorismo (LA/FT).

1
Para conocer el contexto histórico, la estructura y los componentes del modelo SAB, consultar. Suárez Soto, Luis Edmundo (2014). Las Unidades de Inteligencia
Financiera y el Sistema Antilavado de Activos y Contra la Financiación del Terrorismo. Un Nuevo Modelo de Gestión: Sistémico, Amplio y Bidireccional. Segunda
edición. Bogotá: Unidad de Información y Análisis Financiero (UIAF). https://www.uiaf.gov.co/index.php?idcategoria=20569
2
En relación a más sectores reportantes, cada vez más conocedores del fenómeno de lavado de activos y financiación del terrorismo (LA/FT).
 La aplicación de estas técnicas le
ha permitido a la UIAF optimizar
tiempo y recursos en el desarrollo
de la inteligencia financiera y, más
importante aún, robustecer la in-
formación y análisis que produce
en apoyo a las autoridades com-
petentes (como fuerzas del orden,
Fiscalía General de la Nación, entre
otros agentes), de acuerdo con las
posibilidades legales de cada uno.
Lo anterior reafirma el carácter
Amplio y Bidireccional del mode-
lo SAB, al fortalecer la articulación
entre los agentes del sistema, para
mejorar la efectividad de sus resul-
tados.
/12
La estructura del modelo SAB,
desde la perspectiva de la reco-
lección, manejo y procesamiento
de información con el soporte de
tecnología y técnicas de análisis,
se resume en la Figura 1. Tener este
contexto presente, servirá para una
mejor interpretación de las técni-
cas de minería de datos y análisis
de redes, abordadas en este do-
cumento, con el fin de sintetizar y
difundir el conocimiento y la ex-
periencia adquirida por la UIAF en
los últimos casi cuatro años, en el
desarrollo de uno de los principa-
les pilares del modelo SAB: la inte-
gración entre tecnología avanzada
y recurso humano calificado, capaz
de producir conocimiento holístico
e interdisciplinario, en función de
la prevención y detección del lava-
do de activos y la financiación del
terrorismo.
 Figura 1. Modelo SAB –
recolección, manejo y procesamiento de información

Plataforma de
Inteligencia
Económica

Inteligencia Mejor
Más y Mejores Base de Datos Financiera y Entendimiento de
Sensores Politemáticas Económica la Amenaza

Reportantes *Volumen *Análisis financiero

*Entidades del estado *Velocidad *Análisis económico
*Gremios *Variedad *Análisis matemático *Entender el Pasado
*Organismos internacionales *Veracidad y Estadístico *Monitorear el Presente
*Centros académicos *Análisis visual *Anticipar el Futuro

Más Capacidades
de Detección y
Judicialización:
Mejoras en la Calidad de dos Reportes: Mejores
Resultados
Crecimiento Continuo del Sistema ALA/CFT
/13
/14

02
ASPECTOS
GENERALES
La necesidad de análisis de datos Una forma de visualizar el proceso
y extracción automática de cono- de extracción del conocimiento,
cimiento no implícito, derivó en se resume en las cuatro fases pre-
el nacimiento de una nueva disci- sentadas en la siguiente página,
plina denominada KDD (Knowle- Figura 2.
dge Discovery in Databases). Con
el nacimiento de esta disciplina,
los datos pasan de ser el produc-
to generado por los diferentes
procesos inherentes a la actividad
desarrollada a ser la materia pri-
ma, de forma que a partir de gran-
des volúmenes de datos se extrae
conocimiento útil que ayuda a
tomar decisiones en los ámbitos
de donde fueron extraídos. El pro-
ceso de KDD comprende diversas
etapas, desde la obtención de los
datos hasta la aplicación del cono- /15
cimiento adquirido en la toma de
decisiones.
 Figura 2. Proceso de extracción del conocimiento

1. PREPARACIÓN DE LOS DATOS:

SELECCIÓN, EXPLORACIÓN, LIMPIEZA
Y TRANSFORMACIÓN

2. MINERÍA DE DATOS - ANÁLISIS DE

REDES SOCIALES

3. EVALUACIÓN Y/O INTERPRETACIÓN

DE RESULTADOS

4. DIFUSIÓN Y/O USO DE MODELOS

/16

Preparación de los datos datos, buscando la distribución

Selección: integración y recopi-
lación de datos. Determinación
de las fuentes de información que
pueden ser útiles, identificación y
selección de variables relevantes
en los datos y aplicación de técni-
cas adecuadas de muestreo.
Exploración: aplicación de téc-
nicas de análisis exploratorio de
de los datos, simetría, normalidad
y correlaciones existentes en la in-
formación.
Limpieza: depuración de los da-
tos respecto a faltantes y valores
erróneos.
Transformación: se produce la
transformación de los datos, ge-
neralmente mediante técnicas de
reducción o de aumento de la di-
mensión y de escalado simple y Evaluación e interpretación
multidimensional.
Expertos evalúan y analizas los pa-
Minería de datos trones y, si es necesario, se retorna
a las fases anteriores para una nue-
Se decide cuál es la tarea a realizar va iteración.
(clasificación, agrupación, otras)
y se elige la técnica descriptiva Difusión
(clustering y segmentación, esca-
lamiento, reglas de asociación y Se aplica el nuevo conocimiento
dependencia, análisis explorato- y se involucra a todos los posibles
rio, reducción de la dimensión) o usuarios.
predictiva (regresión y series tem-
porales, análisis discriminante,
métodos bayesianos, algoritmos
genéricos, árboles de decisión, re-
des neuronales).

/17
/18

03
ANTECEDENTES DE LA
MINERÍA DE DATOS
La minería de datos surge a prin-
cipios de los años ochenta cuan-
do la Administración de Hacienda
de Estados Unidos desarrolló un
programa de investigación para
detectar fraudes en la declaración
y evasión de impuestos, mediante
lógica difusa, redes neuronales y
técnicas de reconocimiento de pa-
trones. Sin embargo, su expansión
se produce hasta la década de los
noventa, principalmente debido a:
• El incremento en la poten-
cia de procesamiento de las com-
putadoras, así como en la capaci-
dad de almacenamiento.
• El crecimiento de la canti-
dad de datos almacenados se ve
favorecido no solo por el abara-
tamiento de los discos y sistemas
de almacenamiento masivo, sino
también por la automatización de
trabajos y técnicas de acopio de
datos (observación con nuevas
tecnologías, entrevistas más prác-
ticas, encuestas por internet, etc.).
• La aparición de nuevos través de procesos especializados
métodos y técnicas de aprendizaje
y almacenamiento de datos, como
las redes neuronales, la Inteligen-
cia Artificial y el surgimiento del al-
macén de datos - Data Ware House
(disponible en http://www.estadis-
tico.com/arts.html).
La idea de minería de datos no es
nueva, ya que desde los años se-
senta los estadísticos manejaban
términos como data fishing, mine-
ría de datos o data archaeology,
con el propósito de hallar correla-
ciones sin una hipótesis previa en
bases de datos. A principios de los
años ochenta, Rakesh Agrawal, Gio
Wiederhold, Robert Blum y Gregory
Piatetsky-Shapiro, entre otros, em-
pezaron a consolidar los términos
de minería de datos y descubri-
miento de conocimiento en bases
de datos. A finales de esa misma
década sólo existían un par de em-
presas dedicadas a esta tecnolo-
gía. En el año 2002, figuraban más
de 100 empresas en el mundo que /19
ofrecían alrededor de 300 solucio-
nes. Actualmente, existen áreas
dedicadas a la minería de datos
dentro de un número amplio de
empresas a nivel global, ya que es
una herramienta óptima para ob-
tener información valiosa e impor-
tante de manera rápida y eficaz, a
y sistemáticos.
Una serie de avances en la tecnolo-
gía y los procesos de negocio han
contribuido al creciente interés en
la minería de datos en los sectores
 público (detección de fraudes, resi-
duos y medición y mejora de pro-
gramas) y privado (banca, seguros,
ventas, entre otros). Algunos de es-
tos cambios incluyen el crecimien-
to de las redes de computadoras,
que se utilizan para conectar bases
de datos. El desarrollo de una ma-
yor búsqueda de relaciones con
técnicas como las redes neurona-
les y algoritmos avanzados, la pro-
pagación de las aplicaciones clien-
te/servidor, permite a los usuarios
acceder a los recursos centraliza-
dos de datos desde el escritorio y
una mayor capacidad para com-
binar datos de diferentes fuentes
en una sola búsqueda (Ramírez y
Orallo, 2003).
/20
Existen varias definiciones de mi-
nería de datos, entre ellas:
• Es el proceso por el cual so que invierte la dinámica del
generamos un modelo que sirva
para la predicción. Este modelo se
genera a partir de los datos que se
encuentran en una base de datos
aplicándoles algún algoritmo que
construya el modelo (disponible
en http://catarina.udlap.mx/u_
dl_a/tales/documentos/msp/gon-
zalez_r_l/apendiceC.pdf).
• Es un proceso no trivial de neria_Datos_Vallejos.pdf).
identificación válida, novedosa,
potencialmente útil y entendible
sobre patrones comprensibles que
se encuentran ocultos en los datos
(Fayad et. al., 1996).
• Es la integración de un
conjunto de áreas que tienen como
propósito la identificación de un
conocimiento obtenido a partir de
las bases de datos que aporten un
sesgo hacia la toma de decisiones
(Fernández y De Moya, 1996).
• Es un mecanismo de ex-
plotación, consistente en la bús-
queda de información valiosa en
grandes volúmenes de datos. Está
muy ligada a las bodegas de datos
que proporcionan la información
histórica con la cual los algoritmos
de minería de datos tienen la infor-
mación necesaria para la toma de
decisiones.
La minería de datos es un proce-
método científico, el cual consiste
en formular una hipótesis y luego
diseñar el experimento para con-
firmarla o refutarla; primero se
diseña y realiza el experimento y
finalmente se obtiene el nuevo co-
nocimiento (disponible en http://
exa.unne.edu.ar/depar/areas/in-
formatica/SistemasOperativos/Mi-
Las limitaciones de la minería de
datos son los primeros datos o da-
tos puros, más que la tecnología
o herramientas para el análisis. Es
decir, depende mucho de la lim-
pieza de los datos y de la definición
de las variables. Si los datos son
incorrectos, el modelo creado no
servirá. Del mismo modo, la vali-
dez de los patrones descubiertos
depende de cómo se apliquen al
mundo real o a las circunstancias.
La minería de datos como enfoque
para el análisis y descubrimiento
de la información o conocimiento
a realizar en grandes bases de da-
tos, combina técnicas como: esta-
dística (análisis factorial, discrimi-
nante, regresivo, de correlaciones),
redes neuronales, sistemas exper-
tos o basados en el conocimiento,
sistemas de reglas de inducción,
lógica difusa, algoritmos genéticos,
algoritmos matemáticos (teoría de
fractales y del caos, simulación).
La minería de datos es diferente de
la estadística, ya que la segunda
consiste en desarrollar una hipó-
tesis y probarla o refutarla a través
de los datos obtenidos y revisa-
dos. La eficacia de este enfoque se
ve limitado por la creatividad del
usuario para desarrollar diversas
hipótesis, así como la estructura
del software que utiliza. La minería
de datos, por otra parte, utiliza un
enfoque de descubrimiento en los
algoritmos que son usados para
examinar varias relaciones en ba-
ses de datos multidimensionales
de manera simultánea e identificar
a aquellos que se presentan con
frecuencia (Esteban, 2008).
En la minería de datos casi nunca
se menciona el tiempo que se in-
vierte en la limpieza y la verificación
de los datos, así como la definición
de las variables, pero este proceso
es muy importante ya que por lo re-
gular las bases de datos contienen
información duplicada, a veces
errónea, superflua o incompleta. A /21
esto se le suman los errores por la
operación de los sistemas.
La minería de datos hace referen-
cia a un conjunto de algoritmos
que permiten la identificación de
patrones útiles y novedosos que se
encuentran “ocultos” en grandes
bases de datos. Previo al desarrollo
de los modelos es necesario surtir
4 pasos contemplados por el KDD,
los que en adelante se describen.
 Entendimiento del problema: se
define la pregunta que se quiere re-
solver y se establecen los objetivos
específicos a trabajar.
Selección de datos: se determina
qué bases de datos pueden ser uti-
lizadas para analizar el problema y
se consolidan los conjuntos de in-
formación.
Pre-procesamiento y limpieza:
se busca manejar los datos faltan-
tes junto con los valores atípicos
que se identifiquen en las bases de
datos.
Transformación de datos: se
busca generar nuevos indicadores
/22 que puedan ser más representa-
tivos del fenómeno analizado o
contener mejor información que la
de las variables disponibles por sí
mismas, tomando la información
acumulada hasta este momento.
Posteriormente, la minería de da-
tos deberá establecer el tipo de
investigación a realizar de acuerdo
con las características de la infor-
mación y los objetivos estableci-
dos, eligiendo entre dos grandes
grupos: análisis descriptivo y aná-
lisis predictivo. Estas técnicas no
son excluyentes, pueden comple-
mentarse en diferentes etapas del
estudio.
En el siguiente paso se selecciona
entre los algoritmos disponibles
el más adecuado y se implementa
tomando en consideración los su-
puestos y las restricciones de cada
método. Los resultados obtenidos
se evalúan en cuanto a su validez y
representatividad antes de llegar a
la etapa final de producción.
El tiempo que se utiliza en el pro-
ceso KDD suele concentrarse en las
fases iniciales, particularmente en
lo relacionado con la recolección y
preparación de los datos. Además,
estas etapas pueden ser recursivas,
es decir, se retorna a ellas una y
otra vez (proceso iterativo), a medi-
da que se obtienen resultados pre-
liminares que requieren replantear
las variables de entrada.
 /23

LA MINERÍA DE DATOS
04
APLICADA AL SISTEMA
NACIONAL ANTILAVADO DE ACTIVOS Y
CONTRA LA FINANCIACIÓN DEL TERRORISMO
 Aplicados a los Sistemas Antila-
vado de Activos y Contra la Finan-
ciación del Terrorismo (ALA/CFT),
los algoritmos descriptivos de la
minería de datos permiten encon-
trar grupos de personas, naturales
o jurídicas, que muestran un com-
portamiento atípico en lo relacio-
nado con su manejo financiero y
económico, al compararse con sus
semejantes. Los procedimientos
más conocidos en esta parte, se-
gún se recoge de Maimon y Rokach
(2010), son:
Algoritmos de agrupación
Conocidos como procedimien-
/24 tos de clustering, buscan generar
nuevos conjuntos a partir de los
datos analizados, tales que los in-
dividuos en un mismo grupo sean
similares y que, simultáneamente,
cada grupo sea lo más diferente
posible. Estos métodos trabajan
con la distancia que hay entre cada
elemento y el centro de cada uno
de los grupos, asignando el indivi-
duo al grupo al cual se encuentre
más cerca. La complejidad de es-
tos algoritmos radica en la defini-
ción de un criterio para establecer
distancias o similitudes y el pro-
cedimiento recursivo que se sigue
para conformar cada uno de los
grupos hasta satisfacer los criterios
establecidos. Entre estos méto-
dos se encuentran los jerárquicos
y computacionales, así como los
basados en partición, densidades,
modelos y cuadrículas.
Reglas de asociación
Examinan todas las posibles com-
binaciones de características que
se dan en una base de datos y de-
terminan la probabilidad con la
cual se configuran estos rasgos. A
manera de ejemplo, un individuo
se puede definir de acuerdo con
el tipo de persona (natural o ju-
rídica), sector económico, grupo
de frecuencia de transacciones y
relación con una investigación de
Inteligencia Económica. Las reglas
de asociación evalúan todas las
posibles combinaciones de estas
características y determinan las
configuraciones más probables.
Los modelos predictivos de mine-
ría de datos buscan obtener los
valores que tomará una variable de
interés en situaciones no observa-
das (el futuro, por ejemplo), en fun-
ción de los valores que toman otras
series relacionadas. En el contexto
de la lucha ALA/CFT, este tipo de
algoritmos permiten establecer los
comportamientos del individuo re-
lacionados con su judicialización
por una actividad delictiva, o su in-
clusión en un caso de Inteligencia
Financiera o reporte de operación
sospechosa (ROS). A continuación,
se describen los métodos más re-
conocidos.
Árboles de decisión
Un árbol de decisión es un mo-
delo de clasificación que divide
de manera recursiva un conjun-
to de análisis buscando el mayor
grado de pureza entre los grupos
resultantes. En este caso, pureza
se entiende como la presencia re-
presentativa de una de las carac-
terísticas que toma la variable de
interés (junto con la participación
insignificante de la otra categoría).
En todo árbol hay un nodo inicial
denominado raíz, que contiene la
totalidad de la información. Este
grupo se subdivide en dos o más
grupos que se denominan como
internos (si continúan subdivi-
diéndose) o terminales u hojas (si
no enfrentan más segmentación).
En un árbol de clasificación cada
nodo interno se parte de acuerdo
con una función discreta sobre las
variables utilizadas para el análisis
hasta llegar a los nodos terminales
donde se tiene la proporción de in-
dividuos que están en cada una de
las categorías que toma la variable
de interés. Se dispone de varios al-
goritmos para la generación de ár-
boles de decisión, entre los cuales
se cuentan ID3, C4.5, CART, CHAID
y QUEST.
Redes bayesianas
Este tipo de algoritmos, que com-
parten elementos de la inteligen-
cia artificial, estadística y proba-
bilidad, pertenecen a los modelos
probabilísticos de grafos. Estos
están definidos por un grafo don-
de existen nodos que representan
variables aleatorias junto con sus /25
enlaces, los cuales hacen referen-
cia a dependencias entre estas va-
riables. El éxito de las redes baye-
sianas se debe a su habilidad para
manejar modelos probabilísticos
complejos al descomponerlos en
componentes más pequeños y ma-
nejables. Se utilizan para investigar
relaciones entre variables y para
predecir y explicar su comporta-
miento al calcular la distribución
de probabilidad condicional de
una variable, dados los valores de
otras series de interés.
 Máquinas de vectores
de soporte
La técnica de máquinas de vecto-
res de soporte se desarrolló con el
ánimo de implementar los princi-
pios de la teoría de aprendizaje es-
tadístico para resolver problemas
de clasificación y regresión en el
contexto del aprendizaje supervi-
sado. En este contexto, aprendiza-
je se relaciona con la estimación
de funciones a partir de un con-
junto de ejemplos. Para esto, una
máquina de aprendizaje escoge
una función de un grupo de fun-
ciones, minimizando el riesgo de
que la función seleccionada sea
diferente de la función real (aun-
/26 que desconocida). El riesgo está en
función de la complejidad del con-
junto de funciones y el conjunto de
información disponible, así que el
algoritmo debe encontrar el mejor
conjunto de funciones dado por su
complejidad, y la mejor función en
ese conjunto.
Reglas de inducción
Una regla de inducción suele con-
sistir de instrucciones del tipo Si
(característica 1, atributo 1) y Si
(característica 2, atributo 2) y… y
Si (característica n, atributo n) en-
tonces (decisión, valor), aunque se
pueden encontrar reglas más com-
plejas. La información utilizada por
este algoritmo es de carácter cate-
górico, lo cual facilita en gran me-
dida el procesamiento de los datos
y el entendimiento de los resulta-
dos. Los algoritmos utilizados por
las reglas de inducción son LEM1,
LEM2 y AQ.
Para aclarar los conceptos presen-
tados hasta este punto, a mane-
ra de ejemplo, considérense los
reportes sobre transacciones en
efectivo. Esta información confor-
ma una base de datos con las tran-
sacciones en efectivo que realizan
las personas, naturales y jurídicas,
siempre que estas cumplan con las
condiciones establecidas por las
autoridades respectivas.
Entre las variables disponibles es
usual encontrar la fecha y el valor
de cada movimiento, con lo cual
se puede construir una tabla con
el valor total, valor promedio men-
sual y frecuencia de transacciones
para cada una de las personas
relacionadas. Hasta aquí, se han
surtido de manera sencilla las pri-
meras etapas del proceso de KDD:
a. entendimiento del problema, b.
selección de datos, c. pre procesa-
miento y limpieza y d. transforma-
ción de datos. Ahora es posible ge-
nerar un modelo descriptivo para
encontrar grupos de individuos
con un comportamiento similar, de
acuerdo con las variables mencio-
nadas anteriormente. Los grupos
menos representativos en térmi-
nos de cantidad de personas serán
los que relacionan a los individuos
más atípicos, que son los mismos
que pueden llegar a priorizarse
para un análisis más detallado que
confirme o descarte un manejo
sospechoso del efectivo.

En cuanto a los modelos predicti-

vos, la misma base de datos puede
complementarse con la informa-
ción sobre cuáles de estos indivi- /27
duos han estado inmersos en un
análisis de Inteligencia Financiera.
En este caso se puede utilizar un
modelo como, por ejemplo, un ár-
bol de clasificación, con el ánimo
de determinar qué características
del efectivo se asocian con el he-
cho de estar o no en un caso. Los
resultados del algoritmo de clasifi-
cación son como se muestran en la
Figura 3.
 Figura 3. Posibles resultados del árbol de decisión

Base de datos de
transacciones en efectivo
Casos: 20%
No casos: 80%
Población: 100%

Caracteristica 1 Caracteristica 2
Valor total Valor total

Casos: 2% Casos: 35%

No casos: 98% No casos: 65%
Población: 45% Población: 55%

Caracteristica 1 Caracteristica 2 Caracteristica 3

Frecuencia Frecuencia Frecuencia

Casos: 6% Casos: 12% Casos: 46%

No casos: 94% No casos: 88% No casos: 54%
Población: 9% Población: 8% Población: 38%

Caracteristica 3 Caracteristica 2
Valor promedio Valor promedio
/28
Casos: 1% Casos: 74%
No casos: 99% No casos:26%
Población: 15% Población: 23%

Como se puede observar, se inicia el segundo, de acuerdo con la ca-

con la base de datos completa, la
cual tiene 20% de individuos con
casos de Inteligencia Financie-
ra. La primera división se efectúa
respecto al valor total transado
por cada persona, generando dos
grupos: el primero, basado en la
característica 1 del valor total de
los movimientos en efectivo, tiene
tan solo 2% de casos, mientras que
racterística 2 del valor total de tran-
sacciones, muestra sujetos con un
35% de ocurrencia de casos.
La segunda subdivisión se hace
respecto a las características 1, 2 y
3 de la frecuencia de transacción.
En el último paso se segmenta se-
gún el valor promedio del movi-
miento en efectivo, consiguiendo
dos grupos, uno de los cuales tiene
74% de individuos con casos de
Inteligencia Financiera. De esta for-
ma, se puede concluir que las per-
sonas con valor total, característica
2, frecuencia característica 3 y valor
promedio mensual característica 2,
tienen un 74% de probabilidad de
estar involucrados en un caso de
Inteligencia Financiera, lo cual los
hace más riesgosos desde el punto
de vista del lavado de activos (LA) y
la financiación del terrorismo (FT).
Por último, es recomendable que
las Unidades de Inteligencia Finan-
ciera (UIF) implementen los meca-
nismos descritos en esta sección,
en la medida de sus posibilidades
económicas, técnicas y jurídicas,
para conseguir un accionar com-
plementario, que puede resultar
más eficiente y eficaz en contra de
los recursos generados por las acti-
vidades delictivas a nivel mundial.

El sistema ALA/CFT puede benefi-

ciarse en gran medida de la imple-
mentación de la minería de datos
ya que esta le permite enfocar sus
recursos escasos en la identifica-
ción y análisis de los individuos /29
más riesgosos, tomando en cuenta
su comportamiento económico y
financiero. Adicionalmente, la im-
plementación de esta tecnología
en las UIF consigue un monitoreo
más completo que no se puede ar-
ticular en el resto del sistema por
la fragmentación inherente a la in-
formación que reposa en cada en-
tidad. Aunque el objetivo más evi-
dente es utilizar las capacidades de
la minería de datos para la detec-
ción de operaciones sospechosas,
también permite generar conoci-
miento sobre el fenómeno de LA/
FT que apoye la labor del sistema,
propendiendo por la seguridad del
sistema económico nacional.
/30

05
ANÁLISIS
DE REDES SOCIALES
El Análisis de Redes Sociales
(ARS) es una técnica que permi-
te estudiar y representar gráfica-
mente las relaciones establecidas
entre determinadas unidades in-
teractuantes junto con la estruc-
tura que estas determinan. Dicha
técnica puede ser utilizada bajo
dos tipos de enfoque: exploratorio
y confirmatorio. El primero abarca
la visualización y manipulación de
la información, mientras que el se-
gundo consiste en pruebas de hi-
pótesis y distribuciones de proba-
bilidad. Debido a que esta técnica
se enfoca en el estudio de las inte-
racciones entre dichas Unidades,
es posible el descubrimiento de
patrones sobre el comportamien-
to estructural de sus relaciones, lo
cual trasciende a la red social fren-
te al conjunto de sus partes, puesto
que el valor de la información que
tiene la red como tal, es mayor que
la suma de los valores individuales
de sus partes. No obstante, más
allá de la actual tendencia a la di-
seminación de información por
medio de las redes sociales de in-
ternet (Facebook, Twitter, MySpa-
ce, LinkedIn, Google+, entre otras)
y su crecimiento exponencial tanto
en número de usuarios como en
frecuencia de uso, las redes socia-
les son una forma de representar
una estructura social, compuesta
por una serie de agentes y sus re-
laciones. Esta perspectiva está res-
paldada como un concepto teórico
perteneciente a las ciencias socia-
les, específicamente a la sociología
y la antropología.
Aparte de la representación grá-
fica de los actores y sus vínculos
(la cual revela una estructura im-
plícita inicialmente desconocida)
y en virtud del objeto misional de
las UIF, es deseable que el fruto de
dicho análisis sea tal que permita
el desarrollo de estrategias para la
desarticulación de organizaciones
dedicadas a efectuar operaciones
de lavado de activos y/o financia- /31
ción del terrorismo (LA/FT). Para
ello, dentro del análisis explorato-
rio es posible calcular indicadores
que proporcionen información so-
bre las características principales,
tanto de la red como de sus agen-
tes, los cuales ofrecen el soporte
necesario para encaminar esfuer-
zos hacia los actores estratégicos
de una organización, ya sea por el
manejo de recursos económicos
y/o flujo de información y poder,
entre otros. Sin embargo, el resul-
tado del cálculo de esos indicado-
res está sujeto a la interpretación
 del analista y a los límites que este
establezca para su análisis, pues-
to que la escogencia de los datos
y las relaciones allí representadas
dependen de la intención de cada
estudio y de las expectativas que
este genere. En consecuencia, es
necesario contextualizar de mane-
ra clara, concreta y objetiva cada
estudio, entendiendo que se de-
ben escoger cuidadosamente las
relaciones objeto de análisis y es-
tablecer límites claros que deter-
minen el inicio y el final de una red,
en aras de enfocar esfuerzos hacia
las estructuras realmente relevan-
tes.
En esta sección se presentan los
/32 fundamentos y la terminología
presentes en el ARS, así como las
formas de representación utiliza-
das para visualizar la información
de la red. Seguidamente, se enu-
meran las propiedades básicas
tanto de los actores como de las
redes, junto con su interpretación.
A continuación, se relacionan los
primeros conceptos que incluyen
subconjuntos de actores y sus
vínculos, estableciendo distancias
entre ellos y conceptos similares.
Posteriormente, se discute sobre la
conectividad de la red para conti-
nuar con el estudio de sus estruc-
turas locales, sección que culmina
en el estudio estructural de las
relaciones presentes. Finalmen-
te, se presentan algunas medidas
de centralidad sobre la estructura
determinada por los actores y sus
relaciones, para terminar con un
ejemplo hipotético en el que se
incluyen varios de los conceptos
mencionados a lo largo del capí-
tulo. En este ejemplo, enmarcado
dentro del objeto misional de las
UIF, se presenta la aplicación del
ARS como una herramienta de In-
teligencia, de manera que permita
generar conocimiento útil acerca
de las entidades objeto de estudio.
1
Fundamentos,
terminología y
representación
La generación de conocimiento
permite a las instituciones esta-
blecer lineamientos misionales
desde una perspectiva estratégica.
Para ello, se cuenta con analistas
que agregan valor a la información
objeto de estudio y elaboran infor-
mes que a su vez son consumidos
por las juntas directivas en aras de
tomar decisiones, cuyo impacto fa-
vorezca a la entidad. El ARS ofrece
una panorámica alternativa para
estudiar comportamientos de de-
terminadas entidades dadas sus
relaciones, identificando actores
clave en su estructura relacional y
características propias de la mis-
ma, lo cual se traduce en directivas
enfocadas en el beneficio institu-
cional.
Si bien la terminología utilizada
dentro de este tipo de estudios es
sencilla, vale la pena precisar los
elementos que se estudian bajo el
ARS desde su fundamento teórico
matemático, es decir, la teoría de
grafos. Un grafo se define como un
conjunto de vértices que represen-
tan unidades interactuantes jun-
to con un conjunto de aristas que
conectan pares de ellos entre sí,
representando a su vez la existen-
cia de una relación. Dichos vértices
(nodos, agentes, actores) pueden
corresponder a personas, teléfo-
nos, ciudades, organizaciones, paí-
ses, entre otros, mientras que las
mencionadas aristas (enlaces,
vínculos, arcos, conexiones) están
directamente asociadas con el tipo
de relación presente entre el par
de vértices que conectan. Dichas
aristas pueden tener una dirección
o no tenerla. Si no la tienen, se en-
tiende que la relación representa-
da por esa arista no es de carácter
direccional, mientras que si la tie-
nen, significa que dicha relación es
direccional, es decir, tiene origen y
destino.
Consecuentemente, si una arista
conectando los vértices A y B re-
presenta el vínculo generado entre
esos vértices dada su pertenencia
a la misma sociedad (club, orga-
nización, empresa), no es posible
establecer origen ni destino, por lo /33
tanto se dice que esa arista no es
dirigida. En contraste, una arista
tiene dirección cuando la relación
entre los vértices que conecta está
descrita en términos de origen y
destino. Por ejemplo, si la arista
que conecta los vértices A y B re-
presenta una llamada telefónica
o una consignación bancaria, se
entiende que en ambos casos hay
un origen (quien llama o quien
consigna) y un destino (a quien lla-
man o a quien le consignan), por
consiguiente, A→B es diferente de
B→A, razón por la cual se dice que
 la arista es dirigida. Sin embargo, Ahora bien, existen dos maneras
un par de aristas entre los mismos ampliamente usadas para plas-
vértices, pero cuya dirección es mar la data de una red social: una
opuesta, son tratadas de manera matriz y un grafo3. En la Figura 4 se
independiente en lugar de tratar- pueden observar tanto la matriz
se como una arista bidireccional, como el grafo. Respecto a la matriz,
caso diferente a una arista no di- las relaciones se establecen desde
rigida. Esto debido a que el carác- la fila i hacia la columna j, mientras
ter direccional de un grafo es para que el grafo resume dicha informa-
todas las aristas, lo cual separa los ción en una imagen. Nótese que
grafos en dos tipos: dirigidos y no la fila correspondiente al vértice A
dirigidos. tiene dos valores: 1 en la columna
B y 2 en la columna C, lo cual se tra-
Adicional a la posibilidad de repre- duce en las dos aristas originadas
sentar una dirección, cada arista en el vértice A, una hacia B, con un
puede tener asociado un valor peso valuado en 1, y otra hacia C,
numérico. Este recibe una conno- con un peso valuado en 2. Si bien
tación de peso o costo y se presta ambos tipos de representación
para incluir otra dimensión de aná- provienen de la misma data, se
/34 lisis asociada propiamente a la re- debe recalcar que el grafo posee
lación que dicha arista representa. una estructura que no es revelada
Por su parte, el tamaño de los vérti- en la matriz, razón por la cual resul-
ces también sirve para representar ta más útil en aras de optar por una
alguna característica de la entidad visualización resumida, concreta e
que representan. Por ejemplo, en informativa.
un grafo que represente las llama-
das telefónicas realizadas entre
miembros de una organización, el
peso asignado a las aristas puede
asociarse con la duración de esas
llamadas, mientras que el valor de
los vértices puede representar el
número acumulado de llamadas
realizadas o recibidas.

3
Para evitar ambigüedades, es necesario diferenciar entre la definición matemática de grafo (conjunto de vértices y aristas) y su representación gráfica, también
conocida como grafo. Es decir, la palabra grafo hace referencia tanto al dibujo como al ente matemático. Debido a su uso constante y al alcance de este texto,
el uso de la palabra grafo en adelante hará referencia a la representación gráfica del ente matemático.
 Figura 4. Dos maneras de
representar un grafo dirigido Tamaño de la red: se de-
termina en términos del número
de aristas o del número de nodos,
3
siendo este último crítico para la
C B estructura de la red a causa de los
2 recursos limitados que cada actor
pueda tener destinados a la cons-
2 1
trucción y el sostenimiento de sus
vínculos.
Densidad de la red: es el
A número de vínculos de la red ex-
presado como una proporción del
número total de vínculos posibles.
A
A
0
B
1
C
2
En una red dirigida de tamaño n,
B 0 0 2 el número de vínculos posibles es
C 0 3 0
n×(n-1), mientras que en una red
no dirigida del mismo tamaño, el
número de vínculos posibles es

2
Propiedades
básicas de las
redes y sus actores
Una vez entendido el contexto y
delimitado el objeto de análisis, los
actores y la misma red se pueden
caracterizar por las propiedades
enumeradas a continuación.
n×(n-1)/2. Esta medida genera co- /35
nocimiento acerca de fenómenos
como la velocidad a la cual se di-
funde información entre los nodos
o la conectividad de la red.
Grado de los actores: en
una red no dirigida, esta media es
el número de vínculos que tiene
determinado nodo, mientras que
en una red dirigida hay que distin-
guir entre los vínculos que llegan
(grado de entrada) y los que salen
(grado de salida), medida asociada
a la influencia que un actor puede
tener.
 3
Distancia social
y conceptos
relacionados
Dado que las conexiones de los ve-
cinos sociales de un determinado
actor eventualmente pueden lle-
gar a ser importantes, incluso si el
actor no está directamente conec-
tado a ellos, vale la pena analizar
distancias sociales y otros concep-
/36 tos que revelan información sobre
dichas relaciones.
• Distancia entre actores: suficientes para ir desde cualquier
número mínimo de aristas que hay
al ir de uno a otro.
• Recorrido (walk): secuen-
cia de actores y vínculos que co-
mienza y termina con actores. Pue-
de ser cerrado (si inicia y termina
en el mismo actor) y no son restrin-
gidos. También pueden incluir al
mismo actor o a la misma arista en
múltiples ocasiones, razón que los
convierte en la forma más general
de conexión entre dos actores.
• Ciclo: es una camino cerra-
do de 3 o más actores diferentes
excepto por el actor origen/desti-
no.
• Camino (trail): cualquier
recorrido en el que una relación es
incluida una sola vez.
• Ruta (path): recorrido en el
que cada actor es incluido una sola
vez.
• Excentricidad de los ac-
tores: para cada actor se puede
calcular la distribución de las míni-
mas distancias al resto de actores.
De éstas, la mayor se denomina
excentricidad y mide qué tan lejos
está un actor de su contraparte
más lejana.
• Diámetro y radio de la red:
el primero es la máxima excentri-
cidad entre todos los actores de
la red y da el número de pasos
nodo a cualquier otro, y el segundo
es la mínima excentricidad entre
todos los actores de la red.
 4 5
Conectividad y
accesibilidad
La existencia de una ruta entre no-
dos establece la accesibilidad. En
términos más simples, un actor es
accesible para otro si existe un con-
junto de conexiones por medio de
las cuales se puede ir desde el ori-
gen hacia el destino. Por su parte,
la conectividad es una propiedad
de la red, en vez de pertenecer a
sus actores individuales. Si es posi-
ble establecer una ruta desde cual-
quier actor hacia cualquier otro, se
dice que la red es conectada, de lo
contrario la red es desconectada.
Un componente es el máximo con-
junto de nodos que están conec-
tados, es decir, todos los nodos en
un subgrafo que son alcanzables
desde todos los otros nodos de ese
subgrafo.
Estructuras locales
en redes
Hasta este punto se han presenta-
do herramientas y conceptos para
examinar las formas en que se co-
nectan los individuos y las distan-
cias entre ellos. A continuación se
analiza este mismo concepto de
conectividad, pero desde otro en-
foque: el estudio de la estructura
social, más allá del de los indivi- /37
duos.
Diadas y reciprocidad. La
estructura social más pequeña en
la que puede estar embebido se
denomina diada (par de actores).
Para vínculos binarios (ausencia o
presencia) hay dos posibilidades
para cada par de nodos en la red:
o ambos tienen vínculo o ninguno
lo tiene. Si se considera el caso de
relaciones dirigidas, hay tres tipos
de diadas: sin vínculo, uno hacia el
otro y los dos unidos el uno al otro
(reciprocidad). Un análisis poten-
 cialmente interesante es estudiar simpleza. Por un lado, la distancia
la proporción de la población que promedio entre dos nodos es re-
es caracterizada por vínculos recí- lativamente pequeña6, por otro, la
procos, lo cual puede dar indicios mayoría de actores reside en vecin-
sobre el grado de cohesión, la con- darios o barrios de carácter local,
fianza y el capital social presente. donde muchos de ellos están co-
Triadas y transitividad. Las nectados entre sí. Lo anterior im-
estructuras sociales conformadas plica que una gran proporción del
por tres actores se denominan número total de vínculos presentes
triadas y permiten un rango más en redes grandes se encuentra al-
amplio de posibles conjuntos de tamente conglomerada en vecin-
relaciones. Con data representada darios locales. Básicamente, esto
como redes dirigidas, existen 64 se puede resumir en que la mayo-
tipos de relaciones posibles entre ría de las personas que conocemos
tres actores específicos, incluyen- pueden también conocerse entre
do relaciones que exhiben jerar- ellas, localizándonos en un mun-
quía, igualdad y la formación de do pequeño donde podemos estar
grupos exclusivos, lo cual se presta a muy corta distancia de un vasto
para un análisis potencialmente número de personas que ni siquie-
/38 interesante estudiando la propor- ra conocemos. Esta propiedad se
ción de triadas que son transitivas, puede cuantificar por medio de
es decir, que muestran cierto equi- un coeficiente de conglomeración,
librio donde, si A→B y B→C, enton- definido para un nodo, como la ra-
ces A→C. zón del número de vínculos entre
Cliqué. Es un subconjunto sus vecinos, al máximo número po-
de vértices, tal que cada par de vér- sible de esos vínculos (en termino-
tices del subconjunto está conec- logía de redes, esto se traduce en,
tado por medio de una arista; por cuántos de mis amigos son amigos
ende, todo miembro de un grupo entre sí). Para nodos con menos
de gente en un cliqué social cono- de dos vecinos, este coeficiente es
ce a todos los demás. indeterminado. Más aún, este con-
Agrupación (clustering). cepto se puede extender a toda la
El fenómeno del mundo pequeño red, si su cálculo se promedia so-
ha sido propuesto por varios auto- bre todos sus nodos.
res y no deja de sorprender por su

4
Como ejemplo de esto, se sugiere investigar el fenómeno de los seis grados de separación. Incluso, esta teoría inspiró una película de 1993 denominada Six
Degrees of Separation.
 6
Medidas de
centralidad
La centralidad de un nodo en una
red es una medida de su impor-
tancia estructural, por ejemplo,
qué tan importante es un servidor
entre una red de cómputo, cuán
importante es una avenida entre
una red urbana, entre otros facto-
res. Dada la subjetividad del tér-
mino importancia, no sorprende
que haya varias medidas de cen-
tralidad en teoría de grafos. Si bien
todas ellas están dirigidas a cuan-
tificar la prominencia de un actor
embebido en la red, difieren en los
criterios utilizados para ello.
• Centralidad de grado (De-
gree centrality). Entre más vínculos
tenga un determinado actor, más
importante resulta ser. Vale la pena
anotar que para el caso de los gra-
fos dirigidos, existen dos tipos de
medidas diferentes: grado de en-
trada y grado de salida, las cuales
identifican actores de alto prestigio
y actores influenciables, respecti-
vamente.
• Centralidad de cercanía
(Closeness centrality). Entre más
actores pueda alcanzar determi-
nado actor por medio de caminos
cortos, tendrá mayor acceso a los
demás y por ende una posición fa-
vorecida.
• Centralidad de interme-
diación (Betweenness centrality).
Estar en medio de la mayoría de
los caminos cortos de los demás
actores hace a determinado actor
central.
• Centralidad de vector pro-
pio (eigenvector centrality). Tener
vínculos con los actores más im-
portantes, teniendo en cuenta los /39
criterios anteriores, hace a un de-
terminado actor relevante.
Ejemplo ilustrativo: consignacio-
nes en cheque entre organizacio-
nes pertenecientes a un grupo em-
presarial.
Se quiere utilizar el ARS para enten-
der las características de la estruc-
tura de pagos realizados en cheque
por diez organizaciones que perte-
necen al mismo grupo empresa-
rial, asumiendo que la información
inicial reside en una base de datos
 con los siguientes campos: origen
(corresponde al identificador del
girador), destino (al del beneficia-
rio) y valor (en cualquier moneda
local y al monto del cheque). En
esa base de datos cada registro
corresponde a un solo cheque, es
decir, que si una entidad ha girado
dos cheques al mismo beneficia-
rio, existen dos registros (uno para
cada cheque). Para este ejemplo,
aleatoriamente se ha definido el
yormente relacionado con otros
actores altamente activos o conec-
tados. En la Tabla 1 se resumen es-
tos indicadores para todos los no-
dos y sus respectivos montos.
Figura 5.
Consignaciones en cheque
entre un grupo de
10 empresas
3

tamaño de la base: 1.681 registros 65

76 88 92

(cheques).
60 6
10
51 2
84 61 4 70 8
70

En la Figura 5 se presenta el grafo 9 69

5
56
51

que representa la red estudiada. El

83 69
99

53

tamaño de los vértices correspon- 1

89
7

de, en proporción, al dinero total

/40 que ha sido girado por cada em-
presa mientras que el número que
acompaña a cada una de las aris-
tas corresponde al número de che-
ques girados por el origen hacia el
destino. Por su parte, los vértices
coloreados corresponden a los ac-
tores más importantes, dada sus
posiciones en la red. Dicha impor-
tancia surge directamente de una
medida de centralidad diferente
para cada color: rojo, actor con
mayor intermediación; amarillo,
actor con mayor número de víncu-
los; cian, actor con mayor acceso al
resto de la red; y verde, actor ma-
Es de notar que el actor 4 es impor-
tante debido a que tiene el mayor
número de relaciones. Por su par-
te, el actor 2 posee una posición
privilegiada en el flujo de recursos
puesto que es el nodo que más in-
termedia en los caminos posibles
de los demás nodos, por ende pue-
de arbitrar en el flujo de recursos
o información. Seguidamente, el
actor 6 posee una posición estra-
tégica que le permite acceder a los
demás nodos con mayor facilidad,
lo cual resulta útil en términos de
proliferación de órdenes o direc-
tivas. Por último, el actor 3 ostenta tener relaciones con los actores más
importantes. Según los criterios anteriores, se relaciona con los actores 2,
3 y 6.

Con la información mencionada anteriormente, se identifican los actores

más importantes en la red con el fin de establecer estrategias para su de-
sarticulación, entendiendo que el contexto de este ejemplo lo enmarca en
alguna actividad sospechosa o reporte que involucra a alguna de esas en-
tidades y su entorno.

Tabla 1. Resumen de los indicadores calculados en el ARS para

el ejercicio ilustrativo

Actor Monto[$] Intermediación Grado Grado Grado Cercanía Eigenvector

In Out
1 4783,18 10,50 5 3 2 0,3680 0,0478
2 5120,39 18,00 6 2 4 0,4335 0,1874
3 4359,61 3,83 5 4 1 0,3079 0,2485
4 5223,76 15,17 8 5 3 0,2968 0,1852
5 3264,86 17,00 4 2 2 0,3275 0,0899 /41
6 5609,14 9,67 6 2 4 0,4423 0,0206
7 4709,55 0,00 3 0 3 0,3932 0,0000
8 5875,45 2,33 6 4 2 0,2682 0,1817
9 5625,82 3,50 3 2 1 0,2417 0,0389
10 3849,74 0,00 2 0 2 0,3398 0,0000

Con la utilización del ARS como
herramienta de apoyo para el de-
sarrollo de casos de Inteligencia
financiera operativa, las UIF están
en capacidad de inferir el rol que
desempeñan agentes cruciales en
determinado caso y de establecer
los vínculos que estos pudiesen
tener. Lo anterior con base en la in-
formación que estas entidades sis-
tematizan y centralizan, lo cual es
de gran aplicabilidad en términos
de prevención y detección de ope-
raciones de LA/FT. En este sentido,
el valor agregado del ARS radica
principalmente en el carácter rela-
 cional bajo el cual se desempeñan
los actores sociales, junto con la
capacidad para encontrar agentes
que bajo los métodos tradiciona-
les de análisis, no sería posible o
llevaría mucho tiempo identificar,
ampliando así el panorama inicial
de análisis.
Por otra parte, la utilización del ARS
en la lucha contra estructuras cri-
minales permite obtener informa-
ción y generar conocimiento útil en
aras de desarticular dichas organi-
zaciones, razón por la cual se con-
vierte en parte activa y productiva
del sistema ALA/CFT. No obstante,
el ARS pertenece a una nueva rama
de la ciencia conocida como cien-
cia de redes, a partir de la cual una
gran variedad de investigadores
aportan conocimiento desde su
especialidad. Consecuentemente,
toda la rigurosidad de la ciencia
junto con su metodología de análi-
sis, puede ser de utilidad para cual-
quier UIF, incluyendo simulaciones
computacionales y estudios de re-
des complejas, entre otros.

/42
 Para cumplir con su labor en la lu-
cha contra el lavado de activos y

CONCLUSIONES
la financiación del terrorismo, las
Unidades de Inteligencia Financie-
ra (UIF) pueden y deben optimizar
el uso de la información que cen-
tralizan con respecto a las diver-
sas transacciones económicas y
financieras que ocurren dentro de
su zona de operación. Para esto,
la minería de datos y el análisis de
redes sociales se configuran como
herramientas idóneas, dada su ca-
pacidad de procesar y extraer co-
nocimiento de grandes volúmenes
de datos.

En particular, mediante la minería

de datos es posible extraer patro-
nes sobre los comportamientos tí- /43
picos de los individuos, los cuales
permiten caracterizar operaciones
extrañas que merecen una inves-
tigación de Inteligencia Financie-
ra más detallada. Por su parte, el
análisis de redes sociales consigue
investigar una dimensión que de
otra forma suele no considerarse:
la de las relaciones y vínculos en-
tre las personas. La combinación
de estas dos herramientas otorga a
las UIF grandes posibilidades para
apoyar sus análisis de inteligencia,
potencializando sus esfuerzos en la
lucha contra el lavado de activos y
 la financiación del terrorismo, tal
como la ha demostrado la expe-
riencia de la UIAF, a partir del dise-
ño e implementación del modelo
de gestión Sistémico, Amplio y Bi-
direccional (SAB), uno de cuyos pi-
lares principales, es la integración
entre tecnología avanzada, técni-
cas de análisis y talento humano
especializado.
Relación: colección de vínculos de
un tipo específico entre miembros
de un grupo.
Red social: conjuntos o conjunto
finito de actores y la relación o las
relaciones definidas entre ellos.

GLOSARIO

Actor/Nodo/Vértice/Agente: en-
tidades sociales como personas,
organizaciones, ciudades, entre
otros.

Vínculo/Enlace/Borde/Línea/Arco:
/44 representan relaciones entre acto-
res.

Díada: consiste en un par de acto-

res y el (los) posible(s) vínculo(s)
entre ellos.

Tríada: subconjunto de tres actores

y los posibles vínculos entre ellos.

Subgrupo: subconjunto de actores

y todos los vínculos entre ellos.

Grupo: colección de todos los ac-

tores sobre los cuales se miden los
vínculos.
 FUENTES
ACADÉMICAS

BIBLIOGRAFÍA Esteban Talaya, Águeda. Principios de

marketing. ESIC Editorial.

Fernández Molina, Juan Carlos y De

Moya Anegón, Félix (1998). Los catá-
logos de acceso público en línea: el
futuro de la recuperación de informa-
ción bibliográfica. Málaga: Asociación
Andaluza de Bibliotecarios.

Gentleman, Robert, Kurt Hornik y Gio-

vanni Parmigiani (2011). Data Mining
with Rattle and R. Springer. Nueva
York: Estados Unidos.

Maimon, Oded y Lior Rokach (2010). /45

Data Mining and Knowledge Discovery
Handbook. Segunda Edición. Springer.
Nueva York: Estados Unidos.

Ramírez Quintana, María José y Her-

nández Orallo, José (2003). “Extracción
Automática de Conocimiento en Ba-
ses de Datos e Ingeniería del Software”.
España. También, Fernando Virseda
Benito y Javier Román Carrillo (año).
“Minería de datos y aplicaciones”. Es-
paña: Universidad Carlos III.

Suárez Soto, Luis Edmundo (2014). Las

Unidades de Inteligencia Financiera
 y el Sistema Antilavado de Activos y
Contra la Financiación del Terrorismo.
Un Nuevo Modelo de Gestión: Sistémi-
co, Amplio y Bidireccional. Segunda
edición. Bogotá: Unidad de Informa-
ción y Análisis Financiero (UIAF).
FUENTES
ELECTRÓNICAS
Artículos estadísticos.
http://www.estadistico.com/arts.
html.
Cruz Arrela, Liliana. Minería de
datos con aplicaciones. Universi-
dad Nacional Autónoma de Méxi-
co, 2010. http://132.248.9.195/
/46 ptd2010/abril/0656187/0656187_
A1.pdf.
Fayyad, Piatetsy- Shapiro, Smyth y
Uthurusamy eds. “In Advances in
Knowledge Discovery and Data Mi-
ning”. AAAI Press, Menlo Park, Cali-
fornia, pp. 1-34, 1996. http://www.
kdnuggets.com/gpspubs/ aima-
gkdd-overview-1996-Fayyad.pdf
Izquierdo, L.R. y Hanneman R.A.
“Introduction to Formal Social Ne-
tworks Analysis Using Mathemati-
ca”. Publicado en formato digital
en http://www.luis.izquierdo.name
(2006)
Minería de datos.
http://catarina.udlap.mx/u_dl_a/
tales/documentos/msp/gonza-
lez_r_l/apendiceC.pdf
Perez López, Cesar y Santín Gon-
zález, Daniel. Minería de datos:
conceptos, técnicas y sistemas.
2007.
https://www.google.com.co/sear-
ch?hl=es&tbo=p&tbm=bks&q-
=isbn:8497324927
Toledano Muñoz, María José.
http://datamining.iespana.es/da-
taminig_enfoque.html
Trabajo de adscripción minería de
datos.
Universidad Nacional del Nordes-
te, Sofía J. Vallejos.
http://exa.unne.edu.ar/depar/
areas/informatica/SistemasOpera-
tivos/Mineria_Datos_Valle-jos.pdf
 APLICABILIDAD DE LA MINERÍA DE DATOS Y EL ANÁLISIS DE REDES SOCIALES EN LA INTELIGENCIA FINANCIERA
APLICABILIDAD DE
LA MINERÍA DE
DATOS Y EL ANÁLISIS
DE REDES SOCIALES
EN LA INTELIGENCIA
FINANCIERA
DOCUMENTOS UIAF

Bogotá D.C.
2014