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. 3
Advanced 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 4
Advanced 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 5
Advanced 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. 6
Advanced 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. 7
Advanced 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». 8
Advanced 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. 9
Advanced 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. 10
Advanced 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 11
Advanced 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. 12
Advanced Analytics & AI HUB – Steering Committee Overview
Puoi anche leggere