In questi ultimi anni i temi di affidabilità e tempestività nella gestione delle informazioni aziendali sono stati oggetto di un interesse crescente, specie in ambito bancario ed assicurativo. Sono infatti chiarissime le forti ed innumerevoli spinte, sia interne che esterne, in questa direzione. Da una parte, il governo aziendale prevede di adottare modelli di analisi sempre più sofisticati riferiti ai temi di Marketing, Risk Management e Profittabilità (analisi della redditività e dei costi). Tali modelli richiedono oggigiorno una considerevole mole di dati i quali, se errati, incompleti o non aggiornati, portano inevitabilmente ad enormi e pericolose inefficienze. D’altra parte tutte le autorità di vigilanza hanno incrementato sensibilmente il volume, il dettaglio e la tempestività delle disclosure che i gruppi bancari e assicurativi devono produrre in modo affidabile e controllato (in molte disposizioni di vigilanza e controllo sono espressamente richiesti controlli sulla qualità dei dati forniti). La tecnologia sta rispondendo ad alcune esigenze con particolari nuove offering, come le “appliance” che gestiscono il tema dei “Big Data”, che devono però essere inserite all’interno di modelli complessi e strutturati per non rischiare, paradossalmente, di aggravare piuttosto che di migliorare la gestione della qualità del dato (è facile immaginare che se non opportunamente indirizzato il tema del Data Quality non potrà che peggiorare al crescere del volume dei dati, specie se destrutturati).
Tali aspetti, affiancati dal riscontro di un notevole ritardo in termini di sviluppo di metodologie, adozione di strumenti ed entità degli investimenti rispetto al mondo anglosassone, hanno portato alla stesura di questo libro, il quale vuole avere principalmente una connotazione di manuale operativo. Nella trattazione si riportano aspetti peculiari ed innovativi relativi all’impostazione e alla realizzazione dei modelli di determinazione della qualità dei dati, ai processi di gestione ed agli strumenti di controllo e di monitoraggio.
STRUTTURA
- L’importanza ed il valore del DQM (Data Quality Management)
- L’approccio globale ed una sperimentata best practice
- Lesson Learned, commenti ed esperienze - Casi di successo
- Appendice
