Aumentare l’efficienza interna, favorire la riduzione della burocrazia e accrescere il livello dei servizi offerti agli utenti finali. Per raggiungere questo obiettivo nella digital agenda di una grande realtà bancaria italiana si è scelto di introdurre soluzioni evolute di Big Data Analytics per alimentare sistemi di Machine Learning al fine di ottenere analisi predittive per prevenire e risolvere problemi nella gestione dei processi. Ed è nato il progetto realizzato da Datalabs, giunto finalista ai Digital360 Awards 2018 nella Categoria tecnologica Big Data Analytics.
La soluzione fornita all’istituto bancario, basata sull’analisi automatizzata dei log provenienti da applicazioni e dispositivi utilizzati per la gestione della documentazione di filiale, ha permesso di intervenire in modo mirato sulla parte di processo interessata da eventuali anomalie.
L’implementazione del sistema ha consentito di rispondere in tempi rapidi a situazioni critiche, inoltre, dato che tale sistema è in grado di evolvere sulla base dei risultati ottenuti, è possibile anche prevenire il verificarsi di situazioni di errore in presenza di grandi quantitativi di dati. Infine, grazie alla soluzione adottata, sono state individuate lacune informative, ossia aree di analisi non esplorate, che stanno fornendo indicazioni importanti ai fini di un miglioramento complessivo.
La vera portata innovativa della soluzione è la possibilità di monitorare l’intero processo dei sistemi, abbattendo la logica a silos, consentendo di avere un’unica cabina di regia dello stato di qualità dei dati processati. La possibilità di individuare in tempo reale l’esatto punto di origine dell’anomalia, sulla base di KPI precedentemente definiti, è un’evidente prova di come una tecnologia evoluta possa avere effetti immediati sulla customer experience.
La soluzione tecnologica che è alla base di tutto questo è Datalabs Log Intelligence Management System (LIMS), utilizzata per la gestione delle fasi di acquisizione e preparazione in ambiente Hadoop dei log provenienti da diverse fonti sia applicative che non, quali quelli originati dai device di acquisizione dei documenti.
Tramite Datalabs LIMS sono state realizzate anche le fasi di disegno e training dei modelli statistici.
I cruscotti di monitoraggio sono stati realizzati con tecnologia Qlikview. L’accessibilità ai dati è stata ottenuta attraverso API Rest di Datalabs LIMS.
L’implementazione del progetto si è svolta da ottobre a dicembre 2017, articolata in 4 fasi.
- Raccolta dei requisiti: insieme ai responsabili dei processi e delle applicazioni, sono state analizzate le procedure e identificati i dati a disposizione, utilizzando la soluzione Datalabs che ha permesso la ricerca di relazioni tra log di applicazioni diverse provenienti da sistemi eterogenei e semplificato la creazione del modello dati per le analisi.
- Raccolta dei dati: grazie a Datalabs LIMS è stato disegnato il processo di raccolta dei log dai database applicativi e sono stati preparati i modelli dati, senza alcuna necessità di scrivere query o righe di codice.
- Training dei modelli predittivi: i Data Scientist sono poi intervenuti per la scrittura degli algoritmi e per i loro test direttamente in ambiente Big Data.
- Rappresentazione dei dati: come ultima fase, i risultati sono visualizzati in dashboard Qlikview e condivisi con il cliente. Tramite API integrate in Datalabs, sono stati superati i limiti di performance e sicurezza tipici dell’interfacciamento di un sistema di Business intelligence con l’ambiente Hadoop.
