Ruffini augeos

KRI and Data Quality
An innovative Key Risk Indicator for the Operational Risk : the Data Quality Methodology and tools to identify and manage Key Risk Indicators on data quality
An innovative Key Risk Indicator for the Operational Risk : the Data Quality Methodology and tools to identify and manage Key Risk Indicators on data quality
Indice della presentazione
•Presentazioni
•Obiettivo dell’intervento
•Esigenze
•Sistemi informatici di supporto
•Metodologia di riferimento
•Esempio
Copyright © Augeos ‐ settembre ’09– pag. 2
Presentazioni
Claudio Ruffini, CEO Augeos
President - and a founding partner - of Augeos, has over 20 years
of experience in consulting and creating IT solutions for the finance
market. He has also got special expertise in the area of Risk
Management and Financial Information Providers. He took part in
the creation of “Merlino”, a Capital Markets leading software
solution. He collaborates with the Milan Bicocca University, where
he held for several years the seminar:
"Operational Risk: From Risk Assessment to Risk Management."
He participated as an expert in several projects of Risk
Management and Operational Risk in the banking sector. From
2006 to 2008 he worked to O.R.M.E. (Operational Risk
Management Environment), a research project funded by the
Ministry of
Productive Activities for the development of a new methodology for
assessing Operational Risk in a company. Since 2008, he has
been member of the Academic Senate of ”Politecnico di Torino”.
Copyright © Augeos ‐ settembre ’09– pag. 3
Indice della presentazione
•Presentazioni
•Obiettivo dell’intervento
•Esigenze
•Sistemi informatici di supporto
•Metodologia di riferimento
•Esempio
Copyright © Augeos ‐ settembre ’09– pag. 4
Obiettivo dell’intervento
Illustrare la metodologia e gli strumenti informatici di
supporto per utilizzare efficacemente le informazioni di
correlazione tra le misure di qualità dei dati e gli eventi
dannosi in una organizzazione complessa. Parleremo
di :
•Analisi di serie storiche di eventi dannosi
•Misure della qualità di dati
•Analisi delle possibili correlazioni tra
misure di qualità dei dati e rischi operativi
•Sonde e soglie che possano darmi dei
segnali predittivi di Rischio
•Cruscotti operativi
•Strumenti per la gestione delle azioni di
mitigazione al rischio
Copyright © Augeos ‐ settembre ’09– pag. 5
Obiettivo dell’intervento
L’approccio è l’applicazione di una metodologia più
generale di analisi delle correlazioni tra KRI ed eventi
dannosi
Si configura come una applicazione nell’ambito di un
sistema di ricognizione dei rischi operativi già
esistente su cui è possibile impiantare, tramite un progetto
specifico, un sistema di sonde e una metodologia di analisi
per correlare eventi di rischio con misure di KRI (in questo
caso di QD)
Copyright © Augeos ‐ settembre ’09– pag. 6
Obiettivo dell’intervento
Esempio di cruscotto per l’analisi dei KRI
Copyright © Augeos ‐ settembre ’09– pag. 7
Obiettivo dell’intervento
Esempio di cruscotto per l’analisi dei KRI
Copyright © Augeos ‐ settembre ’09– pag. 8
Obiettivo dell’intervento
Esempio di Report per l’analisi dei KRI
Copyright © Augeos ‐ settembre ’09– pag. 9
Indice della presentazione
•Presentazioni
•Obiettivo dell’intervento
•Esigenze
•Sistemi informatici di supporto
•Metodologia di riferimento
•Esempio
Copyright © Augeos ‐ settembre ’09– pag. 10
Raccolta di esigenze
•KRI specifici
•Analisi serie storiche di KRI
•Analisi di correlazione tra KRI
e eventi di perdita
Avere un sistema di alert tarato sulla propria organizzazione Disporre di una serie di indicatori e di
strumenti di analisi per poter avere alert
predittivi (KRI) su possibili rischi operativi
nella mia azienda in modo da poter far
scattare controlli specifici o task per
mitigare i possibili danni o evitare del tutto
l’evento dannoso
Copyright © Augeos ‐ settembre ’09– pag. 11
Raccolta di esigenze
Avere uno strumento di supporto al
controllo della qualità dei dati relativo ai
processi più critici dell’organizzazione
Migliorare la gestione della qualità dei dati in azienda
•Individuazione delle Basi di dati
critiche
•Collegamento ai sottoprocessi e rischi
•Individazione degli owner dei dati
•Strumenti per analisi delle causeeffetti o propagazione di errori tra base
dati differenti
•Strumenti per individuazione di soglie
oltre cui scattano alert
Copyright © Augeos ‐ settembre ’09– pag. 12
Raccolta di esigenze
Opportunità di miglioramento del sistema di controllo interno
Avere un sistema dove poter
•condividere e registrare i piani di azione
individuati,
•controllare l’evoluzione degli stessi
•analizzare e controllare a distanza dati
oggettivi con esperti interni ed esterni,
•gestire le approvazioni e le prese di
responsabilità degli stessi.
•Gestione piani di azione
•Work flow per
approvazione
•Dati condivisi tra uffici
•Reportistica di controllo
•Giustificabilità
Copyright © Augeos ‐ settembre ’09– pag. 13
Raccolta di esigenze
un sistema che ti permette di passare da un approccio
reattivo ...
... ad un approccio
proattivo e ripararsi per
tempo da possibili ed
indesiderati eventi.
Diventare proattivi mettendo a disposizione sistema di risk indicator sensibile al livello di rischio operativo •Supporto Analisi
•Creazioni di azioni di
mitigazione a fronte di alert
•Diminuzione danni
•Miglioramento performance
Copyright © Augeos ‐ settembre ’09– pag. 14
Raccolta di esigenze
Copyright © Augeos ‐ settembre ’09– pag. 15
Raccolta di esigenze
La vera sfida è far capire che il sistema di
monitoraggio dei Key Risk Indicator permette a chi
gestisce il business non solo di prevenire perdite ma
anche di migliorare i propri risultati di performance
16
Copyright © Augeos ‐ settembre ’09– pag. 16
Raccolta di esigenze
Sintesi conclusiva delle esigenze
•Disporre di una metodologia rigorosa per
•l’individuazione dei rischi derivanti da scarsa qualità dei dati
•Prioritizzazione
•Misurazione ed analisi
• disporre di uno strumento informatico di supporto per
•la raccolta e la gestione delle informazioni rilevanti.
•l’analisi
•monitoraggio
•Il controllo e la mitigazione dei rischi
L’esempio che riporto prevede l’utilizzo di uno strumento
software standard per la gestione dei Rischi Operativi Risk
Shelter costruito dalla nostra società Augeos. La metodologia
però è sufficientemente generale da poter essere applicata
anche con altre soluzioni software analoghe.
Copyright © Augeos ‐ settembre ’09– pag. 17
Indice della presentazione
•Presentazioni
•Obiettivo dell’intervento
•Esigenze
•Sistemi informatici di supporto
•Metodologia di riferimento
•Esempio
Copyright © Augeos ‐ settembre ’09– pag. 18
Anagrafica Rischi: Categorie
Struttura gerarchica delle categorie di rischio con ‘n’ livelli di dettaglio
Esempio categorie di Basilea 2
Copyright © Augeos ‐ settembre ’09– pag. 19
Anagrafica Processi
Struttura gerarchica della classificazione dei processi ad ‘n’ livelli di
dettaglio
Esempio
Copyright © Augeos ‐ settembre ’09– pag. 20
Dettaglio utente
Copyright © Augeos ‐ settembre ’09– pag. 21
Anagrafica Risk Unit
Copyright © Augeos ‐ settembre ’09– pag. 22
Anagrafica Sottoprocesso
Copyright © Augeos ‐ settembre ’09– pag. 23
Anagrafica Rischi: Rischio
Anagrafica con collegamenti alla Risk Unit al Sub Process e alla scheda di
Self Assessment
Copyright © Augeos ‐ settembre ’09– pag. 24
KRI
Approval is required Association’s details
Copyright © Augeos ‐ settembre ’09– pag. 25
Assessment Session
Una maschera di censimento delle informazioni della sessione di valutazione
Copyright © Augeos ‐ settembre ’09– pag. 26
Assessment Session: Composition
Elenco dei rischi previsti per la sessione di Self‐Assessment:
• Organizzazione gerarchica dei rischi Æ
Risk Unit/Sub Process/ Risk
• Risultato della valutazione
Copyright © Augeos ‐ settembre ’09– pag. 27
Assessment Session: Self Assessment
Copyright © Augeos ‐ settembre ’09– pag. 28
Indice della presentazione
•Presentazioni
•Obiettivo dell’intervento
•Esigenze
•Sistemi informatici di supporto
•Metodologia di riferimento
•Esempio
Copyright © Augeos ‐ settembre ’09– pag. 29
KRI, Eventi di perdita, Rischi
ƒ Focalizziamo l’attenzione sulla relazione tra le ƒ
ƒ
diverse entità KRI, Eventi di perdita e Rischi
L’idea chiave è quella di studiare le misure storiche di KRI in relazione ai rischi censiti e agli eventi di perdita
Mettere a disposizione un ambiente di analisi che permetta di selezionare, analizzare correlazioni ed effettuare simulazioni di indicatori predittivi effettuando anche back test specifici.
Copyright © Augeos ‐ settembre ’09– pag. 30
Risk management
Risk measurement: misure di KRI
‰
al variare del valore del rischio si esaminano come variano gli indicatori
che rappresentano i KRI rilevati tramite apposite sonde permettendo di
ottenere coefficienti di correlazione
=
•
Key Risk Indicator
Rischio
‰
Matrice di
Correlazione
una volta ottenuta la Matrice di Correlazione tra KRI e probabilità di
rischio sarà possibile predire la variazione del Rischio a partire dalle
misure di KRI
Copyright © Augeos ‐ settembre ’09– pag. 31
KRI, Eventi di perdita, Rischi
ƒ Partendo dai risultati di analisi di correlazione ƒ
abbiamo individuato tramite un modello statistico che fa uso del modello del discriminante i valori soglia degli indicatori di KRI oltre cui il rischio incomincia a diventare rilevante
L’idea è stata quella di mettere a disposizione del Risk Manager un ambiente di analisi che possa essere utilizzato per elaborare e gestire KRI all’interno dell’azienda per prevenire rischi di perdita
Copyright © Augeos ‐ settembre ’09– pag. 32
KRI, Eventi di perdita, Rischi
ƒ Abbiamo quindi provato ad applicare questa ƒ
ƒ
ƒ
metodologia utilizzando come KRI delle sonde di qualità dei dati simulando dei casi reali.
L’obiettivo è quello di studiare la correlazione tra i rischi di eventi di perdita e le misure di qualità dei dati in modo da individuare delle soglie di questi KRI oltre cui scattano degli alert o dei controlli. Obiettivi secondari sono l’individuazione di Basi di Dati critiche ed importanti, focalizzare i rapporti di causalità
tra rischi di eventi di perdita dovuti a dati sporchi.
Per fare questo occorre che apriamo una parentesi sul mondo dei dati
Copyright © Augeos ‐ settembre ’09– pag. 33
Un KRI molto importante: la qualità dei dati
‰
In una società in cui l’informazione dematerializzata è sempre
più determinante per lo svolgimento del core business di una
impresa, la qualità dei dati e delle informazioni è diventato
un fattore chiave per il suo successo.
‰
Molti eventi anche di grande impatto hanno avuto come
causa la scarsa qualità dei dati o dei processi di controllo
relativi. La tragedia dello shuttle, per esempio, è riconducibile
ad un problema qualità di dati.
34
Copyright © Augeos ‐ settembre ’09– pag. 34
Un KRI molto importante: la qualità dei dati
Molti studi sono stati compiuti per valutare il fenomeno
del degrado della qualità dei dati in sistemi aggiornati
e interconnessi
Copyright © Augeos ‐ settembre ’09– pag. 35
La centralità ed il valore dell’informazione per le organizzazioni
“Si stima che la scarsa qualità dei dati e delle informazioni comporta
per le aziende americane una perdita di 600 bilioni di $ l’anno”
Data Warehousing Institute
“La scarsa qualità dei dati costituisce nel 50% dei casi la causa
principale del fallimento delle strategie e dei progetti di CRM”
Gartner, Inc. 26 November 2001
“Poiché la qualità e l’affidabilità del sistema di misurazione sono
ampiamente in funzione della qualità dei dati e delle varie ipotesi
utilizzate dal modello, la direzione della Banca dovrebbe annettere una
particolare attenzione a questi aspetti”
Dagli atti del Comitato di Basilea II
“Nel 2006, la Regione Sicilia ha mandato al macero 400.000 tessere
sanitarie elettroniche in quanto stampate con dati errati, altre 21.000
sono state inviate a cittadini che non ne avevano diritto, circa 90.000
tessere risultavano intestate a persone defunte”
La Repubblica, 6 aprile 2007
“ Tipicamente le organizzazioni spendono tra il 20% e il 40% del budget
per l’ICT nell’aggiornamento delle procedure di migrazione dei dati, di
conversione (cambiare i dati in altre forme, stati o prodotti), di gestione
(correzione e pulizia)”.
John Zachman (Industry pioneer)
Copyright © Augeos ‐ settembre ’09– pag. 36
Data Quality Dimensions
Completezza
Ampiezza, profondità e adeguatezza del dato in relazione agli obiettivi della
struttura che lo utilizza
Volatilità
Grado di aggiornamento di un dato o di un’informazione rispetto al suo valore
reale più recente
Consistenza
Insieme dei vincoli di integrità, di proprietà logiche e di regole semantiche del
patrimonio delle informazioni
Accuratezza
Correttezza, attendibilità e assenza di errori di natura semantica e sintattica
A
A ciascuna
ciascuna dimensione
dimensione possono
possono essere
essere associate
associate una
una oo più
più Metriche
Metriche
Copyright © Augeos ‐ settembre ’09– pag. 37
Data Quality Dimension
Completezza:
si intende, nell’accezione più generica, quanto un’informazione sia completa per
rappresentare il suo valore semantico.In casi semplificati si potranno avere campi
vuoti all’interno del singolo record o campi con informazioni parziali.
isin
IT0004001282
descrizione
cedola
BP Bergamo lug 10
2,000
data cedola
frequenza
11/07/2009
data maturity
11/07/2010
Nel caso riportato l’informazione potrebbe essere considerata incompleta in
quanto il valore “frequenza” è mancante e non deducibile dalle altre informazioni.
isin
IT0004001282
descrizione
BP Bergamo lug 10 cedola
2,000
data cedola
11/07/2009
frequenza
data maturity
6M In questo caso il valore di “data maturity” potrebbe* essere ricavato direttamente dai
valori di altri campi
isin
IT0004001282
descrizione
BP Bergamo lug 10
cedola
2,000
data cedola
11/07/2009
frequenza
6M data maturity
11/07/2010
Copyright © Augeos ‐ settembre ’09– pag. 38
Data Quality Dimension
Volatilità: Rappresenta quanto il dato in analisi sia allineato al dato reale o al dato
atteso
isin
IIT0004145311
descrizione
CR ASTI/TV 20161115
Cedola in corso
data cedola
Data aggiornamento
3,000
01/05/2008
10/05/2008
Probabilmente l’informazione Cedola in corso rappresentata nel record è obsoleta
in quanto risalente al 2008.
Copyright © Augeos ‐ settembre ’09– pag. 39
Data Quality Dimension
Consistenza:
Misura delle “incongruenze referenziali” presenti nel dominio che si intende analizzare.
Occorre preliminarmente specificare quali sono le relazioni “fondamentali” ed associare
un peso ad ogni tipologia di “broken referential integrities” .
isin descrizione
ARAB TECHNICAL CONSTRUCTION AE000A0F6D88 COMPANY AZ. ORD.
divisa
Codice ISO
descrizione
AUD
DOLLARO AUSTRALIA AED
NEW SOUTH WALES TREASURY CORP. XS0015068116 ZERO COUPON
AUD
XS0031002602 ITALIA/ZC 20100307
XS0042661701 EXXON CAPITAL CORP. EUR
USD
EUR EURO UN. ECON. MONET. USD
DOLLARO STATI UNITI Nella ricostruzione di informazioni i cui valori sono reperibili da diverse fonti si
evidenziano le incongruenze referenziali, la tabella divise non è stat
aggiornata con il valore:
AED
DIRHAN EMIRATI ARABI UNITI Copyright © Augeos ‐ settembre ’09– pag. 40
Data Quality Dimension
Accuratezza:
Dimensione che misura la precisione semantica di un’informazione. Valori soglia
dell’accuratezza determinano l’obsolescenza o inadeguatezza di un dato.
isin
descrizione
data aggiornamento
IT0004001233 BP Ravenna 09 2.75%
2009‐04‐01 19:58:20.717
IT0004001233 BP RAVENNA/2.75 20090709
2009‐02‐20 11:01:00.403
IT0004001233 BANCA POPOLARE RAVNNA 2006‐2009 2.75%
2009‐03‐17 15:52:15.187
BANCA POP. RAVENNA SPA 2006‐2009 2 3/4 % IT0004001233 PROSPETTO SEMPLIFICATO
2009‐04‐18 21:42:12.394
Il valore di “descrizione” assume profondità semantiche diverse nelle
informazioni portate ad esempio.
Copyright © Augeos ‐ settembre ’09– pag. 41
Cenni di Data Quality
ƒ Il numero e i tipi di dimensioni di Data quality ƒ
possono essere diversi. Questi sono quelli che sono stati considerati sufficienti ai fini delle analisi di rischio che si vogliono effettuare
Per approfondimenti sul tema si veda:
“Data Quality: Concepts, Methodologies and Techniques”, Carlo Batini e Monica Scannapieco – Springer 2006
Copyright © Augeos ‐ settembre ’09– pag. 42
Fase 1: ricognizione dei metadati
Obiettivo della prima fase è quello di effettuare una
ricognizione delle informazioni sui dati utilizzati
all’interno della mia organizzazione
Copyright © Augeos ‐ settembre ’09– pag. 43
Fase 1 Ricognizione dei metadati
Particolare attenzione andrà posta alle informazioni relative ai “gruppi di dati” ed in particolare:
‹
‹
‹
‹
Informazioni su chi è l’owner/producer dei dati
Quali sono i processi/unità organizzative che utilizzano questi gruppi di dati
Quali controlli esistono già
Quali controlli in caso di alert possono essere attivati Copyright © Augeos ‐ settembre ’09– pag. 44
Fase 2 Individuazione Archivi Critici
E’ opportuno effettuare una prima individuazione dei gruppi di dati critici ai fini delle analisi che si vogliono effettuare. Questo permette tra l’altro di ‹
‹
‹
‹
Circoscrivere l’analisi di correlazione su un insieme più ristretto e focalizzato Contenere i costi di progetto
Concentrare l’attenzione e i controlli solo su dati e processi importanti
Contenere i costi di mitigazione e controlli
Copyright © Augeos ‐ settembre ’09– pag. 45
Fase 3 Attivazione e inserimento in un sistema informatico adatto a questo tipo di analisi
Trattandosi di una grande mole di dati e per giunta non statica, è necessario inserire le informazioni raccolte nelle prime due fasi in un sistema predisposto che permetta facilmente di ‹
‹
‹
‹
Navigare tra processi, unità organizzative, rischi, eventi di perdita, azioni di mitigazione Poter definire sonde e collegarle alle diverse entità
Poter effettuare import di dati da fonti esterne
Avere a disposizione un ambiente di analisi Copyright © Augeos ‐ settembre ’09– pag. 46
Fase 4 Analisi e back test
Selezionare un set di eventi di perdita accaduti in un intervallo temporale ed effettuare analisi di correlazione con misure di qualità dei dati dello stesso periodo, facendo particolare attenzione a ‹
‹
‹
Fenomeni di ritardo nell’accadimento dell’evento di perdita
Presenza o meno di controlli specifici
Correlazione con altri KRI specifici
Copyright © Augeos ‐ settembre ’09– pag. 47
Fase 4: Analisi e back test
ƒ Effettuare test su casi nel passato per ƒ
ƒ
ƒ
ƒ
verificare l’efficacia delle sonde
Selezione delle sonde più efficaci
Determinazione dei nuovi target della qualità
dei dati (ed in generale dei KRI utilizzati) ai fini della diminuzione dei Rischi operativi che diventeranno le soglie delle sonde dei KRI per i dati. Predisposizione delle azioni specifiche in caso di alert individuato dal sistema Implementazione nuove sonde
Copyright © Augeos ‐ settembre ’09– pag. 48
Fase 4: Attivazione alert e monitoraggio
La metodologia prevede che ci siano ‹
‹
‹
‹
Una serie di monitor e report Un ambiente per censire e far partire piani di azionie o controlli specifici con deleghe definite
Dati e report per poter giustificare anche nei contronti di un controllo stile Audit interno le azioni intraprese e i dati con cui queste decisioni sono state prese.
Sistemi di work flow per l’approvazione distribuita di documenti/proposte, azioni e valutazioni
Copyright © Augeos ‐ settembre ’09– pag. 49
Indice della presentazione
•Presentazioni
•Obiettivo dell’intervento
•Esigenze
•Sistemi informatici di supporto
•Metodologia di riferimento
•Esempio
Copyright © Augeos ‐ settembre ’09– pag. 50
Esempi di analisi di qualità dei dati
ƒ Per il processo “regolamento titoli” sono stati individuati tre gruppi di dati di riferimento:
• GD1 = Anagrafe titoli
• GD2 = Dati per il settlement
• GD3 = Dati per depositaria
ƒ Il database dei loss event del processo “regolamento ƒ
titoli” contiene 163 eventi di perdita distribuiti in due anni, dei quali 22 sono del tipo “mancato regolamento titoli esteri entro i termini stabiliti” attribuibili alla scarsa qualità dei dati.
Gli eventi di perdita suddetti sono agganciati a rischi specifici collegati al processo “regolamento titoli”
Copyright © Augeos ‐ settembre ’09– pag. 51
Esempio
Per determinare delle soglie in grado di fornire un alert da possibili eventi di perdita è stata utilizzata la metodologia Augeos BT4Risk® descritta precedentemente. Sono state condotte analisi con le seguente ipotesi sottostanti:
– Hypothesis 1: gli eventi di perdita sono attribuibili in parte alla scarsa qualità del GD1, in parte alla scarsa qualità del GD2, senza che vi sia alcuna correlazione tra i due
– Hypothesis 2: gli eventi di perdita sono attribuibili alla scarsa qualità sia del GD1 sia del GD2, ed esiste correlazione tra il livello di qualità dei due database Copyright © Augeos ‐ settembre ’09– pag. 52
Esempio valori di sonde della Qualità dei dati
Estratto dei valori degli
indicatori di Qualità dei
dati relativi ai Gruppi di
dati utilizzati
nell’esempio relativi al
processo
“regolamento titoli”
Copyright © Augeos ‐ settembre ’09– pag. 53
Esempio
Hypothesis 1: results
ƒ CASO 1: analisi condotta sull’intero dataset di eventi di perdita.
ƒ I risultati non sono particolarmente significativi in quanto la frequenza di generazione di falsi segnali è
prossima al 50% Æ la qualità dei dati non è in grado di fornire indicazioni riguardanti la generalità degli eventi di perdita
CASO 1
% falsi alert
44,9%
Coeff. GD1
0,799211507
Coeff. GD2
0,700999256
Coeff. GD3
‐0,205895106
Copyright © Augeos ‐ settembre ’09– pag. 54
Esempio
Hypothesis 1: results
CASO 2: analisi condotta solamente sul dataset contenente gli eventi di perdita collegati alla scarsa qualità dei dati
ƒ La frequenza di falsi segnali si riduce notevolmente: circa l’80% dei giorni in cui NON si è verificata una perdita conduce ad un livello dell’indicatore non preoccupante.
ƒ Rimane tuttavia un livello alto di falsi segnali che conduce a “rumors” di fondo che possono rendere poco significativa l’attendibilità delle soglie. Rimane pur vero che in circa tre casi su quattro l’alert era giusto
CASO 2
% falsi alert
Coeff. GD1
Coeff. GD2
Coeff. GD3
20,4%
10,34176067
7,053702932
‐2,348825096
Copyright © Augeos ‐ settembre ’09– pag. 55
Esempio
Hypothesis 2: results
CASO 3: analisi condotta solamente sul dataset contenente gli eventi di
perdita collegati alla scarsa qualità dei database, utilizzando gli indicatori di tutti i database a disposizione
ƒ La presenza di correlazione tra i due database nella generazione degli eventi di perdita conduce ad un’analisi ex‐post maggiormente significativa: l’incidenza di falsi segnali si abbassa al 13% circa. Inoltre si può notare, nei 5 giorni precedenti il verificarsi dell’evento di perdita, una persistenza nella generazione di segnali di “alert”, non verificabile nei risultati precedenti.
ƒ Un’ultima considerazione riguarda i coefficienti assegnati ai vari indicatori per il calcolo del KRI, i quali assegnano una maggiore rilevanza ai primi due database.
CASO 3
% falsi alert
Coeff. DB1
Coeff. DB2
Coeff. DB3
13,09%
7,694375171
9,234944871
‐1,954354541
Copyright © Augeos ‐ settembre ’09– pag. 56
Esempio
CASO 4: ƒ analisi condotta solamente sul dataset contenente gli eventi di perdita collegati alla scarsa qualità dei database, senza includere il GD3
ƒ Escludendo il database non significativo nella generazione degli eventi di perdita i risultati rimangono sostanzialmente in linea con quelli del CASO 3, ad ulteriore dimostrazione dell’irrilevanza della terza variabile.
CASO 4
% falsi alert
Coeff. GD1
Coeff. GD2
Coeff. GD3
13,09%
7,681755778
9,139745562
‐
Copyright © Augeos ‐ settembre ’09– pag. 57
Esempio
A dimostrazione di quanto detto in precedenza il gruppo di dati 3 non concorre in
alcun modo alla generazione di alert (la retta corrispondente giace sempre al di
sopra della soglia), mentre si verifica una relazione negativa tra l’indicatore di
qualità dei database 1 e 2 e il valore dell’indicatore KRI assegnato, il quale
conduce a segnali di alert al di sotto di certi valori.
Copyright © Augeos ‐ settembre ’09– pag. 58
Esempio
Supponendo di essere nel Hypothesis 2, alla luce dei risultati ottenuti dall’analisi, l’Operational Risk Manager con il sistema Risk Shelter opererebbe in questo modo:
‹
‹
Predispone delle sonde unicamente sui Gruppi di Dati 1 e 2 con valore di soglia rispetivamente 7,6 e 9,1 consapevole che il superamento di tali valori porterebbe a dire con una confidenza del 87% che nell’arco di 5 gg potrebbe succedere un evento di perdita nel processo “regolamento titoli” del tipo “mancato regolamento titoli esteri entro i termini stabiliti”.
Predispone una serie di azioni specifiche, condivise con il responsabile del processo a tavolino, e di controlli che verrebbero attivati solo in caso di sforamento dei valori di soglia.
Copyright © Augeos ‐ settembre ’09– pag. 59
Esempio
‹
Effettua una analisi di dove questi dati vengono utilizzati e seleziona i possibili processi “minacciati” dal fatto che i dati sono “sporchi”
‹
Predispone delle sessioni specifiche con i Risk Owner per analizzare queste possibili minacce in relazione agli assessment
già disponibili nel sistema e se del caso inserisce nuovi rischi non precedentemente valutati, modifica la stima, propone piani di azioni o controlli.
Copyright © Augeos ‐ settembre ’09– pag. 60
Prossime sfide
ƒ Finora ci siamo concentrati sull’impianto di sistemi di ƒ
ƒ
monitoraggio considerando dei KRI molto particolari e relativi alla qualità dei dati grazie soprattutto alla facilità con cui si possono implementare in forma automatica delle sonde che forniscono dati abbastanza oggettivi.
La nuova sfida è quella di considerare dei nuovi KRI legati all’efficacia dei processi ed effettuare analisi simili.
Il nuovo obiettivo sarà quello di estendere l’analisi sopra illustrata alla correlazione anche con le misure di efficacia dei processi di controllo .
Ma questa è un’altra storia ...
Copyright © Augeos ‐ settembre ’09– pag. 61
Presentazioni
Augeos
Punti di forza di Augeos
Elevata competenza tecnologica: erogazione di servizi IT ad
elevato valore aggiunto
Business experience : team di consulenti specialisti su temi di
finanza applicata
Software factory: realizzazione di soluzioni innovative per il
mercato finance
R & D: partecipazione a progetti di ricerca, riconosciuti a livello
internazionale, su temi “concreti” di finanza applicata, finalizzati
alla creazione di prodotti software
Copyright © Augeos ‐ settembre ’09– pag. 62
Augeos
Success story
Costituita alla fine del 2005 vantiamo già
più di 30 clienti tutti nel settore Finance
Prodotti software interamente realizzati da noi
L’erogazione giornaliera dal nostro centro servizi di più di 400.000
anagrafiche e più di 500.000 prezzi ufficiali di borse,
L’elaborazione di circa 10.000 prezzi teorici di Fair Value Plus
Collaborazione con diverse università italiane e straniere.
Chartageos: Pubblicazione annuale tecnico scientifica rivolta a chi si
occupa professionalmente di finanza.
Copyright © Augeos ‐ settembre ’09– pag. 63
I prodotti Augeos per i Rischi Operativi
Contattateci al desk dell’ABI
Contatti:
[email protected]
011 9550360
www.augeos.it
Copyright © Augeos ‐ settembre ’09– pag. 64