Sentinel Capital One

Inspiración

Nuestra inspiración nació de un problema común en los sistemas financieros: detectar una transacción sospechosa después de que el daño ya ocurrió.

Queríamos crear una solución que no solamente mostrara las transacciones de un usuario, sino que analizara su comportamiento financiero en tiempo real y detectara cambios que pudieran representar un riesgo.

Así nació Sentinel, una herramienta enfocada en identificar comportamientos anómalos, como transferencias realizadas con una frecuencia inusual, cambios repentinos en los tipos de comercios utilizados o patrones diferentes al comportamiento habitual de una cuenta.

Qué hace

Sentinel analiza las transacciones en tiempo real para identificar comportamientos financieros anómalos.

El sistema analiza diferentes características de cada movimiento, como:

Frecuencia y velocidad de las transferencias.
Montos de las operaciones.
Categorías de los comercios.
Cambios repentinos en los patrones de gasto.
Comportamiento histórico de la cuenta.
Secuencias de transacciones que pueden resultar sospechosas.

Cuando detecta una anomalía, Sentinel genera una alerta de riesgo para que pueda ser identificada rápidamente.

La aplicación presenta esta información mediante un dashboard financiero, permitiendo visualizar movimientos, alertas y el nivel de riesgo asociado a cada comportamiento.

Cómo lo construimos

Construimos Sentinel combinando una interfaz bancaria con un sistema de análisis y automatización de eventos.

El frontend fue desarrollado para representar una experiencia similar a la de una aplicación bancaria, mostrando información financiera, movimientos y alertas de seguridad.

Para el procesamiento de los eventos utilizamos n8n, donde construimos los flujos encargados de recibir y analizar las transacciones, aplicar las reglas de detección y determinar cuándo un comportamiento debe ser marcado como anómalo.

El sistema utiliza la información de las transacciones como base para comparar el comportamiento actual con los patrones esperados y generar una respuesta cuando encuentra señales de riesgo.

De esta forma, el proyecto combina datos en tiempo real, lógica de detección, automatización y visualización, creando un flujo completo desde la transacción hasta la alerta.

Desafíos que enfrentamos

Uno de los principales desafíos fue transformar transacciones individuales en información útil sobre el comportamiento de una cuenta.

No queríamos simplemente detectar una transacción de alto valor, ya que una operación costosa no necesariamente significa que exista fraude. El reto fue considerar el contexto y el comportamiento.

También enfrentamos el desafío de diseñar reglas capaces de identificar diferentes tipos de anomalías sin generar demasiadas alertas innecesarias.

Otro reto fue integrar el procesamiento de datos con la interfaz para que las alertas generadas por el sistema pudieran convertirse en información clara y comprensible para el usuario.

Finalmente, tuvimos que construir una experiencia bancaria que fuera suficientemente seria y clara para comunicar situaciones de riesgo financiero sin saturar al usuario con información técnica.

Logros de los que estamos orgullosos

Estamos orgullosos de haber construido un prototipo funcional que conecta el análisis de transacciones con una experiencia bancaria completa.

Uno de nuestros principales logros fue implementar diferentes señales de comportamiento en lugar de depender únicamente de una regla sencilla.

También logramos crear un flujo donde una transacción puede ser procesada, analizada y posteriormente reflejada como una alerta dentro de la aplicación.

Otro logro importante fue utilizar n8n como parte central de la lógica de detección, permitiéndonos construir y visualizar los diferentes procesos de análisis de manera rápida y modular.

Sobre todo, estamos orgullosos de haber convertido un problema abstracto como la detección de anomalías financieras en una experiencia que puede ser entendida visualmente por el usuario.

Lo que aprendimos

Aprendimos que detectar riesgos financieros no consiste únicamente en buscar transacciones grandes o inusuales.

El contexto es fundamental. Una transacción puede parecer normal por sí sola, pero convertirse en una señal de riesgo cuando forma parte de un comportamiento diferente al patrón habitual de una cuenta.

También aprendimos a trabajar con datos en tiempo real y a convertirlos en decisiones mediante reglas de análisis.

A nivel técnico, aprendimos a integrar una aplicación frontend con procesos automatizados en n8n y a diseñar flujos capaces de procesar eventos financieros.

Finalmente, aprendimos que una buena solución de seguridad financiera debe encontrar un equilibrio entre detección, precisión y experiencia de usuario.

El futuro de Sentinel Capital One

El siguiente paso para Sentinel sería evolucionar de un sistema basado principalmente en reglas hacia un sistema de detección adaptativa capaz de aprender continuamente del comportamiento de cada cuenta.

También podría incorporar modelos de machine learning para generar perfiles de comportamiento individuales y calcular un risk score dinámico para cada transacción.

En el futuro, Sentinel podría analizar múltiples señales simultáneamente y correlacionar eventos para detectar ataques o comportamientos sospechosos que no serían evidentes al analizar una sola transacción.

La visión es convertir Sentinel en una capa inteligente de seguridad financiera que no solamente reaccione ante operaciones sospechosas, sino que pueda anticipar comportamientos de riesgo y ayudar a proteger al usuario antes de que ocurra un problema.