Ruffini augeos
annuncio pubblicitario
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 Focalizziamo l’attenzione sulla relazione tra le 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 Partendo dai risultati di analisi di correlazione 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 Abbiamo quindi provato ad applicare questa 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 Il numero e i tipi di dimensioni di Data quality 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 Effettuare test su casi nel passato per 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 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 Il database dei loss event del processo “regolamento 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 CASO 1: analisi condotta sull’intero dataset di eventi di perdita. 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 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. 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 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. 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: analisi condotta solamente sul dataset contenente gli eventi di perdita collegati alla scarsa qualità dei database, senza includere il GD3 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 Finora ci siamo concentrati sull’impianto di sistemi di 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
