Lo scorso anno, la Banca Centrale Europea ha comminato sanzioni per quasi 18 miliardi di euro agli istituti di credito vigilati. E in media, secondo Gartner, le organizzazioni perdono 12,9 milioni di dollari l’anno a causa di una Data Quality insufficiente: anche per questo, soprattutto in un ecosistema digitale aperto, è cruciale assicurare anche la qualità dei dati acquisiti da fonti esterne (infoprovider) e mantenere alta l’attenzione sul governo di queste informazioni.
Lo aveva sottolineato un recente Osservatorio ABI Lab e l’ha ribadito oggi Monica Ripoldi, Head of Data Quality di Banco BPM, presentando un caso studio con Irion al Politecnico di Milano, nell’ambito dell’Osservatorio Big Data e Business Analytics. Come ha raccontato la manager, il processo di scelta dei fornitori dati avviene in quattro fasi:
- Primo step valutativo sull’infoprovider in sé
- Assessment metodologico dei dati
- Valutazione della Data Quality vera e propria
- Giudizio tecnico-funzionale complessivo
Anomaly detection con l’IA
Tramite il metodo dell’anomaly score detection (l’individuazione di potenziali anomalie, ad esempio nell’analisi delle serie storiche delle informazioni richieste) è possibile implementare questi controlli, in aggiunta a quelli già in uso nel processo. Gli outlier (valori anomali) individuati dall’IA vengono inviati per verifica a una persona esperta di dominio.
Nell’ambito dell’impianto per la Data Quality del gruppo finanziario, Irion EDM interviene come “sistema core” alla base del governo e dell’esecuzione dei controlli di qualità sui dati. Il sistema Banco BPM è articolato in quattro dimensioni di classificazione (qualità dei processi, qualità interna, qualità relazionale e qualità nel tempo) che a loro volta si suddividono in sette criteri di qualità, secondo le principali normative e le best practice di mercato.
I fattori critici di successo sono tre: collaborare con i colleghi coinvolti, evolvere e integrare continuamente il sistema e assicurare il presidio della qualità dei dati tramite processi strutturati. Attraverso KPI di sintesi, l’azienda arriva infine a una valutazione oggettiva sullo stato qualitativo dei dati e il livello di aderenza agli obiettivi di qualità definiti.
La fabbrica dei controlli sui dati: dove nasce il valore della Data Quality
