Por David Smason, VP de Desarrollo de Negocio, Publican Trade Solutions

 

Aprovechar la Revolución de los Datos

La digitalización global está conduciendo a un aumento exponencial del volumen y la producción de datos, que, a su vez, va acompañado de una creciente demanda de datos por parte de todos los sectores de la sociedad. Este fenómeno se conoce como la Revolución de los Datos.

 

Dentro del ecosistema económico mundial, parece que estamos cerca del punto álgido. Infinitos bytes de información se arremolinan en un ciclón interminable de entradas y salidas generadas por miles de millones de entidades públicas y privadas.

 

Para las administraciones aduaneras, la Revolución de los Datos presenta retos y oportunidades sin precedentes. Para captar el extraordinario valor de esta nueva realidad, necesitan aprovechar los ecosistemas de datos multidimensionales de nueva generación para la modelización del fraude impulsada por la IA. Esto les permitirá aprovechar al máximo el poder de lo que se conoce como Investigación Digital. Todos estos términos se explican a continuación.

 

Paradoja de la selectividad

El mejoramiento de la selectividad es un principio básico de las capacidades de aplicación de la ley y, como tal, debe gozar del mismo nivel de modernización e innovación que otros componentes de los procedimientos y procesos de control aduanero. Sin embargo, siendo realistas, la selectividad suele quedarse estancada en la Edad de Piedra.

 

Vamos a desglosarlo.

 

En un escenario óptimo, el análisis predictivo utiliza herramientas de modelización matemática para comprender el futuro, respondiendo a la pregunta: «¿Qué es probable que ocurra?» Sin embargo, la capacidad de generar predicciones y detectar el fraude con precisión depende de la calidad y la cantidad de los datos utilizados. Cuando no hay suficientes datos de alta calidad, los modelos se vuelven sesgados.

La paradoja en términos prácticos es la siguiente:

  1. Los modelos analíticos predictivos utilizados actualmente para apoyar la selectividad se crean principalmente a partir de datos planos y unidimensionales, que limitan los criterios de selectividad a la información de referencia sobre un único acontecimiento medible.
  2. Como resultado, la modelización se basa principalmente en datos parciales (datos nacionales e históricos de transacciones).
  3. Esto provoca un «sesgo de los datos» que se produce cuando los modelos analíticos son «estáticos»: es decir, los datos de referencia cambian y se adaptan con el tiempo, pero los modelos no tienen en cuenta los cambios relevantes en los datos.

El resultado de los modelos sesgados para las administraciones aduaneras es siempre negativo: o muchos falsos positivos o una detección mínima del fraude.

Es importante señalar que los datos sobre transacciones y/o incautaciones no nacionales se introducirán en ocasiones a través de acuerdos intragubernamentales o de intercambio de datos del sector privado; sin embargo, se trata de la excepción más que de la regla y, por lo general, no es suficiente para inclinar la balanza.

 

DE NUESTRO PATROCINADOR

 

Ejemplos

El siguiente ejemplo muestra el análisis de una operación de importación utilizando datos unidimensionales:

Transacción: La expedición X es enviada al importador Y por el expedidor Z con un valor de $m y un peso de N.

Modelo de evaluación:

  1. Are the value, weight and consignment consistent with historical transactions between the parties?
  2. Do the parties have an established history of trading with each other?
  3. Is the importer a company in good standing?

La adopción de técnicas analíticas unidimensionales como éstas limita gravemente la capacidad de las administraciones aduaneras para adaptar las normas de selectividad a las condiciones cambiantes del mercado, la reglamentación, el comercio o las empresas.

 

Impacto negativo

Los resultados de las actividades de encuesta realizadas entre docenas de administraciones aduaneras por mi empresa, Publican Trade Solutions, muestran que el 94% de los participantes informaron de limitaciones significativas en su capacidad para lograr modelos analíticos predictivos estables para la detección del fraude. Mientras tanto, el 84% informó de la plena dependencia de motores de riesgo basados en reglas estáticas para impulsar la toma de decisiones, con estas reglas alimentadas en gran medida por consejos puntuales, cambios normativos específicos o modelos históricos.

Por término medio, las administraciones encuestadas informaron de que la inspección física se llevó a cabo en el 34% de todos los envíos, con sólo un 2,1% de aciertos.

Las reglas estáticas están resultando ineficaces para detectar el fraude dinámico y son una de las principales causas de los ciclos de inspección, que consumen mucho tiempo, y de la pérdida de ingresos.

 

Análisis predictivo con investigación digital (datos multidimensionales y modelado de IA)

Para remediar la situación, las aduanas deben utilizar datos dinámicos que aprovechen la inteligencia artificial para modelar todos los escenarios posibles. Estos modelos están diseñados para un mundo en el que cada transacción es diferente y no puede evaluarse según pautas históricas. Estos escenarios consideran los modelos existentes basados en datos históricos y nacionales, junto con modelos de rápida construcción basados en datos actualizados que reflejan las condiciones del mercado, la reglamentación y el comercio en tiempo real. En este sentido, son «multidimensionales» y «predictivos».

El siguiente ejemplo muestra el análisis de una operación de importación utilizando datos multidimensionales:

Transacción: La expedición X es enviada al importador Y por el expedidor Z con un valor de $m y un peso de N.

Modelo de evaluación:

  1. Modelo de evaluación:

    1. ¿Es el valor coherente con las transacciones históricas y las condiciones reales del mercado?
    2. ¿Es el peso coherente con las transacciones históricas y las especificaciones anunciadas del fabricante?
    3. ¿Es la expedición coherente con el alcance comercial global, la línea de negocio anunciada y los precios anunciados de los productos del expedidor?
    4. ¿Tiene el expedidor un historial global de embargos o de comportamiento fraudulento?
    5. ¿Existe alguna relación de propiedad beneficiosa entre las partes?

Un modelo de este tipo aprovecha múltiples conjuntos de datos interdependientes, que también tienen en cuenta los datos sobre las condiciones actuales y en tiempo real.

Esta metodología se conoce como «Investigación Digital», que refleja el hecho de que los modelos de evaluación aprovechan todos los datos disponibles en un momento dado para investigar los envíos en busca de fraude, un resultado directo de la digitalización global.

Tecnología del sector privado para la Investigación Digital

El hecho es que introducir en un sistema analítico datos multidisciplinares, no estructurados, variados y muy inestables procedentes de fuentes diversificadas y dispersas resulta difícil. Una solución consiste en utilizar las tecnologías, plataformas y servicios de organizaciones del sector privado especializadas en la construcción y aplicación de modelos de IA para crear indicadores de desviación y detectar pautas indicativas de fraude.

Estos modelos se desarrollan recuperando datos globales de conjuntos de datos comerciales, económicos y abiertos. Una vez recopilados y analizados los datos, se utiliza la modelización computacional basada en la inteligencia artificial para desarrollar y aplicar conjuntos de datos relevantes a nivel mundial con el fin de identificar pautas. Los datos sobre las relaciones y estructuras de los operadores comerciales, así como los precios y valoraciones de los artículos, son especialmente importantes para las aduanas.

Al modificarse con el tiempo y el lugar, los datos deben analizarse constantemente para detectar variaciones, y los indicadores de fraude deben ajustarse en consecuencia. Además, los escenarios también deben extrapolarse a partir de los datos existentes de forma continua, con variaciones y pautas determinadas por entradas dinámicas procedentes de innumerables fuentes globales y localizadas.

El sistema analítico que se desarrolle a continuación también podrá ingerir datos sobre entidades nacionales y transacciones históricas. Una vez introducidos estos datos en el modelo de IA, se pueden crear los siguientes elementos:

  • Indicadores de referencia: características definitivas de las entidades (nombre de la empresa, estructura, ubicación, alcance comercial, valores de las materias primas, etc.).
  • Pautas exclusivas: relaciones definitivas entre entidades (pautas comerciales, estructuras de propiedad solapadas, ubicaciones de fabricación, etc.).
  • Indicadores exclusivos de fraude: identificaciones definitivas de comportamientos fraudulentos de una entidad (embargos históricos, comportamientos comerciales sancionados, sentencias judiciales, etc.).

Los modelos pueden entrenarse rápidamente para identificar vectores de amenaza designados, relevantes sólo para países o regiones específicos. Este proceso abarca los artículos restringidos y prohibidos, así como los parámetros de selectividad específicos de cada tarifa. También deben integrarse las aportaciones nacionales relativas a los modelos de fijación de precios de referencia y de valoración. Por ejemplo, los modelos analíticos tienen en cuenta los modelos de depreciación específicos de cada país para los vehículos usados, o productos muy específicos.

Escenarios del mundo real

El siguiente ejemplo muestra la evaluación de un envío de mobiliario de oficina. Las acciones analíticas clave incluyen:

  • clasificación mediante recuperación y cotejo de imágenes
  • evaluación de tarifas adyacentes
  • análisis del valor de mercado basado en miles de entradas de referencia procedentes de datos históricos, comerciales y de la web abierta
  • análisis del peso real a partir de catálogos de fabricantes/distribuidores recuperados automáticamente y correlacionados con datos transaccionales históricos

Para la evaluación de las expediciones de vehículos usados, es importante poder determinar el modelo, el valor y el estado real del coche. Las acciones analíticas clave incluyen determinar la correlación entre el número de identificación del vehículo (VIN) declarado y la imagen del coche, la documentación aportada y el kilometraje declarado. También se realiza un análisis digital para evaluar cualquier daño o anomalía, el precio y la valoración del vehículo y la exactitud del estado del título declarado.

En el caso de bienes comunes como los electrodomésticos, que son muy propensos al fraude y requieren inspecciones que consumen muchos recursos, las acciones analíticas digitales clave incluyen:

  • evaluar el alcance del expedidor y del importador y las mercancías con las que comercian
  • analizar la estructura y el historial de las empresas implicadas
  • comprobar si se han cometido infracciones relevantes en el pasado a nivel mundial analizar las estructuras de propiedad efectiva

 

Cooperar para construir ecosistemas de datos

Las herramientas analíticas que aprovechan los datos multidimensionales se están convirtiendo rápidamente en un componente integral e insustituible del ecosistema de datos aduaneros. A medida que entren en juego más datos globales y locales, los modelos de IA podrán afinarse y los escenarios desarrollados serán más profundos y precisos.

A medida que se desarrolla la Revolución de los Datos, las administraciones aduaneras pueden resolver muchos retos utilizando la tecnología adecuada. La valoración y la inspección de los envíos transfronterizos de comercio electrónico pueden facilitarse, el despacho de mercancías críticas puede acelerarse, las estructuras de auditoría pueden diseñarse para ser más flexibles, la atribución del origen puede verificarse y la solicitud y el seguimiento de los OEA pueden facilitarse.

Teniendo todo esto en cuenta, existe un terreno fértil para la cooperación entre los sectores público y privado. Aprovechando mutuamente sus respectivas capacidades y capital en los ámbitos operativo, normativo y tecnológico, los sectores público y privado pueden crear un ecosistema de datos fiable y de alto rendimiento.

 

Más información

david.smason@publican.global
www.publican.global