12. Monitoreo de transacciones¶

Este microservicio tiene como objeto monitorear transacciones financieras informadas por una aplicación de terceros. El propósito de este servicio es poder detectar transacciones inusuales para, de forma inmediata, alertar a las partes interesadas de la entidad financiera.

El monitoreo se realiza mediante un sistema basado en reglas.

12.1 Reglas de monitoreo de transacciones¶

Las transacciones que son informadas por la entidad al servicio de monitoreo de Trak.e, son evaluadas mediante ciertas reglas configurables en el servicio, para la detección automática de operaciones inusuales con el fin de generar alertas. Estas alertas son, luego, estudiadas por analistas de la mencionada entidad para un mejor análisis y toma de decisiones.

Particularmente, Trak.e emplea un sistema basado en reglas de desarrollo propio. Un sistema basado en reglas es aquel que utiliza reglas definidas por humanos expertos en cierto dominio para realizar deducciones y efectuar acciones. Son denominados, también, simplemente como sistemas expertos: se los considera una forma de representar el conocimiento de personas expertas dentro de un sistema automático. Las reglas, por lo general, tienen la forma de sentencias if-then; es decir, son de la forma if A then B.

Cada regla activa se ejecuta una vez por cada transacción inyectada. Se permite agregar cualquier cantidad de reglas de monitoreo de legajo, pero a lo sumo 50 pueden estar activas al mismo tiempo.

12.2 Implementación¶

Las reglas siguen el esquema visto para la matriz de riesgo y el cálculo del perfil transaccional: reglas escritas en lenguaje Python.

12.2.1 Parámetros¶

Las variables disponibles son:

• profile: Al evaluar la regla se pone en el contexto de ejecución la variable profile que contiene el legajo que se esta procesando actualmente. Todos los atributos detallados en la sección Legajos se encuentra disponible en este objeto.

• transaction: Contiene la información de la transacción que se esta procesando actualmente. Todos los atributos informados por la entidad mediante la API de transacciones esta disponible.

• hist_trxs: Si la regla incluye información sobre la transaccionalidad del legajo, se puede acceder al histórico de la transaccionalidad del legajo con este nombre. La variable es puesta en contexto de ejecución en formato de pandas.DataFrame, donde cada fila del DataFrame representa una transacción y las columnas del DataFrame son los atributos de las transacciones (utilizando guion bajo como separador en caso de ser atributos anidados). Es posible que el historial este vacío (sin filas ni columnas) si el cliente no registra transacciones.

12.2.2 Resultado de la regla¶

La regla debe definir una variable de nombre SHOULD_RAISE cuyo valor debe ser un valor de verdad que indica si debería generar una nueva alerta. Los valores posibles y su interpretación son:

• True: Se evaluó la regla y se determinó un comportamiento inusual, por lo que se levantará una alerta en trak.e para que un analista de la entidad gestione y resuelva sobre la anomalía.
• False: Se evaluó la regla y se determinó que no había comportamientos inusuales.
• None: No se evaluó la regla. O bien no aplica, o falta algún valor critico para hacerlo.

12.3 Ejemplos¶

12.3.1 Excede cantidad de transacciones¶

• Descripción: Algo muy habitual es evaluar la cantidad de transacciones que realizo un cliente en un determinado período. Una regla básica para evaluar esto es la siguiente:

init = datetime.now().replace(hour=0, minute=0, second=0,
                              microsecond=0) - timedelta(days=30)
init_timestamp = int(init.timestamp()) * 1000
cant_trx = hist_trxs[(hist_trxs["timestamp"] >= init_timestamp) & (
    hist_trxs["side"] == transaction.side)].shape[0]
SHOULD_RAISE =  cant_trx >= 20

12.3.2 Excede monto fijo¶

• Descripción:Esta regla evalúa si el total acumulado de transacciones excede un monto fijo predeterminado.

init = datetime.now().replace(hour=0, minute=0, second=0,
                              microsecond=0) - timedelta(days=30)
init_timestamp = int(init.timestamp()) * 1000

total_amount = hist_trxs[
    (hist_trxs["timestamp"] >= init_timestamp) & (
        hist_trxs["side"] == transaction.side)
].amount.sum().item()

SHOULD_RAISE = total_amount + transaction.amount >= 1e7

12.3.3 Excede perfil transaccional¶

• Descripción: Esta regla evalúa las transacciones y verifica que, acumulando el monto con el resto de las operaciones del período, el legajo no exceda su perfil transaccional oportunamente asignado.

transactional_profile = profile["transactional_profile_amount"]
if not transactional_profile:
    SHOULD_RAISE = None

transactional_profile_period = 31536000000  # 365*24*60*60*1000

now = transaction["timestamp"]
from_ = now - transactional_profile_period

sum_amount_deposit = sum(hist_trxs[hist_trxs["side"] == "deposit"][hist_trxs["timestamp"] > from_]["amount"])
sum_amount_extraction = sum(hist_trxs[hist_trxs["side"] == "extraction"][hist_trxs["timestamp"] > from_]["amount"])

if transaction.side == "deposit":
    sum_amount_deposit += transaction.amount
elif transaction.side == "extraction":
    sum_amount_extraction += transaction.amount

if sum_amount_deposit + sum_amount_extraction > transactional_profile:
    SHOULD_RAISE = True
else:
    SHOULD_RAISE = False

12.3.4 Cambio repentino de perfil¶

• Descripción: Esta regla evalúa las transacciones buscando anomalías en los montos operados por el cliente. Para ello compara el mes actual con su promedio histórico de depósitos y extracciones realizados.

• Parámetros:

# allowed sides: "deposit"/"extraction"
side = "deposit"

# profile_change_min_seniority: Profile newer than this will not trigger the
# rule. Defaults to  210 days i.e. 7 months
profile_change_min_seniority: int = int(1.814e10)

# profile_change_lookback_period. How long will the rule look back in order to
# define a usual behavior. Defaults to 180 days, i.e. 6 months
profile_change_lookback_period: int = int(1.555e10)

# Minimum amount of money that will trigger the rule.If current month behavior
# is less than this threshold, the rule is not applied.
profile_change_min_threshold: float = 350000

# threshold for each person type and risk value. These are floating point
# numbers between 0 and 1 representing a percentage that the profile might
# overcome each month.
tolerable_deviation = dict(
    legal_person=dict(
        low=0.6,
        medium=0.4,
        high=0.25,
    ),
    natural_person=dict(
        low=0.8,
        medium=0.6,
        high=0.4,
    ),
)

timestamp = transaction.timestamp
created_at = profile.created_at
person_type = profile.person_type
risk = profile.risk


if not timestamp or not created_at or not person_type or not risk:
    SHOULD_RAISE = None
elif transaction.side != side:
    SHOULD_RAISE = None
elif timestamp - created_at < profile_change_min_seniority:
    # Not enough seniority to consider this profile
    SHOULD_RAISE = None
else:
    trx_now = datetime.fromtimestamp(timestamp // 1000)
    period_end = int(trx_now.replace(day=1, hour=0, minute=0, second=0, microsecond=0).timestamp() * 1000)
    period_init = period_end - profile_change_lookback_period
    one_month = int(2.592e9)

    this_month_behavior = (
        hist_trxs.loc[(hist_trxs["timestamp"] >= period_end) & (hist_trxs["side"] == side)].amount.sum()
        + transaction["amount"]
    )

    if this_month_behavior < profile_change_min_threshold:
        SHOULD_RAISE = None
    else:

        average_behavior = (
            hist_trxs.loc[
                (period_init <= hist_trxs["timestamp"])
                & (hist_trxs["timestamp"] < period_end)
                & (hist_trxs["side"] == side)
            ].amount.sum()
            * one_month
            / profile_change_lookback_period
        )

        deviation = (this_month_behavior - average_behavior) / this_month_behavior
        SHOULD_RAISE = bool(deviation > tolerable_deviation[person_type][risk])

12.4 Documentación API¶

API