Come mantenere efficace un sistema di condivisione dei dati mentre aumentano le entità coinvolte, i volumi e la complessità operativa? Il terzo e ultimo appuntamento con il Group AFC di Generali ha approfondito il ruolo di analytics, automazione e miglioramento continuo nell’evoluzione del Group Data Sharing.

Costruire una visione consolidata dei dati è un primo traguardo. Mantenerla affidabile nel tempo, mentre cambiano sistemi, normative e perimetro organizzativo, è una sfida altrettanto importante.

È questo il tema affrontato da Angela Ugrinoska, Group Anti Financial Crime | Processes & Operations di Assicurazioni Generali, nell’appuntamento conclusivo del percorso Group Data Sharing & AML Governance, realizzato con ComplianceDesign.it | Academy & Learning il 13 ottobre. Dopo aver approfondito i fondamenti di governance e il funzionamento operativo del modello, il confronto si è concentrato sulla sua evoluzione: come gestire una complessità crescente senza compromettere qualità del dato, efficacia dei controlli e sostenibilità del processo.

Crescere senza perdere accuratezza

Uno degli aspetti più delicati riguarda le logiche di matching e merging, attraverso le quali il GDS identifica i soggetti presenti in più entità del Gruppo e ne consolida le informazioni. L’aumento dei volumi rende necessario affinare continuamente queste regole, riducendo i falsi positivi senza perdere collegamenti rilevanti. La dimensione del fenomeno emerge da un dato richiamato da Ugrinoska: oltre 18.000 proposte di merge in un solo trimestre, sottoposte alla revisione del team centrale. Migliorare la precisione significa quindi non soltanto rendere più affidabile il risultato, ma anche ridurre le verifiche superflue e concentrare il lavoro delle persone sui casi realmente significativi. Da qui la necessità di intervenire su criteri, workflow e infrastruttura tecnologica.

La qualità del dato parte dalle entità

La solidità del modello dipende anzitutto dalle informazioni che lo alimentano. Le società del Gruppo operano con sistemi e livelli di maturità differenti: alcune dispongono di estrazioni automatizzate, altre ricorrono ancora a processi manuali. Standardizzazione degli input, controlli automatici e clean-up periodici diventano quindi essenziali per intercettare anomalie, migliorare il consolidamento e mantenere aggiornato il patrimonio informativo, senza compromettere tracciabilità e ricostruibilità delle operazioni. La qualità del dato non è soltanto un requisito tecnico: condiziona l’affidabilità delle analisi e l’efficacia dei successivi processi AML.

Dalle informazioni agli insight operativi

Una base informativa consolidata permette anche di osservare fenomeni e collegamenti difficilmente individuabili dalla prospettiva di una singola entità. Le analytics sviluppate attraverso il GDS possono offrire indicazioni utili anche ai controlli di secondo livello, orientando verifiche e approfondimenti. In questa prospettiva si inseriscono ulteriori opportunità, come la network analysis, per riconoscere relazioni meno evidenti tra i soggetti. L’automazione assume così un ruolo che va oltre l’efficienza: liberare capacità operative e valorizzare le informazioni per una lettura più completa del rischio.

Un modello che apprende dall’operatività

L’evoluzione del GDS non nasce soltanto dalla tecnologia. Un contributo importante arriva dalle entità che utilizzano quotidianamente il processo, gestiscono gli alert e segnalano criticità o possibili miglioramenti. Come evidenziato da Ugrinoska, diversi interventi sono stati introdotti proprio a partire da questi feedback. L’esperienza locale diventa così parte integrante del miglioramento della governance centrale, sostenuta anche da formazione periodica e aggiornamento delle competenze.

Si chiude su questa prospettiva il percorso dedicato all’esperienza del Group AFC di Generali: dalla scelta di condividere il dato alla sua integrazione nei processi AML, fino alla capacità di utilizzare informazioni ed esperienza operativa per migliorare continuamente il modello. Perché una visione consolidata del rischio non è un risultato acquisito una volta per tutte, ma una capacità da mantenere e sviluppare nel tempo.