Una gestione competente dei dati è in grado di assicurare alle aziende vantaggi in termini di competitività. Jean-Bernard Nobs e il suo team sono gli specialisti di big data presso PostFinance. In questa intervista l’esperto ci spiega in cosa consiste il suo lavoro.

Data mining, data analytics o data science: quale di queste denominazioni si addice di più al suo lavoro?

Senza dubbio la data science. Il data mining  Per «data mining» in senso stretto si intende l’applicazione sistematica di metodi basati sull’informatica per rilevare modelli, tendenze o correlazioni nei set di dati esistenti., o estrazione dei dati, e la data analytics  Con la «data analytics» vengono analizzate grandi quantità di dati provenienti da fonti diverse. , o analisi dei dati, rappresentano solo una parte del lavoro sui dati. La data science, o scienza dei dati, invece, è proprio ciò di cui ci occupiamo: di fronte a problemi rilevanti, impieghiamo i dati per cercare e trovare risposte orientate al futuro, creando così un vantaggio per la nostra azienda e i suoi clienti. Non si tratta quindi di predisporre e rappresentare dati fini a loro stessi. Il lavoro che facciamo con i dati implica l’uso di strumenti legati alle diverse discipline, come ad esempio il deep learning  Il deep learning, o apprendimento approfondito, è un metodo di elaborazione delle informazioni e un’area del machine learning che sfrutta le reti neurali e grandi quantità di dati per giungere al processo decisionale. Il deep learning si basa sul funzionamento del cervello umano o la visualizzazione, ed è un lavoro a tutto tondo in grado di creare un valore aggiunto.

In che modo la data science contribuisce concretamente a migliorare il banking?

La data science ha effetti verso l’interno ma anche verso l’esterno. Con il nostro lavoro, infatti, contribuiamo, da un lato, a rendere i nostri processi operativi nel banking più efficienti tramite l’automazione, mentre dall’altro i dati ci permettono anche di comprendere meglio i clienti. La data science ci permette di attuare misure mirate. 

Parlando di protezione dei dati, il regolamento generale sulla protezione dei dati ha reso quest’ultima più restrittiva. Cosa implica questo per il suo lavoro?

Sicuramente ci siamo trovati di fronte a nuovi ostacoli. Dall’altro lato, però, questo ci spinge a sviluppare soluzioni nuove non subito evidenti. Per i clienti disposti ad autorizzare i propri dati è possibile sviluppare offerte in grado di apportare loro un reale vantaggio. 

Di quali fasi si compone un progetto di data science?

Come detto, si parte sempre da una domanda. Ad esempio: «come possiamo ridurre il numero di passaggi manuali per il riconoscimento dei comportamenti fraudolenti?». Una volta definito il problema da risolvere, individuata la possibilità di successo e valutata la positività o meno del rendimento del capitale investito, iniziamo a ricercare dati e raggrupparli in modo tale da ottenere una base di dati ragionevole. Se la qualità dei dati è sufficientemente buona, proviamo a elaborarli – ad esempio tramite tecniche di visualizzazione con supporto informatico – in modo da valutarli e ottenere informazioni. Per risolvere il problema, a seconda del progetto utilizziamo strumenti come il machine learning. 

Che importanza assume la data science presso PostFinance?

Un’importanza sempre maggiore. Basta guardare lo sviluppo degli ultimi anni: dal 2014 il nostro team è cresciuto da due a dieci persone. Come quasi tutte le grandi aziende, al momento non siamo ancora in grado di sfruttare appieno il potenziale offerto dal nostro mondo di dati, in quanto il crescente numero di sistemi non ci permette di raccoglierli tanto facilmente. I dati sono ancora troppo sparsi in compartimenti diversi, ma stiamo lavorando a una banca dati centrale e vogliamo continuare a dimostrare il valore aggiunto della data science. Spesso dobbiamo portare avanti vere e proprie opere di convincimento, soprattutto quando i dati forniscono un’immagine del tutto diversa rispetto ai valori empirici personali.