ADVANCED ANALYTICS & AI HUB - STEERING COMMITTEE OVERVIEW FEBBRAIO 2019 - CETIF
←
→
Trascrizione del contenuto della pagina
Se il tuo browser non visualizza correttamente la pagina, ti preghiamo di leggere il contenuto della pagina quaggiù
ADVANCED ANALYTICS &
AI HUB
STE E RI N G C O MMI T T E E O VE R VI E W
F e b b ra io 2 0 1 9
ISSN 1972 - 7216
Strategia, innovazione e finanza. Questi i tre elementi fondanti le attività del CeTIF Il Centro di Ricerca su Tecnologie, Innovazione e Servizi Finanziari (CeTIF) dal 1990 realizza studi e promuove ricerche sulle dinamiche di cambiamento strategico e organizzativo nei settori finanziario, bancario e assicurativo. Ogni anno CeTIF attiva più di 15 strutture di ricerca, quali Competence Centre e Osservatori, cui possono partecipare gli oltre 20.000 professionisti che sono parte del network e organizza oltre 10 workshop dedicati a banche assicurazioni e aziende non finanziarie con l’obiettivo di favorire fra i partecipanti lo scambio di esperienze e l’adozione di pratiche innovative. Le attività di ricerca si focalizzano principalmente sugli effetti dello sviluppo di nuove strategie, sull’innovazione normativa, sull’approfondimento di prassi organizzative e di processo e sugli effetti dell’introduzione dell’innovazione tecnologica. Tra i partner istituzionali di CeTIF figurano: Banca d’Italia, IVASS, ABI, ANBP, ANIA, AIPB e CONSOB. In seno a CeTIF è stato costituito il CEFIRS - Centre for European Financial Regulations Studies - un Osservatorio Permanente sulla regolamentazione nel settore finanziario, bancario e assicurativo. Inoltre è presente la struttura CeTIF Academy, scuola di Alta Formazione Universitaria, che si pone l'obiettivo di trasferire ai top e middle manager le conoscenze sviluppate in oltre vent’anni di ricerca. CeTIF - Università Cattolica Via San Vittore, 18 - 20123 Milano Tel. +39 02 7234.2590 Fax +39 02 7234.8340 E-mail: cetif@unicatt.it www.cetif.it
Advanced AnalytIcs & AI HUB– Steering Committee Overview
ADVANCED ANALYTICS &
AI HUB
STE E RI N G C OMMI TTE E OVE R VI E W
F e b b ra io 2 0 1 9
AUTORI:
Chiara Frigerio
William Andrea Marenaci
Federico Rajola
Clelia Tosi
Pubblicato nel mese di febbraio 2019
Copyright © CeTIF. Tutti i diritti riservati.
Ogni utilizzo o riproduzione anche parziale
del presente documento non è consentita senza
previa autorizzazione di CeTIF.
DISCLAIMER: CeTIF assicura che il presente documento è stato realizzato con la massima
cura e con tutta la professionalità acquisita nel corso della sua lunga attività. Tuttavia, stante la
pluralità delle fonti d’informazione e nonostante il meticoloso impegno da parte di CeTIF affinché
le informazioni contenute siano esatte al momento della pubblicazione, né CeTIF né i suoi
collaboratori possono promettere o garantire (anche nei confronti di terzi) esplicitamente o
implicitamente l'esattezza, l'affidabilità o la completezza di tali informazioni. CeTIF, pertanto,
declina qualsiasi responsabilità per eventuali danni, di qualsiasi tipo, che possano derivare dall'uso
delle informazioni contenute nel presente rapporto.
Si evidenzia, inoltre, che il presente rapporto potrebbe contenere proiezioni future o altre
dichiarazioni in chiave prospettica, circostanza che comporta rischi e incertezze. Si avvisano
pertanto i lettori che tali affermazioni sono solamente previsioni e potrebbero quindi discostarsi in
modo considerevole dagli effettivi riscontri ed eventi futuri. CeTIF declina fin d’ora qualsiasi
responsabilità e garanzia in relazione a tali proiezioni.
3Advanced Analytics & AI HUB– Steering Committee Overview
LO STEERING COMMITTEE ADVANCED ANALYTICS & AI
2019 – 2021………………………………………………………………5
INDICE DEI 1. AGILE, MODELLI ORGANIZZATIVI E
SKILLS……………………………………………………………………6
CONTENUTI 2. DATA SETUP: GOVERNANCE & QUALITY………………….8
3. USE CASE: LE POSSIBILI APPLICAZIONI …………………. 11
4Advanced Analytics & AI HUB– Steering Committee Overview
LO STEERING COMMITTEE
ADVANCED ANALYTICS & AI 2019 - 2021
A. Allini, Responsabile Data Management – Gruppo Bancario Crédit Agricole
R. Avesani, Chief Economist & Innovation Officer - UnipolSai Assicurazioni
A. Bandera, Responsabile Gestione e Protezione dei Dati - Banca Popolare di Sondrio
M. Carmina, Head of Group Data & Digital - Assicurazioni Generali
V. Cencig, Data Officer - Intesa Sanpaolo
D. De Vita, Chief Analytics Officer - BNP Paribas Cardif
F. Finocchiaro, Head of IT Data Governance e Big Data & Analytics - UBI Sistemi e Servizi
G. Galeotti, Head of Credit Strategy - CREDEM
S. Gatti, Head of Data & Analytics - Nexi
R. Lillo, Chief Data Officer - Axa Assicurazioni
P. Maggioni, Direttore Operativo - BCC Sistemi Informatici
R. Monachino, Chief Data Officer - Unicredit
D. Pedrazzi, Responsabile Servizio Marketing - BPER
G. Pellizzone, Responsabile CRM Analitico - Banca Mediolanum
F. Schiera, Head of Group Data Governance & Reporting Management - Banca Monte dei
Paschi di Siena
L. Vanetti, Responsabile Digital e Omnichannel Banking - Banco BPM
M. Zacchetti, Head of Insurance Analytics - Società Cattolica di Assicurazione
5Advanced Analytics & AI HUB – Steering Committee Overview
1. AGILE, MODELLI ORGANIZZATIVI E SKILLS
Fonte: CeTIF, Steering Committee Meeting - 2019
La realizzazione di una Data Driven Company vede il suo avvio nella necessità di
elaborare regole e linguaggi comuni, che consentano di porre il dato al centro, ma,
tuttavia, queste azioni non risultano sufficienti. Infatti, in questo senso, è imprescindibile
lo sviluppo di un framework complessivo, rappresentato da persone, tecnologie,
processi e modelli organizzativi di cui le banche e le imprese di assicurazione si
stanno dotando.
L’implementazione di una metodologia agile, che metta a fattor comune le diverse
competenze presenti all’interno dell’azienda, rappresenta la direttrice fondamentale
lungo la quale si declineranno le diverse strutture, e le relative funzioni, che sviluppano
progetti con tecnologie quali i Big Data e gli Advanced Analytics.
«L’agile ci ha dato la possibilità di lavorare insieme a tutte le altre aree funzionali», sottolinea
Igina Frattini, di Banco BPM e Giulio Pellizzone, di Banca Mediolanum, in tal
senso, ha evidenziato quanto «l’agile sia importante per migliorare i processi, costruire un
ambiente di lavoro unico all’interno dell’azienda e modelli in grado di ridurre il time – to –
market».
I modelli organizzativi che abilitano la Data Driven Company vivono una
un’evoluzione che, secondo Valerio Cencig di Intesa Sanpaolo, prevede «un primo
passaggio nella costituzione di un modello accentrato, per poi proseguire verso un modello
Hub & Spoke e giungere, con un terzo step, a un modello decentrato». In questa senso, è
possibile registrare diverse esperienze di un modello Hub & Spoke nel sistema
finanziario. Raffaele Lillo di Axa Assicurazioni ha affrontato il tema, sottolineando
l’importanza di avere «una funzione centralizzata (BI Transformation), le cui azioni e
responsabilità sono annidate sotto il controllo di un Chief Transformation Officer», che si occupi
di Analytics, con il committment degli organi di vertice, attraverso l’integrazione di nuove
figure di Data Steward all’interno delle singole funzioni di Business.
6Advanced Analytics & AI HUB – Steering Committee Overview
Lo stesso Michele Carmina di Assicurazioni Generali ha evidenziato come «il modello
organizzativo adottato dalla Compagnia sia quello dell’Hub & Spoke, con un team centralizzato
che si occupa di analytics per tutte le country del Gruppo, in particolare per quelle medio –
piccole che non hanno ancora le competenze necessarie per sviluppare progetti in autonomia.
Questo si inscrive in un quadro all’interno del quale il tema dell’innovazione è alimentato dal
«business as usual», non dimenticando la necessità di fare «best practice sharing» per condividere
le esperienze di successo e realizzarle all’interno di tutte le country».
«Dal nostro osservatorio notiamo che l’introduzione del Data Steward sta pian piano sostituendo,
sotto il profilo dell’importanza, quella del Data Scientist. Stiamo andando verso un re-skilling o
verso la nascita di nuove figure professionali?», chiede Milo Faccenda di BID Company,
introducendo il tema delle competenze che, nell’ambito dell’utilizzo degli Advanced
Analytics e dell’AI, risulta particolarmente importante e sentito dal sistema finanziario.
Sotto questo angolo visuale, la presenza di Data Scientist e Data Engineer, anche con
competenze, ormai indispensabili, di Data Visualization, consente di progettare modelli
organizzativi adeguati, attraverso percorsi di formazione interni e immersivi, che
consentano di ricollocare risorse con le competenze più appropriate e facendo emergere
quelle tacite, ossia quelle presenti all’interno dell’Istituzione e non ancora individuate e
utilizzate.
Nel solco di questa impostazione, la figura del Business Analyst risulta imprescindibile
per affiancare le figure con competenze di tipo specialistico. Un «modello centralizzato con
figure orientate, da una parte, alla data science e, dall’altra, all’analytics management (il cosiddetto
Business Translator) - secondo Daniele De Vita di BNP Paribas Cardif – consente di
avere un quadro completo delle potenziali applicazioni e di creare un dialogo più aperto, che
permetta al Data Scientist di osservare le situazioni in modo diverso ed evitare di perdersi in
problemi analitici complessi e spesso a poco valore aggiunto». Secondo questa prospettiva,
Giacomo Galeotti di CREDEM ha osservato che «puntare al reclutamento di figure non
provenienti dal settore bancario è una leva importante che consente di avere team orientati alla
multidisciplinarietà».
Ad entrare in gioco, all’interno di un team agile, sono, come sottolinea Stefano Gatti di
Nexi «anche altre figure, quali quelle legali, per permettere ai Data Scientist di comprendere
gli schemi giuridici che hanno effetti su questa evoluzione, al fine di supportare la risoluzione
delle problematiche legate all’utilizzo dei dati e degli Analytics, con un approccio al rischio
condiviso.»
Gli aspetti legati all’agile development, ai modelli organizzativi e alle competenze
hanno aperto diversi scenari e punti interrogativi. Se, da una parte, si rende necessario
spostarsi verso la predisposizione di una metodologia agile, che superi il concetto di
«silos», e di un ventaglio di competenze molto ampio, dall’altra, sarà importante mettere a
fuoco le diverse criticità che ruotano attorno al tema della Data Governance e cercare di
risolvere le complessità che caratterizzano il mondo degli Advanced Analytics, per giungere
alla realizzazione di un framework definito, sia sotto il profilo degli assetti organizzativi sia
sotto quelle delle competenze e delle figure necessarie.
7Advanced Analytics & AI HUB – Steering Committee Overview
2. DATA SETUP: GOVERNANCE & QUALITY
Fonte: CeTIF, Steering Committee Meeting - 2019
Il legame tra volumi di dati eterogenei e non strutturati e Big Financial Data
rappresenta una condizione indispensabile per poter utilizzare i Big Data come reale
opportunità di generazione del valore.
I dati rappresentano il tema principale intorno al quale gli Advanced Analytics creano
i presupposti per collegare ed elaborare dati diversi e mutevoli e fornire schemi
interpretativi, insights e previsioni attendibili, al fine di risolvere determinate
problematiche e migliorare il processo decisionale, in particolare in un’ottica di «value
creation».
Questo approccio, secondo Renzo Avesani di UnipolSai, richiede «una sinergia tra la
componente analitica e quella realizzativa, superando la strada dei prototipi. La natura di una
soluzione di questo tipo è dinamica e si inserisce all’interno di un’infrastruttura tecnologica di
base, a servizi, che non è quella classica, con l’obiettivo di superare i sistemi legacy e avere
architetture flessibili prima di poter divenire una vera Data Driven Company».
La Data Governance, come previsto dalla Circolare Banca d’Italia 285/2013 e dal
Regolamento IVASS n. 38/2018, rappresenta un aspetto sul quale le Autorità di
Vigilanza stanno focalizzando particolarmente l’attenzione e in relazione al quale le
Istituzioni Finanziarie sono chiamate a costituire un presidio per fissare, attuare e
controllare le linee strategiche e «avere – secondo quanto espresso da Michele
Carmina – un modello dati logico, un Data Dictionary e un glossario di Business che
consentano di affrontare la Data Governance con un linguaggio comune all’interno dell’Azienda,
garantendo che il dato soddisfi i principi di completezza, qualità, adeguatezza e affidabilità». Il
presupposto dal quale bisogna partire, secondo Pierpaolo Maggioni di BCC Sistemi
Informatici «è la garanzia della qualità e dell’omogeneizzazione dei dati disponibili». Su
questo concorda Alessandro Allini di Credit Agricole che, inoltre, sostiene che «la
vera Data Governance non risieda particolarmente nella qualità del dato, quanto nella non
ridondanza dello stesso».
8Advanced Analytics & AI HUB – Steering Committee Overview
Il tema della Data Quality, se analizzato correttamente – ha proseguito Fabio
Schiera di Monte dei Paschi di Siena – «è fondamentale al fine di apportare piccoli
ma sensibili miglioramenti, attraverso l’utilizzo degli algoritmi, non avendo la pretesa di
governare l’intero mondo dei dati, ma cercando di selezionare gli ambiti in grado di generare
il ROI più elevato». Sarà importante – secondo Valerio Cencig – «valutare la
possibilità di combinare Data Governance e Advanced Analytics per il Data Lineage
e la Data Quality, considerando soprattutto il costo ingente che quest’ultima comporta».
Questo approccio dovrà passare inevitabilmente, secondo Giovanni Borraccino di
Unicredit, «da un’armonizzazione e integrazione di tutti i data silos che nel corso degli
anni le Istituzioni hanno creato, al fine di realizzare una lista aggregata e unica del
patrimonio dei dati (Data Dictionary)». La creazione di regole comuni risulta quindi
fondamentale al fine di democratizzare il dato e le informazioni che ne
derivano, per avere una gestione delle stesse sicura e protetta, a beneficio di tutte le
strutture di business, purché si passi dal concetto di «proof of concept» a quello di
«proof of value».
In questa prospettiva emerge l’importante ruolo giocato dall’Enterprise Data
Warehouse, costruito con la finalità di alimentare gli analytics e condividere i dati
(Data Sharing), nonostante i costi risultino particolarmente elevati. Marcello
Zacchetti di Cattolica Assicurazioni, seguendo questa direttrice, ha evidenziato
come «l’utilizzo del cloud abbia consentito di accentrare, ove possibile, i Data Warehouse e
di unificarli e metterli a disposizione degli utenti, attraverso la Business Intelligence».
Questo aspetto si inserisce in un più ampio discorso relativo all’evoluzione del
processo di integrazione dei dati, che sta vedendo il passaggio dall’Enterprise Data
Warehouse al Data Lake. «L’aver innestato sistemi di Data Governance, come il Data
Lineage – ha affermato Filippo Finocchiaro di UBI Banca – ha consentito di
costruire un Data Lake a servizio dei sistemi di sintesi, intraprendendo un percorso di
mappatura delle informazioni e di gestione evoluta del metadato». In questo senso
emerge il tema della coesistenza tra Data Lake e DB relazionali, messo in luce tra gli
altri da Giovanni Borraccino: da una parte, esiste infatti l’efficienza consolidata
degli attuali sistemi di archiviazione dati, dall’altra, emerge la prospettiva evolutiva in
ottica di maggior condivisione, integrazione e catalogazione di nuovo know how,
fornita dallo sviluppo di nuove tecnologie.
L’evoluzione in atto condurrà alla progettazione e realizzazione di una Data
Platform che, secondo Alessandro Allini di Credit Agricole, «rappresenta la vera
sfida, in relazione a un sistema informatico che si è stratificato negli anni, e un tassello
fondamentale nell’ambito della roadmap verso il Data Lake anche in relazione
all’efficientamento operativo, che deve andare di pari passo con quello infrastrutturale».
L’obiettivo sarà quindi quello di giungere a un ambiente unico di dati per avere un
denominatore comune, al fine di non disperdere la conoscenza generata.
«Cosa possiamo o dovremmo fare con i dati?». Con questo interrogativo Gianpaolo
Mura di Banca Popolare di Sondrio, ha posto al tavolo un ulteriore tema
connesso alla Data Governance e ai temi etici legati alla stessa, con riferimento
non solo agli stakeholders interni all’Istituzione, ma anche a quelli esterni: i clienti
finali.
9Advanced Analytics & AI HUB – Steering Committee Overview
Michele Carmina ha evidenziato, in relazione al GDPR, quanto sia necessario
«prendere in considerazione l’utilizzo del dato per restituire un valore reale al cliente, il
quale solo così sarà più propenso a dare il proprio consenso, per esempio in relazione
all’utilizzo dell’IoT nei mondi Health e Welfare, che gestiscono una mole significativa di dati
sensibili».
In questo senso, l’utilizzo dei Big Data e delle nuove tecnologie, quali ad esempio
l’Artificial Intelligence, determina un notevole impatto sulle tematiche di carattere
etico, che rendono necessarie importanti riflessioni, ad esempio in relazione
all’utilizzo di algoritmi «black box» che hanno impatti sociali.
Basti pensare, ha osservato Daniele De Vita, come «le Big Tech si stiano mettendo un
po’ all’angolo a causa di un utilizzo del dato particolarmente esteso».
Sotto questo angolo visuale, il ruolo della Ricerca e dell’Università appaiono
particolarmente importanti per studiare e analizzare i temi etici e rispondere
correttamente alle sfide legate all’utilizzo dei Big Data e degli Advanced Analytics e
garantire il rispetto della dignità della persona.
10Advanced Analytics & AI HUB – Steering Committee Overview
3. USE CASE: LE POSSIBILI APPLICAZIONI
«Guida lo Use Case o il pain?». Milo Faccenda con questo interrogativo ha
aperto la strada per un confronto sui possibili Use Case di applicazione, che devono
partire da business need definiti.
Dalle evidenze emerse dal tavolo di lavoro risulta come gli ambiti di applicazione
degli Use Case siano per lo più omogenei per tutte le Istituzioni, indipendentemente
dalla tipologia e dal grado di maturità, e vadano dal CRM Analitico alla Text Analysis
delle causali o delle note spese; dai claims all’instant lending; dall’image
recognition alla price sofistication; dalla PD Comportamentale, all’antifrode,
fino ad arrivare all’Early Warning, in ambito credito e risk management.
Questo senza tralasciare gli Use Case che hanno ad oggetto le principali normative,
quali MiFID II, GDPR o l’AML, o siano di supporto all’efficientamento
dell’operatività delle funzioni di Staff, come il CV Analyzer o i KPI della
formazione per la funzione HR.
La ricerca di CeTIF nell’ambito dell’Advanced Analytics & AI HUB 2019 si svilupperà
quindi lungo quattro direttrici principali:
• Data Science Skills, Capabilities Methodologies & Organization.
L’obiettivo sarà quello di focalizzare, in primis, l’attenzione sulle tematiche di
carattere organizzativo e sulle competenze, quindi sulla metodologia
agile, sugli assetti organizzativi da adottare, e sulle nuove figure
professionali da individuare.
• Data Setup: Quality, Governance, Integration & Fusion. Sarà
esplorato il terreno della Data Governance e i relativi profili di Data
Quality, Data Integration e Data Fusion, nonché gli aspetti di carattere
architetturali ad essi correlati per l’utilizzo degli Advanced Analytics.
Infine saranno analizzati e valutati Use Case e relative applicazioni in ambito:
• Supervised Machine Learning
• Unsupervised Machine Learning & AI
11Advanced Analytics & AI HUB – Steering Committee Overview
CeTIF ringrazia tutti i relatori e tutti i partecipanti per la loro presenza attiva ai lavori dello Steering
Committee e per il contributo prezioso che hanno dato alla riflessione che vi è stata condotta.
12Advanced Analytics & AI HUB – Steering Committee Overview
Puoi anche leggere
