Reenginnering di un processo ETL Bancario

Nel contesto di una delle principali banche italiane, è stato sviluppato il progetto Digital Inside, al fine di soddisfare l'irrobustimento del canale di trasmissione di flussi eterogenei, dalle Subsidiaries verso Capogruppo e l' automatizzazione delle fasi di normalizzazione e standardizzazione del dato, successive alle fasi di quality checks sui dati precedentemente caricati a sistema.

Contesto

L’innovazione digitale nel settore bancario è un’attività essenziale per poter restare al passo coi tempi.

Nell’epoca dei big data più che mai, si è reso fondamentale lo sviluppo di soluzioni innovative in grado di automatizzare processi che, altrimenti, rallenterebbero la catena produttiva di qualsiasi grande realtà aziendale.

Nel contesto di una delle principali banche italiane, è stato sviluppato il progetto Digital Inside, al fine di soddisfare un duplice scopo:

  • L’irrobustimento del canale di trasmissione di flussi eterogenei, dalle Subsidiaries verso Capogruppo
  • L’automatizzazione delle fasi di normalizzazione e standardizzazione del dato, successive alle fasi di quality checks sui dati precedentemente caricati a sistema.

Soluzione

Il processo di gestione e trasmissione del dato è suddiviso in diverse fasi:

  • Upload dei flussi:gli utenti delle Subsidiaries hanno a loro disposizione una pagina FE per il caricamento dei file soggetti a una serie di controlli propedeutici.
  • Multi Data Layer: i dati sono storicizzati in un layer intermedio di staging rispecchiando la struttura del flusso per poi essere successivamente normalizzati
  • Data quality: parallelamente alla normalizzazione, vengono applicate regole di controllo per generare potenziali alert.
  • Monitoring e modifica dei tracciati normalizzati e analisi tramite strumenti di BI

La soluzione adotta un’architettura a microservizi (Java Spring) con una componente DB PostgreSQL e MongoDB e, un layer FE in Angular.

  • Prossimi passi innovativi

    Prossimi sviluppi prevedono iniziative innovative che sfruttano l'integrazione di AI e NLP per il miglioramento dell'efficienza della piattaforma e dell'esperienza utente.

    In quest’ottica, sono stati individuati i seguenti use cases:

    - Creazione di reportistica per la clusterizzazione e consultazione dei tracciati normalizzati tramite linguaggio naturale, grazie all’utilizzo di tecniche RAG basate su NLP.

    - Assistenza ai settaggi dell'applicativo tramite interazione vocale o testuale con un chatbot.

    - Ottimizzazione dei processi di data quality grazie a tecniche di AI che intercettano incongruenze nei dati tramite interazione con l'utente.

    - Assistenza al monitoraggio dei flussi integrando informazioni sui solleciti verso le Subsidiaries.

    strip-0

Conclusioni

In passato, le pratiche in entrata venivano gestite manualmente comportando un alto rischio di errore umano. L'automazione introdotta ha ridotto significativamente questi errori aumentato la velocità di questi processi e, ottimizzando la produzione di report di BI quanto più completi possibile.

Questa trasformazione digitale rappresenta un passo fondamentale, garantendo decisioni più informate e tempestive e ponendo solide basi per un futuro tecnologicamente avanzato nel settore bancario, grazie anche alle future valutazioni sull’integrazione dell’AI, mirate a ottimizzare la UX e rendere più sicuri i processi legati alla piattaforma.