HomeBanche d'Italia

La banca digitale si trasforma con la data science

Una riflessione di Teresa Roma, Business Line Manager di Kirey Group, sul periodo di grande cambiamento in atto nel mondo bancario e finanziario

La banca digitale si trasforma con la data science

Reti elettriche intelligenti: nuovo accordo tra Hera e Gridspertise di Enel
Emergenti: l’ impatto di banche centrali e demografia
Creare gatti che non provocano l’ allergia con l’ editing genetico

Il mondo bancario e finanziario vive un periodo di profonda trasformazione; se la pandemia ha contribuito a velocizzare le iniziative di digitalizzazione dell’offerta degli Istituti e modificato le abitudini di consumatori e aziende, superata l’emergenza a trasformarsi sempre più è l’ecosistema in cui opera la banca che, con accordi e collaborazioni, punta a offrire ai clienti un’esperienza digitale che sia sempre più personalizzata e di qualità.

La tecnologia svolge un ruolo cruciale per il raggiungimento di tale obiettivo, dove il concetto stesso di digital banking evolve rapidamente verso una visione di open finance, ovvero la promozione di un’innovazione aperta applicata al settore finanziario e assicurativo, con l’obiettivo di catturare tutte le opportunità di business sfruttando le risorse interne ed esterne disponibili (dati, competenze, collaborazioni).

La comprensione dei dati si conferma la base dalla quale gli Istituti bancari devono necessariamente partire per promuovere nuovi servizi, abilitare la digital collaboration e trasformare radicalmente il rapporto con la propria clientela. Già in passato tale comprensione dei dati dei propri clienti consentiva alle banche una certa capacità previsionale, alla luce della quale compiere le proprie scelte strategiche e creare nuovi servizi, ma questo avveniva con un numero di dati decisamente inferiore e con tempi di elaborazione estremamente lunghi, non più accettabili in un mercato così rapido e frenetico come quello attuale.

Tradizionalmente il processo partiva dalla necessità di identificare i modelli da parte dell’utente di business, trasferirli all’IT per poi passarli ancora una volta in produzione; oggi il tutto deve avvenire in modo diverso e ci troviamo di fronte a un vero drill down tecnologico.

Se infatti avere la possibilità di compiere delle simulazioni e previsioni a partire dai dati è da sempre un’esigenza per le banche, oggi tale analisi sempre più avanzata e supportata da tecniche innovative di AI e ML è diventata imprescindibile, perché non è più possibile raggiungere i risultati di business prefissati se non si monitora costantemente che cosa accade.

Le banche hanno sempre lavorato con i dati, ma la quantità elevata di informazioni oggi disponibili e l’adozione precoce di modelli per analizzarli non si sono necessariamente allineate a un uso virtuoso dei Data Analytics nell’era digitale e implicano una capacità sempre maggiore di effettuare scelte strategiche, non solo dal punto di vista della tecnologia a cui ci si affida, ma anche nella definizione di che cosa si vuole simulare e prevedere, prima di decidere come farlo.

È fondamentale, quindi, che l’utente di business oggi sia in grado di disegnare il modello previsionale di aderenza di un determinato prodotto, ad esempio, a una età specifica, o esigenza specifica del mercato. Tecnologie e comprensione di business devono quindi sempre procedere in parallelo e implicano competenze e capacità di visione del mercato.

Dal punto di vista delle tecnologie, l’adozione di sandbox mette a disposizione degli istituti un “democratic lab”, ovvero uno spazio di sperimentazione aperto che consenta all’utente di business di operare in un ambiente architetturale parallelo e di avere a disposizione dati che, contestualmente al disegno di un determinato modello, rendano prevedibili i risultati.

In tale contesto la sperimentazione si avvale sempre più di microservizi e di linguaggi di programmazione come Python, che rende più performanti gli algoritmi di data science e viene utilizzato in forma sempre maggiore per creare script e applicativi che interagiscono con i dati. I vantaggi principali del linguaggio Python sono sicuramente molti, a partire dalla sua semplicità e adattabilità a scopi diversi, come la creazione di siti web e software, l’applicazione dell’intelligenza artificiale, i calcoli scientifici e altro ancora. È proprio nel campo dell’analisi dei dati però che l’utilizzo del linguaggio Python negli ultimi anni vede un’adozione sempre più significativa: le statistiche mostrano che nel 2020 circa il 66% dei data scientist utilizzava già Python quotidianamente e l’84% lo usava come linguaggio principale.

Tale ampia diffusione in tutta la comunità di analisi dei dati ha contributo alla realizzazione di librerie specializzate sempre più fornite e supportate da una vasta documentazione, che possono essere sfruttate per tutti i problemi di analisi dei dati. Inoltre, la possibilità di creare microservizi con linguaggio Python consente all’utente di business di sperimentare e, una volta convinto del modello ottenuto, passare l’algoritmo all’IT. A sua volta, l’IT, che in passato avrebbe dovuto sviluppare da zero tale modello, ora può industrializzarlo, ottimizzandolo e portandolo in ambiente di produzione.

Questo processo, maggiormente rapido e legato alle strategie del business, comporta la necessità di affidarsi a consulenti esperti fortemente impegnati nell’ottimizzazione delle performance, nel miglioramento delle query e di altri processi che consentano alle banche di sfruttare nel modo migliore i propri database.

Concludendo, è ormai evidente come i dati che una banca acquisisce tutti i giorni rappresentino un patrimonio informativo interno e dei clienti fondamentale, che deve essere governato e utilizzato attraverso l’applicazione di algoritmi, unendo capacità tecnologiche e competenze di business per acquisire un vantaggio competitivo, ottimizzando i processi decisionali e operativi e sviluppando così nuovi prodotti e modelli di business.

Fonte: Impresacity.it

Commenti