Ecco come BNY Mellon sta puntando sull’intelligenza artificiale per migliorare la gestione dei dati

I dati su “chi deve quanto a chi” sono al centro dell’attività di qualsiasi banca. Alla Bank of New York Mellon, questa attenzione si manifesta anche nell’organigramma. Il Chief Data Officer, Eric Hirschhorn, riferisce direttamente al Chief Information Officer e al responsabile dell’engineering della banca, Bridget Engle, che supervisiona anche i CIO di ciascuna linea di business.

“È una scelta mirata, perché molte delle opportunità che ci vengono offerte dai dati richiedono una stretta integrazione con la nostra tecnologia”, spiega Hirschhorn. “Sono un pari dei CIO delle varie divisioni dell’azienda, e lavoriamo tutti fianco a fianco, perché non è possibile separare le due cose: posso definire una politica, ma da sola non basta a portare a termine il lavoro”.

Hirschhorn, che è entrato a far parte della banca alla fine del 2020, ha lavorato nel settore dei servizi finanziari per oltre tre decenni, durante i quali le preoccupazioni del settore riguardo ai dati sono cambiate in modo significativo.

“Vent’anni fa, cercavamo di assicurarci che i nostri sistemi non cadessero”, afferma. “Dieci anni fa ci preoccupavamo dell’importanza sistemica e dei rischi di contagio. Quando si risolvono alcune delle preoccupazioni più strutturali, tutto torna ai dati. Siamo molto interessati a costruire capacità avanzate per comprendere l’interconnessione del mondo che ci circonda dal loro punto di vista”.

Una delle chiavi di questo sforzo è la capacità di identificare tutti i dati relativi a un singolo cliente e di individuare le relazioni che lo collegano con gli altri. Le banche hanno l’obbligo normativo di sapere con chi hanno a che fare – spesso indicato come KYC o “know your customer” – per soddisfare vari obblighi, per esempio, l’antiriciclaggio.

“Il problema iniziale che volevamo risolvere è di vecchia data nei mercati finanziari e nei settori regolamentati con grandi insiemi di dati”, continua Hirschhorn, “e riguardava la risoluzione delle entità o la disambiguazione dei record”, ovvero l’identificazione e il collegamento di questi ultimi che si riferiscono a uno stesso cliente.

Anche per le banche è importante poter identificare quali prestiti, tra i tanti, sono stati fatti alla stessa persona o alla stessa società, per gestire la propria esposizione al rischio. E il problema non riguarda soltanto le banche, poiché un’ampia gamma di aziende può trarre vantaggio da una migliore comprensione della propria esposizione a singoli fornitori o clienti.

Definire un cliente con i dati

Per conoscere i propri clienti, però, è necessario, innanzitutto, definire cosa si intende esattamente con questo termine. “Abbiamo adottato un approccio molto metodico”, dice Hirschhorn. “Dopo aver esaminato l’azienda, ci siamo chiesti: ‘Che cos’è un cliente?’”.

Inizialmente c’erano differenze tra le divisioni sul numero di campi e sul tipo di dati necessari per definirlo, ma alla fine abbiamo concordato una politica comune.

Riconoscendo che le divisioni avevano già le proprie priorità di spesa, la banca ha accantonato un budget centrale a cui ciascuna di esse poteva attingere per assumere sviluppatori e garantire a tutte le divisioni le risorse necessarie per implementare il customer master. Il messaggio era: “Voi assumete gli sviluppatori e noi li pagheremo per andare avanti”, dice Hirschhorn.

Una volta terminato il lavoro di armonizzazione delle definizioni dei clienti, la banca ha potuto concentrarsi sull’eliminazione dei duplicati. Se ha un centinaio di record per uno sconosciuto, per esempio, deve capire, in base ai codici fiscali, agli indirizzi e ad altri dati, quali di questi si riferiscono alla stessa persona e quanti diversi sconosciuti ci sono in realtà.

BNY Mellon non partiva da zero. “In realtà avevamo costruito noi stessi un software piuttosto sofisticato per disambiguare il nostro database di clienti”, precisa. Il processo era in parte automatizzato, ma il software richiedeva comunque un intervento manuale per risolvere alcuni casi, e la banca aveva bisogno di qualcosa di meglio.

Migliorare la soluzione interna avrebbe richiesto molto tempo. “Non era una risorsa fondamentale e abbiamo trovato persone più intelligenti sul mercato”.

Tra queste persone c’era il team di Quantexa, una società britannica di sviluppo software che utilizza l’apprendimento automatico e molteplici fonti di dati pubblici per migliorare il processo di risoluzione delle entità.

Il vendor ha consegnato un primo proof of concept a BNY Mellon poco prima dell’arrivo di Hirschhorn, per cui uno dei suoi primi passi è stato quello di passare a un proof of value della durata di un mese, fornendo al vendor un set di dati esistenti per verificare le sue prestazioni rispetto a quelle dello strumento interno.

Il risultato è stato un maggior numero di record segnalati come potenzialmente relativi alle stesse persone, e una percentuale più elevata di essi risolti automaticamente.

“Quando si effettuano correlazioni di questo tipo c’è un livello di fiducia, e noi cercavamo un’elevata fiducia perché volevamo automatizzare alcune cose”, argomenta.

Dopo aver dedicato un po’ di tempo alla configurazione dell’infrastruttura e alla definizione del flusso di lavoro dei dati, BNY Mellon è passata all’implementazione completa, che ha coinvolto il personale della società di sviluppo software e tre gruppi della banca: il team tecnologico, gli esperti in materia di dati e il centro di eccellenza KYC. “Sono loro che hanno l’opportunità di assicurarsi che il nostro lavoro sia corretto dal punto di vista normativo”, tiene a precisare.

La piattaforma software di Quantexa non si limita alla risoluzione delle entità: Può anche mappare le reti di connessioni nei dati: chi commercia con chi, chi condivide un indirizzo, e così via.

La sfida, per ora, sta nel sapere quando fermarsi. “Si mettono in relazione i record dei clienti con fonti di dati esterne, e poi si dice: mettiamoli in relazione con la nostra attività, aggiungiamo il monitoraggio delle transazioni e le sanzioni”, racconta. “Stiamo realizzando un proof of concept per aggiungere altri set di dati all’insieme, perché una volta che si inizia a capire il valore della correlazione di questi set di dati, si pensa a un maggior numero di risultati che si possono ottenere. Voglio solo inserire ogni caso d’uso”.

Investire nei vendor di tecnologia

BNY Mellon non è solo un cliente di Quantexa, ma è anche uno dei suoi investitori. Ha acquisito una partecipazione per la prima volta nel settembre 2021, dopo aver lavorato con l’azienda per un anno.

“Volevamo contribuire allo sviluppo dei prodotti e far parte del comitato consultivo”, dice Hirschhorn.

L’investimento in Quantexa non è un fenomeno isolato. Tra i vendor di tecnologia in cui la banca ha investito vi sono gli strumenti di gestione del portafoglio Optimal Asset Management, BondIT e Conquest Planning; la piattaforma di sviluppo di applicazioni low-code Genesis Global e, nell’aprile 2023, la piattaforma di gestione degli asset IT Entrio.

Tuttavia, i ruoli di cliente e investitore non vanno sempre d’accordo. “Non pensiamo che questa strategia sia applicabile a tutte le nuove aziende tecnologiche che utilizziamo”, afferma.

Mentre alcune società possono acquistare una partecipazione in un fornitore-chiave per impedire ai concorrenti di trarne vantaggio, non è questo l’obiettivo di BNY con il suo investimento nella tecnologia di risoluzione delle entità di Quantexa, afferma Hirschhorn.

“Non si tratta di una tecnologia proprietaria; abbiamo bisogno che tutti siano bravi in questo campo”, afferma. “Le persone stanno diventando sempre più sofisticate nel modo in cui perpetrano i crimini finanziari. Tenere il passo, e aiutare il settore a fare altrettanto, è davvero importante per la salute dei mercati finanziari”.

Così, quando Quantexa ha cercato nuovi investimenti nell’aprile 2023, BNY Mellon era di nuovo presente, questa volta insieme ad altre due banche: ABN AMRO e HSBC.