A lavagem de dinheiro é um crime financeiro que envolve a dissimulação da origem ilícita de fundos, tornando-os aparentemente legítimos. É uma atividade complexa e prejudicial que afeta diretamente a estabilidade econômica e a integridade dos sistemas financeiros em todo mundo. Como resposta a esse problema, os orgãos reguladores e as instituições financeiras têm se empenhado em implementar medidas efetivas de prevenção a lavagem de dinheiro.
A análise de dados desempenha um papel fundamental nesse esforço, oferecendo uma abordagem baseada em evidências para identificar e mitigar atividades suspeitas. Por meio da utilização de técnicas é possivel identificar transações potencialmente ilícitas.
Exemplo Fictício:
O cenário abaixo é um exemplo ficticio para demonstrar o processo. Os dados utilizidados aqui são fictícios e não deve ser considerados como informações reais.
Sobre ETL: ETL é uma sigla que representa as três etapas fundamentais de um processo de integração de dados: Extração(Extraction), Transformação(Transformation) e Carga(Loading). É um processo usado para coletar dados de diferentes fontes, transformá-los em um formato adequado e carregá-los em um local destino, como um data warehouse, banco de dados ou outro sistema de armazenamento.
Sobre Integration Service: É um componente que faz parte de uma plataforma de integração de dados, como o Microsoft SQL Integration Service (SSIS) ou o Informatica PowerCenter. Ele desempenha um papel fundamental na execução de processos ETL e no gerenciamento do fluxo de dados entre diferentes fontes e destinos.
Por meio de interface gráfica intuitiva, o Integration Service facilita a criação e a organização dos componentes do fluxo de trabalho, como conexões com fonte de dados, transformações, tarefas de controle de fluxo e configurações de carga.
Para a extração das informações vamos utilizar nesse exemplo um arquivo .csv
Esse arquivo contem as informações do cliente e operações realizadas pela instituição em (D-1)(dia menos um, em tradução livre) e é usado para indicar que os dados utilizados em uma determinada análise ou processamento são referentes ao dia anterior ao dia atual.
Exemplo de Arquivo:
Fluxo de Extração e Carga de Dados:
Principais Etapas do Pacote DTSX:
Conclusão: Após a execução da carga são alimentadas as tabelas relacionadas a clientes e operações realizadas em (D-1) dia anterior ao dia atual.
Nesse exemplo vamos utilizar a execução de uma regra para separa as operações de altos valores.
O objetivo da Procedure é verificar movimentações de valor igual ou superior ao Parametro01 que é definido pelo Compliance da instituição financeira.
Verifica as operações de alto valor noo periodo analisado.
Conclusão: Após a analise as movimentações de altos valores são separadas em tabelas apartadas para posterior verificação das áreas responsáveis da instituição.
Nessa etapa da vamos realizar algumas consultas e análises após as etapas apresentadas nos passos 2 e 3.
Para essa etapa vamos utilizar SQL e Python.
#Importando os pacotes necessários para integrar o SQL com Python
from datetime import date
import time
import socket
import pandas as pd
import pymssql as sql
import warnings
warnings.filterwarnings("ignore")
#Cria a conexão com o SQL Server passando os parametros (Servidor, Usuário, Senha, Database)
conexao = sql.connect('servidor', 'usuario', 'senha', 'banco_de_dados')
# Chama a consulta ao banco de dados passando os parametros da conexao criada
Quantidade_Total_Alertas = pd.read_sql_query("""select count (*) as quantidade from dbo.tgr_alertas
where cd_enquadramento = 1
and dt_movimentacao = '2020-07-31'""", conexao)
#Fecha conexão com banco de dados
conexao.close()
Quantidade_Total_Alertas.head(1)
| quantidade | |
|---|---|
| 0 | 95 |
#Cria a conexão com o SQL Server passando os parametros (Servidor, Usuário, Senha, Database)
conexao = sql.connect('servidor', 'usuario', 'senha', 'banco_de_dados')
# Chama a consulta ao banco de dados passando os parametros da conexao criada
Clientes_Alertas = pd.read_sql_query("""select top 15 count (*) as quantidade, cd_cliente from dbo.tgr_alertas
where cd_enquadramento = 1
and dt_movimentacao = '2020-07-31'
group by cd_cliente
order by quantidade desc;""", conexao)
#Fecha conexão com banco de dados
conexao.close()
Clientes_Alertas.head(15)
| quantidade | cd_cliente | |
|---|---|---|
| 0 | 9 | 196592 |
| 1 | 9 | 207703 |
| 2 | 7 | 182151 |
| 3 | 5 | 143577 |
| 4 | 4 | 22339 |
| 5 | 4 | 846017 |
| 6 | 4 | 865396 |
| 7 | 3 | 16874 |
| 8 | 3 | 222146 |
| 9 | 3 | 450766 |
| 10 | 3 | 866459 |
| 11 | 2 | 411562 |
| 12 | 2 | 853047 |
| 13 | 2 | 857466 |
| 14 | 1 | 11730 |
import seaborn as sb
sb.histplot(Clientes_Alertas['quantidade'])
<AxesSubplot:xlabel='quantidade', ylabel='Count'>
Conclusão: Dentre os clientes que tiveram maior numero de alertas gerados temos uma maior concentração entre 3 e 4 alertas. Os cliente com maior incidencia de alertas deve ser priorizado durantes os processos de verificação pelo compliance da instituição.
Cenário: Supondo que uma determinada instituição queira analisar a quantidade de suspeitas de Fraudes foram geradas por Produto.
Para isso valos realizar os passos abaixo:
#Cria a conexão com o SQL Server passando os parametros (Servidor, Usuário, Senha, Database)
conexao = sql.connect('servidor', 'usuario', 'senha', 'banco_de_dados')
# Chama a consulta ao banco de dados passando os parametros da conexao criada
dados = pd.read_sql_query("""select pr.nm_produto, count(*) as Qtd_alertas from dbo.tgr_alertas al
join dbo.tpr_produto pr on al.cd_produto = pr.cd_produto
where dt_movimentacao between '2020-06-01'
and '2020-06-30'
group by al.cd_produto, pr.nm_produto
order by al.cd_produto""", conexao)
#Fecha conexão com banco de dados
conexao.close()
dados.head(10)
| nm_produto | Qtd_alertas | |
|---|---|---|
| 0 | Conta Corrente | 1858 |
| 1 | Empréstimos | 477 |
| 2 | Corretora | 1977 |
| 3 | Fundos | 98 |
| 4 | CDB | 2 |
#Importando biblioteca Matplotlib
import matplotlib.pyplot as plt
import seaborn as sb
%matplotlib inline
x = dados['nm_produto']
y = dados['Qtd_alertas']
plt.xlabel('Produtos', c="blue")
plt.ylabel('Quantidade de Alertas', c="blue")
plt.title('Alertas por Produto', color = "blue", fontsize = 25)
plt.plot(x,y, c = "blue", ls = "-", lw = 2, marker = 'o', ms = 10, fillstyle = "top", mfc = "blue",
label = "Primeiro")
plt.scatter(x, y, c="blue", ls = "-", lw = 1, marker = "o")
<matplotlib.collections.PathCollection at 0x1903c99fb20>
mov.head(10)
| nm_produto | qtd_movimentacoes | |
|---|---|---|
| 0 | Conta Corrente | 15138 |
| 1 | Empréstimo | 1096 |
| 2 | Corretora | 4129 |
| 3 | Fundos | 941 |
| 4 | CDB | 1016 |
x = mov['nm_produto']
y = mov['qtd_movimentacoes']
plt.xlabel('Produtos', c="blue")
plt.ylabel('Quantidade de Alertas', c="blue")
plt.title('Movimentações por Produto', color = "blue", fontsize = 25)
plt.plot(x,y, c = "blue", ls = "-", lw = 2, marker = 'o', ms = 10, fillstyle = "top", mfc = "blue",
label = "Primeiro")
plt.scatter(x, y, c="blue", ls = "-", lw = 1, marker = "o")
<matplotlib.collections.PathCollection at 0x1903d443b80>
# Extrair as colunas relevantes do conjunto de dados
categorias = mov['nm_produto']
valores = mov['qtd_movimentacoes']
# definições
colors = ['yellowgreen', 'gold', 'lightskyblue', 'lightcoral', 'red']
# explodir 1ª fatia
explode = (0.1, 0, 0, 0)
# Plot
plt.pie(valores, labels=categorias, colors=colors, autopct='%1.1f%%', shadow=True, startangle=140)
# Criar o gráfico de pizza
# plt.pie(valores, labels=categorias)
# Adicionar título ao gráfico
plt.title('Quantidade de Movimentações por Produtos', color = "blue", fontsize = 15)
# Exibir o gráfico
plt.axis('equal')
plt.show()
#Correlação entre movimentações X quantidade de alertas
x = dados['nm_produto']
y = dados['Qtd_alertas']
y2 = mov['qtd_movimentacoes']
plt.plot(x,y, c = "yellow", ls = "-", lw = 2, marker = 'o', ms = 10, fillstyle = "top", mfc = "yellow", label = "Alertas")
plt.plot(x,y2, c = "blue", ls = "-", lw = 2, marker = 'o', ms = 10, fillstyle = "top", mfc = "blue", label = "Movimentações")
plt.title('Correlação entre Movimentações X Alertas', color = "blue", fontsize = 25)
#Primeira descrição
plt.xlabel("Produtos", color = "blue", fontsize = 15)
#Inserindo Legenda
plt.legend()
<matplotlib.legend.Legend at 0x1903e974e20>
Conclusão: No cenário análisado temos uma correlação entre a quantidade de movimentações X a quantidade de alertas (suspeitas de fraude Financeira).
Cenário: Verificar quantidade de alertas por enquadramento. Verificado apenas para o produto Corretora.
#Cria a conexão com o SQL Server passando os parametros (Servidor, Usuário, Senha, Database)
conexao = sql.connect('servidor', 'usuario', 'senha', 'banco_de_dados')
# Chama a consulta ao banco de dados passando os parametros da conexao criada
enquad = pd.read_sql_query("""select enq.cd_enquadramento, enq.nm_artigo, count(*) as Qtd_alertas from dbo.tgr_alertas al
join dbo.tpr_produto pr on al.cd_produto = pr.cd_produto
join dbo.tpr_enquadramento enq on al.cd_enquadramento = enq.cd_enquadramento
where dt_movimentacao between '2020-06-01'
and '2020-06-30' and pr.cd_produto = 3
group by enq.cd_enquadramento, enq.nm_artigo
order by enq.cd_enquadramento""", conexao)
#Fecha conexão com banco de dados
conexao.close()
enquad.head(20)
| cd_enquadramento | nm_artigo | Qtd_alertas | |
|---|---|---|---|
| 0 | 33 | Movimentação incompatível com Renda/Fat. | 74 |
| 1 | 35 | Compra/Venda entre as mesmas contrapartes | 63 |
| 2 | 36 | Oscilação nos negócios | 33 |
| 3 | 37 | Mudança repentina nas operações | 42 |
| 4 | 38 | Perda ou ganho excessivo Outros Papéis | 10 |
| 5 | 39 | Perda ou ganho excessivo Opções | 3 |
| 6 | 40 | Oscilação de Negócios x Renda | 2 |
| 7 | 42 | Operações com Perda/Ganho Excessivos (Day Trade) | 20 |
| 8 | 44 | Movimentação incompatível com Renda/Ocupação | 16 |
| 9 | 45 | Operações Incompatíveis com a Capacitação Técnica | 87 |
| 10 | 46 | Operações por Idade | 108 |
| 11 | 47 | Operações não Residentes | 271 |
| 12 | 50 | Operações Clientes Vinculados | 30 |
| 13 | 51 | Aumento no Volume Operado | 16 |
| 14 | 53 | Reespecificação de Ordem | 8 |
| 15 | 54 | Operaçoes com Perda/Ganho Excessivos | 11 |
| 16 | 57 | Operações Clientes Impedidos | 4 |
# Criar o gráfico de barras
sb.barplot(x='cd_enquadramento', y='Qtd_alertas', data=enquad)
<AxesSubplot:xlabel='cd_enquadramento', ylabel='Qtd_alertas'>
Conclusão: Temos uma maior incidencia nos alertas.
47 - Operações não Residentes
46 - Operações por Idade
45 - Operações Incompatíveis com a Capacitação Técnica