Riassunto analitico
Negli ultimi anni le banche sono state estremamente sollecitate dalla crescente pressione competitiva, sostenuta dal processo di innovazione, e dalle richieste della regolamentazione risk-based. In questo contesto, le organizzazioni sono spinte a cercare di applicare strumenti non convenzionali che, tuttavia, le espongono a maggiori e nuovi rischi per il cui presidio è necessaria una governance adeguata. In particolare, con l’abbandono dell’approccio prescrittivo e “one-size-fits-all”, all’adeguatezza patrimoniale devono affiancarsi presidi organizzativi congrui con il livello di rischio assunto. Lo scopo è quello di garantire la sana e prudente gestione delle banche. La loro solidità è, infatti, fondamentale a causa dell’interesse pubblico del ruolo che rivestono. Il Sistema dei Controlli Interni è, perciò, una componente fondamentale all’interno della struttura aziendale e oggi più che mai deve apportare valore aggiunto all’attività bancaria. Per essere all’altezza del compito loro assegnato, i controlli interni devono però evolvere e modificare la propria attività tradizionale per mezzo di tecniche di data analytics. Congiuntamente ai sistemi di continuous monitoring di cui deve dotarsi il management, lo sviluppo di altri di continuous auditing può concorrere al mantenimento di un corretto grado di controllo dei rischi a cui la banca è esposta.
Il presente lavoro tratta di un’applicazione pratica di metodi intelligenti per la pianificazione dell’attività ispettiva condotta dall’internal audit di una primaria banca italiana sulla propria rete commerciale in materia di rischio credito. Questa attività è stata condotta nell’ambito di uno stage nei controlli di terzo livello di tale banca. Il sistema di continuous auditing è stato sviluppato con l’obiettivo di breve termine di efficientare l’attività ispettiva che era guidata, al momento dell’inizio del progetto, da un sistema esperto creato sulla base dell’expertise degli auditor. Il sistema intelligente è stato costruito sulla base di due algoritmi di machine learning (regressione logistica regolarizzata e foresta casuale) allenati con una batteria di indicatori definiti appositamente a questo scopo. Entrambi i modelli sono stati testati su dati non noti e la loro performance è stata paragonata a quella del sistema esperto al fine di verificare che i benefici dell’approccio interamente basato sul machine learning fossero effettivi. Nella prima fase di applicazione, verrà utilizzato il modello che ha esibito migliori capacità previsionali, anche se l’altro continuerà a lavorare in parallelo e lo sostituirà in caso dovesse nel tempo rivelarsi migliore. Per il raggiungimento dell’obiettivo di lungo termine, ovvero l’utilizzo di tale sistema di continuous auditing per la produzione semi-automatizzata di ispezioni a distanza, si dovrà però aspettare che gli algoritmi apprendano da nuovi dati e si affinino.
|
