Nel 2012 il Comitato di Basilea per la vigilanza bancaria ha pubblicato un'analisi a posteriori della crisi finanziaria del 2008. Tra le cause profonde ce n'era una che non aveva nulla a che fare con i prestiti spericolati o i derivati opachi: le principali istituzioni finanziarie non riuscivano ad aggregare i propri dati di rischio in modo abbastanza rapido, accurato o completo da comprendere la propria esposizione proprio quando contava di più. 

La risposta è stata il BCBS 239 — quattordici principi che regolano l'aggregazione dei dati di rischio e il risk reporting per le banche di rilevanza sistemica globale (G-SIB) e, sempre più spesso, per le banche di rilevanza sistemica nazionale (D-SIB) in tutto il mondo. I principi esigono accuratezza, completezza, tempestività e adattabilità dei dati di rischio. Non sono linee guida aspirazionali. Le autorità di vigilanza si aspettano una conformità dimostrabile. 

Più di dieci anni dopo, molte banche sono ancora in difficoltà. E il motivo è quasi sempre lo stesso: la qualità dei dati. Non la strategia, non le intenzioni, non i framework di governance sulla carta. Il problema poco affascinante e operativamente impegnativo di garantire che i dati alla base dei report di rischio siano accurati, completi, tempestivi e coerenti, alla scala di una moderna banca globale. 

Che cosa chiede davvero il BCBS 239 al vostro programma di qualità dei dati 

Vale la pena essere precisi su ciò che i principi richiedono, perché il divario di conformità è spesso un problema di traduzione. I risk officer comprendono il linguaggio normativo. I team dati comprendono l'implementazione tecnica. Le due parti spesso non si capiscono. 

I principi che dipendono più direttamente dall'infrastruttura di qualità dei dati si dividono in quattro gruppi: 

• Accuratezza e integrità (Principio 2): i dati di rischio devono rilevare e misurare il rischio in modo accurato, con dati riconciliati che rispettino le soglie di errore concordate. Ciò significa dati validati, non semplicemente acquisiti. Un valore che supera i controlli strutturali ma viola la logica di business non è accurato nel senso del BCBS 239. 

• Completezza (Principio 3): tutti i dati di rischio rilevanti devono essere acquisiti, con la capacità di individuare le lacune di completezza. Record mancanti, campi nulli in posizioni critiche e caricamenti parziali dai sistemi a monte non sono inconvenienti occasionali. Sono violazioni della conformità. 

• Tempestività (Principio 4): i dati di rischio devono essere disponibili in tempo per soddisfare i requisiti di reporting, con la capacità di produrli rapidamente in situazioni di stress. Una banca che non riesce ad aggregare entro poche ore i dati sull'esposizione verso le controparti durante uno shock di mercato non è conforme al BCBS 239, qualunque cosa dica la sua documentazione di governance. 

• Adattabilità (Principio 5). Le banche devono generare dati di rischio per soddisfare un'ampia gamma di richieste su domanda, anche in situazioni di stress. Ciò richiede di sapere che la propria architettura dati è strutturalmente stabile e di essere avvisati immediatamente quando cambia. 

Come la Banca dei Regolamenti Internazionali ha osservato nei suoi rapporti sui progressi, la maggior parte delle G-SIB ha compiuto passi avanti su governance e policy, ma la qualità dei dati a livello operativo resta il punto debole persistente. Potete avere un framework di data governance di livello mondiale e non rispettare comunque il BCBS 239, perché la vostra pipeline dei dati di rischio consegna al livello di aggregazione dati obsoleti, incompleti o strutturalmente alterati. 

Perché i controlli manuali della qualità dei dati non possono soddisfare il BCBS 239 su larga scala 

Considerate uno scenario reale che si ripete regolarmente nelle grandi istituzioni finanziarie. Un team di rischio di credito sta preparando un report di fine giornata sull'esposizione verso le controparti. Uno dei quarantatré flussi di dati a monte, un file di posizioni proveniente da un sistema di prime brokerage, arriva con novanta minuti di ritardo e con diciassette colonne invece delle diciannove previste. Le due colonne mancanti contengono i dati sulle margin call. 

Con il monitoraggio manuale, questo errore emerge quando un analista a valle nota che i totali del report sembrano sbagliati, spesso ore dopo. L'indagine richiede un'altra ora. A quel punto i dati sono già stati usati in calcoli preliminari del rischio che ora devono essere rieseguiti. In uno scenario di stress, quel ritardo non è recuperabile. 

Non è un fallimento della governance. È un fallimento dell'infrastruttura di qualità dei dati. Ed è esattamente il tipo di fallimento che il monitoraggio continuo basato sull'IA è progettato per prevenire prima che si propaghi. 

Come la qualità dei dati basata sull'IA risponde a ciascun principio sui dati del BCBS 239 

Mappare le capacità di monitoraggio basate sull'IA sui requisiti del BCBS 239 non è un esercizio teorico. La corrispondenza è diretta: 

• Per accuratezza e integrità: digna Data Validation applica regole di business definite dall'utente a livello di record, verificando che i valori di rischio rientrino nelle soglie concordate, che gli identificativi delle controparti vengano risolti correttamente e che la logica di business specifica della vostra tassonomia del rischio sia applicata in modo coerente a ogni caricamento di dati. Gli esiti negativi della validazione vengono registrati, creando l'audit trail che le autorità di vigilanza si aspettano. 

• Per la completezza: digna Data Anomalies apprende il profilo di completezza normale di ogni dataset monitorato: tassi tipici di valori nulli, volumi di record attesi, pattern standard di compilazione dei campi. Quando un flusso arriva con lacune rilevanti rispetto al comportamento di base appreso, segnala subito la deviazione, prima che i dati incompleti raggiungano il livello di aggregazione. 

• Per la tempestività: digna Timeliness monitora l'arrivo dei dati su ogni flusso utilizzando pattern di consegna appresi dall'IA, combinati con finestre di pianificazione definite dall'utente. Lo scenario di prime brokerage descritto sopra genererebbe un avviso pochi minuti dopo la chiusura della finestra di arrivo prevista, non ore dopo che il report è già stato eseguito su dati errati. 

• Per l'adattabilità: digna Schema Tracker monitora costantemente l'integrità strutturale delle tabelle configurate, individuando aggiunte e rimozioni di colonne e modifiche dei tipi di dati nel momento stesso in cui avvengono. Quando un sistema a monte viene aggiornato e un campo passa da un tipo numerico a un tipo stringa, digna lo intercetta prima che corrompa silenziosamente i calcoli del rischio a valle. 

In tutto questo, digna opera interamente in-database. I dati di rischio, che si collocano al vertice della sensibilità dei dati finanziari, non lasciano mai il vostro ambiente sicuro. Ogni calcolo delle metriche, ogni confronto con le baseline, ogni segnalazione di anomalia avviene all'interno della vostra infrastruttura: un requisito architetturale non negoziabile per le istituzioni soggette a obblighi di residenza dei dati e di riservatezza. 

Costruire per il BCBS 239 un insieme di evidenze sulla qualità dei dati che regga ai controlli 

C'è una dimensione del BCBS 239 che i team dati sottovalutano fino alla prima revisione di vigilanza: l'onere della prova. Le autorità non chiedono semplicemente se i vostri dati sono accurati. Chiedono come lo sapete, quali controlli esistono e come questi controlli hanno funzionato nel tempo. 

Il monitoraggio della qualità dei dati basato sull'IA svolge qui una doppia funzione. Migliora la qualità dei dati sul piano operativo e genera la documentazione dell'attività di monitoraggio richiesta dalle autorità di vigilanza. digna Data Analytics analizza le metriche storiche di observability per far emergere i trend, evidenziare i pattern statisticamente anomali e tracciare l'evoluzione della qualità dei dati nel tempo. Questa documentazione storica è il fondamento di una narrativa di conformità credibile. 

Le linee guida dell'Autorità bancaria europea sulla data governance rafforzano questo punto: una gestione efficace della qualità dei dati richiede sia controlli preventivi sia evidenze documentate del monitoraggio. Una piattaforma di observability ben configurata produce entrambi contemporaneamente. 

La conformità al BCBS 239 inizia da una qualità dei dati dimostrabile 

Il Comitato di Basilea non ha scritto quattordici principi sui framework di governance o sulla documentazione delle policy. Li ha scritti sui dati. Sulla capacità delle istituzioni finanziarie di conoscere con sicurezza la propria esposizione al rischio, in modo accurato, completo e in tempo per agire. 

Rispettare questo standard richiede più di controlli periodici o riconciliazioni manuali. Richiede un monitoraggio continuo basato sull'IA su ogni flusso di dati di rischio, ogni dipendenza strutturale e ogni pianificazione di consegna, con l'audit trail necessario per dimostrarlo. 

È esattamente ciò per cui digna è stata progettata. 

Smettete di lottare con processi di conformità manuali ed esercizi di documentazione. Prenotate una demo per vedere come la nostra piattaforma automatizza la conformità al BCBS 239, abilitando al contempo iniziative strategiche sui dati che generano un reale valore di business. 

I controlli BCBS 239 descritti qui sono un caso regolamentato di un programma più ampio, che illustriamo per qualsiasi patrimonio di dati aziendale nella pagina della nostra soluzione di data quality management.

Domande frequenti

Che cos'è il BCBS 239?

Il BCBS 239 è un insieme di quattordici principi per l'aggregazione dei dati di rischio e il risk reporting, pubblicato dal Comitato di Basilea dopo la crisi finanziaria del 2008. Si applica alle banche di rilevanza sistemica globale e, sempre più spesso, alle banche di rilevanza sistemica nazionale, ed esige accuratezza, completezza, tempestività e adattabilità dei dati di rischio.

Perché le banche hanno ancora difficoltà con la conformità al BCBS 239?

Il punto debole persistente è la qualità dei dati a livello operativo, non la strategia o la governance sulla carta. Secondo i rapporti sui progressi della BRI, la maggior parte delle G-SIB ha fatto passi avanti su governance e policy, ma una banca può comunque non rispettare il BCBS 239 quando la sua pipeline consegna al livello di aggregazione dati obsoleti, incompleti o strutturalmente alterati.

Perché i controlli manuali della qualità dei dati non bastano per il BCBS 239?

I controlli manuali intercettano gli errori troppo tardi. Nell'esempio dell'articolo, uno dei quarantatré flussi arriva con novanta minuti di ritardo e con diciassette colonne invece di diciannove, senza i dati sulle margin call. Un analista se ne accorge solo quando i totali del report sembrano sbagliati, ore dopo, e i calcoli preliminari del rischio devono essere rieseguiti.

Come si collega digna ai principi sui dati del BCBS 239?

A ogni principio sui dati corrisponde un modulo. Data Validation applica le regole di business per l'accuratezza, Data Anomalies apprende baseline di completezza come tassi di valori nulli e volumi di record, Timeliness monitora l'arrivo dei flussi rispetto ai pattern appresi e alle finestre di pianificazione, e Schema Tracker segnala aggiunte e rimozioni di colonne e modifiche dei tipi di dati per l'adattabilità.

Quali evidenze si aspettano le autorità di vigilanza sulla qualità dei dati per il BCBS 239?

Le autorità vogliono sapere come fate a sapere che i vostri dati sono accurati, quali controlli esistono e come hanno funzionato nel tempo. Gli esiti negativi della validazione registrati forniscono un audit trail, mentre digna Data Analytics analizza le metriche storiche di observability per mostrare l'evoluzione della qualità dei dati nel tempo, costituendo la base di una narrativa di conformità credibile.