Il Data Quality per il Banking
Leggi la case e scopri le soluzioni adottate e i risultati ottenuti
Cliente: la società, nata dalla fusione di grandi realtà di servizi IT per il banking, è specializzata in servizi di outsourcing informatico di back-office per il settore bancario e offre ai suoi clienti soluzioni tecnologiche integrate e flessibili, mirate a migliorare le performance di business.
Contesto
Decentralizzazione e qualità dei dati a rischio
La mancanza di uno strumento centralizzato di governo e qualità dei dati esponeva l’azienda a rischi e rallentamenti.
I processi per ogni singolo ambito bancario erano segmentati e poco efficaci, e non erano stati ancora progettati controlli di qualità e processi automatizzati di remediation e correzione sui dati più critici, come quelli relativi ad anagrafe, segnalazioni di vigilanza, antiriciclaggio e contabilità.
In assenza di una chiara standardizzazione di processi e applicativi, le banche clienti utilizzavano ognuna un sistema diverso, generando un impatto negativo sulla qualità dei dati bancari e rendendo articolata e dispendiosa la manutenzione dei singoli sistemi.
Il progetto master
L’azienda aveva già avviato un vasto progetto di Data Governance atto a coinvolgere e a far convergere tutti i processi dei propri clienti in materia di dati bancari verso un sistema centralizzato, facilmente utilizzabile e in grado di gestire grandi quantità di dati in modo virtuoso, in linea con le stringenti normative richieste al settore bancario in Italia e in Europa.
All’interno del progetto master di Data Governance, un ruolo di primo piano era assegnato alla fase di progettazione e implementazione di attività rivolte a incrementare la qualità dei dati, con l’obiettivo di creare processi in grado di far emergere errori e imperfezioni nei dati e garantirne una rapida revisione. L’azienda aveva bisogno di un partner in grado di seguire lo sviluppo e l’esecuzione del progetto di Data Quality e concretizzare gli obiettivi individuati.
Soluzioni
Inizialmente abbiamo preso in carico le aree di Anagrafe e Segnalazioni di Vigilanza, impostato il nostro intervento sul modello PDCA (Plan-Do-Check-Act) con l’obiettivo di creare, attraverso queste quattro fasi, un ciclo virtuoso di controllo e incremento della qualità del dato.
La fase di sviluppo ed esecuzione
In una prima fase di pianificazione abbiamo attentamente analizzato il contesto del campo d’azione e le esigenze di Data Quality individuate dal cliente, il quale ci ha fornito le indicazioni sui controlli necessari per le aree in esame. Abbiamo quindi sviluppato i singoli controlli, per poi passare alla fase di esecuzione: i controlli sono stati attivati a tappeto su tutti i dati bancari, così da individuare anomalie e scollature con gli standard di qualità stabiliti. Gli esiti del controllo, classificati come positivi o negativi, sono stati registrati automaticamente in report dettagliati.
Il controllo dei risultati
Nel passaggio successivo, abbiamo effettuato un duplice check: da una parte ci siamo assicurati che i processi si fossero svolti correttamente - senza incorrere in errori operativi -, mentre dall’altra abbiamo verificato che gli esiti positivi e negativi registrati fossero effettivamente coerenti con le regole impostate in fase di sviluppo.
Il miglioramento della qualità dei dati
Gli esiti negativi del controllo, così ottenuti e validati, sono stati quindi segnalati ai rispettivi Data Owner, in modo che potessero procedere alla fase di remediation, in cui il dato che non ha passato il controllo viene revisionato e corretto, affinché possa restituire un esito positivo nel controllo successivo.
Risultati
Un modello centralizzato
L’azienda ha iniziato a far convergere tutti i processi interni di Data Quality in un’unica applicazione. Esiti ed evidenze dei controlli periodici di Data Quality nelle aree coinvolte vengono ora raccolti in modo centralizzato e standardizzato. Tramite l’utilizzo di un’unica dashboard user-friendly, l’azienda è in grado di offrire ai suoi clienti una reportistica chiara nell’evidenziare gli esiti dei controlli e arricchita da tutti i dettagli necessari a intervenire sui dati con azioni correttive.
Un progetto scalabile
L’esistenza di un hub centrale permette ora all’azienda di replicare il modello impiegato ed estendere gradualmente il progetto di Data Quality fino a coprire tutte le aree che richiedono la produzione e la gestione dei dati.
Dati uniformi e di qualità
Grazie al sistema di segnalazione degli esiti negativi, i Data Owner hanno adesso la piena consapevolezza di dove e come operare le necessarie correzioni, riducendo così ai minimi termini l'impegno necessario al controllo dei dati. In questo modo, il patrimonio informativo delle banche clienti acquisisce uniformità, migliora in qualità, diventa più affidabile e i clienti dell’azienda si mettono così al riparo da sanzioni e rischi reputazionali.