OMA: Aprovechar la Revolución de los Datos
El Centro Despachantes de Aduana (CDA) les acerca el texto escrito por David Smason, vicepresidente de desarrollo empresarial publicado por Trade Solutions sobre la Verificación digital: uso de datos multidimensionales y modelos de selectividad impulsados por IA para mejorar la aplicación.
La digitalización global está conduciendo a un aumento exponencial en el volumen y la producción de datos que, a su vez, se corresponde con una creciente demanda de datos de todos los sectores de la sociedad. Este fenómeno se conoce como la revolución de los datos.
Dentro del ecosistema económico global, parece que estamos cerca del pico. Infinitos bytes de información se arremolinan dentro de un ciclón interminable de entradas y salidas generadas por miles de millones de entidades públicas y privadas.
Para las administraciones de aduanas, la revolución de los datos presenta desafíos y oportunidades sin precedentes. Para capturar el valor extraordinario de esta nueva realidad, necesitan aprovechar los ecosistemas de datos multidimensionales de próxima generación para el modelado de fraude impulsado por IA. Esto les permitirá aprovechar al máximo el poder de lo que se conoce como Verificación digital. Todos estos términos se explican a continuación.
PARADOJA DE LA SELECTIVIDAD
Mejorar la selectividad es un principio fundamental de las capacidades de aplicación 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, en términos realistas, la selectividad suele estar estancada en la Edad de Piedra.
Vamos a desglosarlo.
En un escenario óptimo, el análisis predictivo utiliza herramientas de modelado matemático para comprender el futuro, respondiendo a la pregunta: "¿Qué es probable que suceda?" Sin embargo, la capacidad de generar predicciones y detectar fraudes con precisión depende de la calidad y cantidad de los datos utilizados. Cuando no hay suficientes datos de alta calidad, los modelos se sesgan.
La paradoja en términos prácticos es la siguiente:
Los modelos analíticos predictivos que se utilizan actualmente para respaldar 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 solo evento medible. Como resultado, el modelado se basa principalmente en datos parciales (datos transaccionales nacionales e históricos).
Esto provoca un "sesgo de datos" que ocurre 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 siempre es negativo: muchos falsos positivos o una mínima detección de fraude.
Es importante tener en cuenta que los datos de transacciones y/o incautaciones no nacionales a veces se introducirán a través de acuerdos de intercambio de datos intragubernamentales o del sector privado; sin embargo, esta es la excepción más que la regla y generalmente no es suficiente para inclinar la balanza.
EJEMPLOS
El siguiente ejemplo muestra un análisis de transacción de importación utilizando datos unidimensionales:
Transacción: el envío X es enviado al importador Y por el remitente Z con un valor de $m y un peso de N.
Modelo de evaluación:
¿Son consistentes el valor, el peso y el envío con las transacciones históricas entre las partes?
¿Las partes tienen un historial establecido de comercio entre sí?
¿El importador es una empresa en regla?
La adopción de técnicas analíticas unidimensionales como estas limita gravemente la capacidad de las administraciones aduaneras para adaptar las normas de selectividad a las condiciones cambiantes del mercado, reglamentarias, comerciales o empresariales.
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 reportaron limitaciones significativas en su capacidad para lograr modelos analíticos predictivos estables para la detección de fraude. Mientras tanto, el 84% reportó una confianza total en los motores de riesgo basados en reglas estáticas para impulsar la toma de decisiones, con estas reglas alimentadas en gran medida por consejos únicos, cambios regulatorios específicos o modelos históricos.
En promedio, las administraciones encuestadas informaron que se realizó una inspección física en el 34 % de todos los envíos, con una tasa de aciertos de solo el 2,1 %.
Las reglas estáticas están demostrando ser ineficaces para detectar fraudes dinámicos y son una de las principales causas de los ciclos de inspección que consumen mucho tiempo y la fuga de ingresos.
ANÁLISIS PREDICTIVO CON VERIFICACIÓN DIGITAL (DATOS MULTIDIMENSIONALES Y MODELADO DE IA)
Para remediar la situación, la Aduana debe usar datos dinámicos que aprovechen la inteligencia artificial para modelar todos los escenarios posibles. Dichos modelos están diseñados para un mundo en el que cada transacción es diferente y no se puede evaluar según patrones históricos. Estos escenarios consideran modelos existentes basados en datos históricos y nacionales, junto con modelos construidos rápidamente basados en datos actualizados que reflejan las condiciones comerciales, reglamentarias y del mercado en tiempo real. En este sentido, son “multidimensionales” y “predictivos”.
El siguiente ejemplo muestra un análisis de transacción de importación utilizando datos multidimensionales:
Transacción: el envío X es enviado al importador Y por el remitente Z con un valor de $m y un peso de N.
Modelo de evaluación:
¿El valor es consistente con las transacciones históricas y las condiciones reales del mercado?
¿El peso es consistente con las transacciones históricas y las especificaciones del fabricante anunciadas?
¿Es el envío consistente con el alcance comercial global, la línea comercial anunciada y el precio del producto anunciado por el remitente?
¿Tiene el remitente un historial global de incautaciones o comportamiento fraudulento?
¿Existe alguna relación de beneficiarios reales entre las partes?
Dicho modelo aprovecha múltiples conjuntos de datos interdependientes, que también consideran datos en tiempo real y condiciones actuales.
Esta metodología se conoce como "Verificación digital", que refleja el hecho de que los modelos de evaluación aprovechan todos los datos
disponibles en un momento dado para examinar los envíos por fraude, un resultado directo de la digitalización global.
TECNOLOGÍA DEL SECTOR PRIVADO PARA LA VERIFICACIÓN DIGITAL
El hecho es que es difícil introducir datos multidisciplinarios, no estructurados, variados y altamente inestables de fuentes diversificadas y dispersas dentro de un sistema analítico. Una solución es utilizar las tecnologías, plataformas y servicios de organizaciones del sector privado que se especializan en la construcción e implementación de modelos de IA para crear indicadores de desviación y detectar patrones indicativos de fraude.
Dichos modelos se desarrollan recuperando datos globales de conjuntos de datos comerciales, económicos, abiertos y comerciales. Una vez que se recopilan y analizan los datos, se utiliza el modelado computacional basado en inteligencia artificial para desarrollar y aplicar conjuntos de datos relevantes a nivel mundial para identificar patrones. Los datos sobre las relaciones y estructuras de los operadores comerciales, así como los precios y valoraciones de los artículos, son de especial importancia para la Aduana.
Debido a que cambian con el tiempo y la ubicación, los datos deben analizarse constantemente en busca de variaciones y los indicadores de fraude deben ajustarse en consecuencia. Además, los escenarios también deben extrapolarse de los datos existentes de forma continua con variaciones y patrones determinados por entradas dinámicas de innumerables fuentes globales y localizadas.
El sistema analítico que luego se desarrolla también puede ingerir datos sobre entidades nacionales y transacciones históricas. Una vez que estos datos se introducen en el modelo de IA, se pueden crear los siguientes elementos:
Indicadores de línea de base: características definitivas de la entidad (razón social, estructura, ubicación, ámbito de negocio, valor de las materias primas, etc.).
Patrones únicos: relaciones definitivas entre entidades (patrones comerciales, estructuras de propiedad superpuestas, ubicaciones de fabricación, etc.).
Indicadores exclusivos de fraude: identificaciones definitivas del comportamiento fraudulento de una entidad (embargos históricos, comportamiento comercial sancionado, sentencias judiciales, etc.).
Los modelos se pueden entrenar rápidamente para identificar vectores de amenazas designados, relevantes solo para países o regiones específicos.
Este proceso cubre artículos restringidos y prohibidos, así como parámetros de selectividad específicos de tarifas. También deben integrarse los insumos nacionales sobre precios de referencia y modelos de valoración. Por ejemplo, los modelos analíticos consideran los modelos de depreciación específicos de cada país para vehículos usados o productos básicos muy específicos.
ESCENARIOS DEL MUNDO REAL
El siguiente ejemplo muestra la valoración de un envío de mobiliario de oficina. Las acciones analíticas clave incluyen:
clasificación a través de la recuperación y comparación de imágenes evaluación de tarifas adyacentes análisis de valor de mercado basado en miles de entradas de referencia de datos históricos, comerciales y de la web abierta análisis de peso real de catálogos de fabricantes / distribuidores recuperados automáticamente correlacionados con datos transaccionales históricos.
Para la valoración de partidas de vehículos usados, es importante poder determinar el modelo, valor y 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 automóvil, la documentación proporcionada y el kilometraje declarado. También se realiza un análisis digital para evaluar cualquier daño o anomalía, el precio y valoración del vehículo y la exactitud del estado del título declarado.
Para bienes comunes, como electrodomésticos, que son muy propensos al fraude y requieren inspecciones que requieren muchos recursos, las acciones analíticas digitales clave incluyen:
evaluar el alcance del remitente y el importador y las mercancías en las que comercian analizando la estructura y la historia de las empresas involucradas verificación de infracciones pasadas relevantes a nivel global análisis de estructuras de beneficiarios reales
COOPERANDO 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 se pueden afinar y
los escenarios desarrollados se volverán más profundos y precisos.
A medida que continúa desarrollándose la revolución de los datos, las administraciones aduaneras pueden resolver muchos desafíos mediante el uso de la tecnología adecuada. Se puede facilitar la valoración e inspección de envíos de comercio electrónico transfronterizos, acelerar la liberación de bienes críticos, diseñar estructuras de auditoría para que sean más flexibles, verificar la atribución de origen y simplificar la aplicación y el seguimiento de OEA.
Teniendo todo esto en cuenta, existe un terreno fértil para la cooperación entre el sector público y el privado. Al aprovechar mutuamente sus respectivas capacidades y capital en los ámbitos coperativo, regulatorio y tecnológico, los sectores público y privado pueden crear un ecosistema de datos confiable y de alto rendimiento.