Artificial Intelligence e Funzioni Aziendali di Controllo - pwc.com/it
←
→
Trascrizione del contenuto della pagina
Se il tuo browser non visualizza correttamente la pagina, ti preghiamo di leggere il contenuto della pagina quaggiù
Artificial Intelligence
e Funzioni Aziendali di Controllo
Il potere degli Advanced Analytics nella nuova trasformazione
pwc.com/it
Introduzione
—
La pressione sulle Funzioni Aziendali di controllo negli ultimi 5 anni è fortemente aumentata, come conseguenza di maggiori
e più complesse richieste regolamentari e di una maggiore necessità del Top Management di intercettare problematiche
in modo proattivo e in tempi ridotti.
La grande disponibilità di dati presenti nelle istituzioni finanziarie si pone come una possibile soluzione grazie all’adozione
di tecnologie innovative di Advanced Analytics; gli Advanced Analytics permettono infatti di utilizzare il patrimonio informativo
a disposizione e di creare strumenti adatti a supportare la capacità di analisi e di estrazione di valore delle Funzioni Aziendali
di Controllo.
Innovare pone tuttavia diverse sfide come il miglioramento della qualità dei dati, la gestione e l’accesso efficace ai dati,
la comprensione delle nuove tecnologie disponibili e la gestione degli strumenti innovativi anche in logica di monitoraggio
di eventuali rischi derivanti dalle tecnologie.
64%
delle istituzioni europee utilizzano
1,7 mld
il valore del mercato degli Analytics
93%
delle grandi aziende sta investendo
già soluzioni di Advanced Analytics in Italia nel 2019, con un incremento in Analytics, contro il 62% delle PMI
nel 2019 del 23% rispetto al 2018
Fonte: EBA report on Big Data and Advanced Analytics - 2020 PoliMI - Osservatorio Big Data Analytics & Business Intelligence - 2019
I Big Data & Advanced Analytics stanno guidando
L’adozione di tecnologie innovative come gli Advanced Analytics
il cambiamento dei modelli di business e dei processi
è all’attenzione non solo delle singole istituzioni finanziarie,
delle istituzioni finanziarie. Attualmente, i Big Data
ma anche delle Autorità di Vigilanza che li utilizzano anche
& Advanced Analytics sono parte della maggior parte
per le proprie attività.
dei programmi di trasformazione digitale.
Fonte: EBA report on Big Data and Advanced Analytics - 2020 PoliMI -
Osservatorio Big Data Analytics & Business Intelligence - 2019
Ma...
75%
of executives cite lack of skilled resources
Cosa sono gli Advanced Analytics?
in Analytics and AI are impactive brand
Perché adottare gli Advanced Analytics?
and reputation. Gartner (2020)
Come superare le difficoltà di implementazione?
Da dove iniziare?
2 | Artificial Intelligence e Funzioni Aziendali di Controllo
Artificial Intelligence: Advanced Analytics focus
Il valore dei Big Data
—
L’Advanced Analytics è un processo avanzato di elaborazioni dati che, a partire da dati grezzi, permette di individuare
relazioni e di estrarre valore e insights utili per supportare e indirizzare il processo decisionale.
In questo ambito viene utilizzata l’Intelligenza Artificiale per permettere di gestire, interpretare e comprendere anche moli
considerevoli di dati non strutturati. Un ulteriore vantaggio è legato alla possibilità di analizzare dati storici o informazioni real time
e di predire comportamenti e trend futuri.
Data Warehouse Master Data Data Visualization Advanced Analytics
Traditional Business Intelligence
(raccolta e reporting di dati finalizzati
a informazioni strategiche per il business)
Artificial Intelligence
Data Lake
Big Data
Descriptive Analytic Diagnostic Analytics Predictive Analytics Prescriptive Analytics Continuous Analytics
Aumento del Business Value
Consigliare azioni o
Descrivere, riassumere Predire i risultati futuri Monitorare, decidere, e
Identificare le cause decisioni “giuste” o
e analizzare i dati basati sul passato agire autonomamente
dei trend e i risultati ottimali
storici (Cosa potrebbe (Come adattarsi al
(Perché è accaduto?) (Cosa andrebbe
(Cosa è accaduto?) accadere?) cambiamento?)
fatto?)
Backward-looking Forward-looking
Traditional Business Intelligence Artificial Intelligence
|3
Quali sono i vantaggi per le funzioni aziendali di controllo
—
• Hai difficoltà ad intercettare le issue per la mole dei dati da analizzare, copertura degli ambiti richiesti, aumento della
complessità, nuove tecnologie poco conosciute?
• Hai necessità di prevenire issue con impatto reputazionale, data la velocità di diffusione delle informazioni, escalation
social delle news, attese dei clienti?
• Fai fatica a rispondere alle richieste del regolatore di governare, comprendere, analizzare e usare davvero i dati?
Le tecniche di Advanced Analytics combinate con tecnologie innovative per la Artificial Intelligence possono essere utilizzate per
supportare le attività di controllo con i seguenti vantaggi:
• massimizzazione del valore delle attività;
• miglioramento della capacità di identificare le problematiche analizzando in maniera rapida grandi moli di dati ed eseguendo
analisi che non si potrebbero eseguire manualmente;
• possibilità di segnalare tempestivamente e prevedere problematiche rendendo possibile intervenire e mitigarle prima di
eventuali crisi;
• aumento della frequenza di analisi giungendo ad un concetto di “continuo”;
• raggiungimento di una cultura interna favorevole e aperta all’innovazione diffusa nell’organizzazione;
• diversificazione di competenze all’interno dell’organizzazione.
Expected benefit (in three years)
Large benefit
Current benefit
Improved combatting
of fraud and anti-money Increased
laudering operational efficency
New types of product
Medium benefit offering
New analytical insights
Improved
compliance
Better personalization
for customer
Small benefit
Source: «Machine learning in UK financial service», October 2019 – Bank of England and FCA joint survey
Per muoversi verso un approccio data driven è importante prevedere una roadmap di interventi che permetta di ottenere
benefici nel breve periodo e di strutturare correttamente la trasformazione digitale delle Funzioni Aziendali di Controllo
nel lungo periodo.
4 | Artificial Intelligence e Funzioni Aziendali di Controllo
Roadmap di evoluzione: a che punto sei?
—
La roadmap di evoluzione prevede diversi step ognuno dei quali presenta ostacoli da dover risolvere prima di poter passare alla fase
successiva ossia limiti in tema di dati (accesso, qualità, costo), in termini di competenze (sia delle risorse della struttura tecnologica
sia degli utenti) e in termini di caratteristiche dell’organizzazione (gestione e controllo degli strumenti innovativi e apertura verso
l’innovazione).
Principali elementi
che solitamente Fase esplorativa: Fase sperimentale: Fase di assestamento: Fase di evoluzione:
caratterizzano ogni fase di cosa si tratta? come inizio? come lo uso? come andare oltre?
Dati • Limitata capacità di • Dati non sufficienti per • Dati non integrati con • Dati integrati con altre
accesso diretto ai dati. il business as usual. altre aree. aree.
• Qualità dei dati • Qualità dei dati • Qualità dei dati • Qualità dei dati elevata
disponibili non ottimale. disomogenea tra basi delle diverse tra aree ed omogenea.
• Costo di accesso ai dati. organizzative diverse. • Accesso a dati
dati elevato (es. costo di • Tempi di accesso ai • Accesso a dati di altre real-time.
richieste di estrazione). dati lunghi. aree limitato.
Competenze • Team di data scientist • Limitato accesso a / • Capacità di sviluppo dei • Capacità di dei data
non strutturato. coinvolgimento di data data scientist limitato a scientist di proporre
• Utenti business scientist esterni. casi già conosciuti. miglioramenti/ soluzioni
inconsapevoli degli usi/ • Utenti business • Capacità degli utenti innovative.
benefici/rischi dei data resistenti al business limitata all’uso • Utenti capaci di
analytics. cambiamento. degli output predisposti. elaborare gli output per
produrre nuovi insights.
Organizzazione • Limitate indicazioni • Processi poco chiari per • Processi strutturati, ma • Framework di controllo
aziendali sull’uso e la gestione di strumenti senza un framework di consolidato e pervasivo.
sul controllo dei data di data analytics. controllo per l’adozione • Cultura aziendale
analytics. • Cultura aziendale di data analytics. aperta all’innovazione in
• Cultura aziendale tendente a innovare in • Cultura aziendale modo proattivo.
tradizionalista e modo limitato e su use aperta all’innovazione in
conservativa. case consolidati. modo reattivo.
Un progetto pilota
Assessment delle Il progetto viene portato L’utilizzo di strumenti
viene avviato su
Le attività informazioni a disposizione in produzione in un intero data analytics viene
un ambito ristretto
da intraprendere per analizzare i dati e per ambito di riferimento e usato in modo diffuso
per comprendere e
in ogni fase iniziare a comprendere i utilizzato nel business as in diversi ambiti e da
familiarizzare con la
concetti principali. usual. diverse funzioni.
soluzione.
Focus nella
prossima pagina
|5Approccio progettuale
Implementare in modo consapevole un progetto di Advanced Analytics
—
Per sviluppare modelli di Advanced Analytics è necessario seguire una serie di step progettuali che partono dalla creazione della
base dati su cui implementare il modello fino alla creazione di tutti gli strumenti utili per la fruizione dei risultati finali.
Investigazione dei dati Collezione e organizzazione Creazione e Implementazi Presentazione dei risultati
dei dati one del modello ed ingegnerizzazione
Questa fase consiste in Le informazioni a disposizione Sviluppo di metodologie di In questa fase si utilizzano i
un’analisi preliminare per vengono strutturate per la Machine Learning**: risultati del modello:
l’identificazione delle sorgenti: creazione della Analytical 1. Rilevazione di correlazioni 1. Sviluppo di eventuali tool di
Occorre rispondere alle Base Table (ABT*), attraverso i tra le informazioni. visualizzazione.
seguenti domande: seguenti 3 step: 2. Sviluppo del modello di 2. Valutazione di
1. A quale problema voglio 1. Collezione dei dati. previsione. ingegnerizzazione dei
rispondere? 2. Esplorazione dei dati. 3. Validazione dei risultati modelli all’interno dei propri
2. Quali opzioni ho? 3. Preparazione ABT. e implementazione del sistemi informativi.
3. Quali informazioni posso modello.
utilizzare?
* L’Analytical Base Table (ABT) è una tabella organizzata contenente tutti i dati utili per la costruzione del modello provenienti da diverse fonti dati.
** Il Machine learning è una metodologia di Advanced Analytics basata su algoritmi che apprendono dai dati in modo automatico e adattivo.
Perché PwC?
—
L’approccio BXT
Business
How to create value
PwC contribuisce a supportare società multinazionali in un’ampia varietà di settori
nell’adozione degli Advanced Analytics. I nostri servizi di consulenza forniscono
soluzioni integrate, dalla strategia all’esecuzione, attingendo alle competenze
B
specialistiche sia tecnologiche che funzionali per affrontare le sfide aziendali più
complesse dei nostri clienti.
Experience
How to engage X T Technology
How to make
PwC è stata riconosciuta come leader di mercato, ricevendo diversi your customers it real
riconoscimenti nel corso degli anni.
The Alconics Gartner Forrester ALM Intelligence
2018 AI Summit Alconics Febbraio 2019 Settembre 2019 ALM Intelligence Leader 2019
Best Entreprise Application Leader in Data & Analytics Finalist ‘First Wave’ of AI Leader in Analytics
of Ai Award for a combination Service Providers, Worldwide Consultancies Enablement consulting
of simulation modeling and
reinforcement learning
6 | Artificial Intelligence e Funzioni Aziendali di ControlloPwC per il Responsible AI
—
Le Funzioni Aziendali di Controllo hanno un ruolo fondamentale anche nel monitoraggio CogX
dell’adozione di soluzioni di Artificial Intelligence (AI), sempre più presente e pervasiva 2020 Global AI Summit
all’interno dell’organizzazione.
Un uso consapevole e responsabile delle nuove tecnologie garantisce il rispetto dei requisiti Awarded ‘Outstanding
di legalità, robustezza ed eticità, in accordo con le linee guida della Commissione Europea Achievement in the field of
sull’etica dell’AI e con i principi EBA di comprensione, correttezza, trasparenza e gestione dei bias, AI ethics’ and ‘Outstanding
protezione e qualità dei dati, sicurezza, protezione del consumatore. Achievement in Entreprise
Adoption of AI’; short-listed
Adottare tecniche di Advanced Analytics nelle Funzioni Aziendali di Controllo permette da for awards in bias and
un lato di raggiungere una maggiore comprensione e familiarità sul funzionamento e sui relativi explainability
rischi e dall’altro di avere strumenti capaci di svolgere dei controlli, non svolgibili con i metodi
tradizionali.
Fast Company
PwC supporta i propri clienti non solo nell’adozione di tecniche di machine learning ma anche nella
Aprile 2020
stesura di nuove metodologie e di nuovi strumenti di controllo, portando expertise come leader
dell’applicazione dei principi etici all’IA.
Finalist in the AI & Data
Category for Responsible AI
PwC in action
—
Per poter ottenere le massime potenzialità analitiche e il pieno governo del dato, PwC supporta il cliente a ri-disegnare il
paradigma di sviluppo di soluzioni differenziate per i diversi uffici ad una Data Platform unica con modelli integrati. Le soluzioni
così sviluppate in una funzione aziendale, sono scalabili a tutte le altre funzioni.
Da una architettura Application-centric… … ad una Data-centric
• Carico di lavoro differenziato sulla stessa applicazione. • Adozione di una semantica universal all’interno dei dati
• Proliferazione di applicazioni per la Customer Engagement analitici ed operazionali.
con diversi algoritmi di generazione di Insight. • Possibile implementazione futura di real-time analytics a
• Impossibilità di gestire dati non strutturati. seconda dei business need identificati.
• Sistemi target dipendenti dalla complessità logica delle • Soluzione scalabile orizzontalmente.
sorgenti. • Logic free feeding from source to target.
CRM
Finance&Risk Data Hub
ERP CRM Mobile Apps
Mobile Apps
Customer
Finance&Risk information file
Campaign Manager Data Hub Regulatory
Data
Regulatory Governance
and Architecture 3rd Parties
Compliance
3rd Parties Customer Other Channels
information file Core Banking
Other Channels
Compliance
Campaign Manager
Core Banking
ERP
|7Altre tematiche d’interesse
—
Processi e controlli
con focus specifico
sul Credito
Assessment/
gap analysis delle RegTech e SupTech
evoluzioni normative
Framework Outsourcing
regolamentari e co-sourcing delle
(D.Lgs 231/01 attività delle Funzioni
e L. 262/05) Aziendali di Controllo
Presidio
ed evoluzione delle
Funzioni Aziendali
di Controllo
Clicca qui per accedere
agli altri contenuti disponibili
Contatti
Marcella Di Marcantonio Massimo Iengo Giada Gambadoro
Partner Partner Senior Manager
+39 348 1549609 +39 348 0470336 +39 342 8616862
marcella.di.marcantonio@pwc.com massimo.iengo@pwc.com giada.g.gambadoro@pwc.com
Con il contributo di
Alberto Battaia, Elena Santi, Olimpia Angeletti
© 2021 PricewaterhouseCoopers Advisory SpA. All rights reserved. PwC refers to PricewaterhouseCoopers Advisory SpA and may sometimes refer
to the PwC network. Each member firm is a separate legal entity. Please see www.pwc.com/structure for further details. This content is for general
information purposes only, and should not be used as a substitute for consultation with professional advisors.Puoi anche leggere
