Scarica testimonianze sistemi e più Schemi e mappe concettuali in PDF di Sistemi Informativi solo su Docsity!
TESTIMONIANZA N26:
N26 è una banca completamente digitale nata nel 2013 con l’obiettivo di innovare un settore percepito dai clienti più giovani come lento, complesso e poco user-friendly. La sua missione è offrire alle persone la libertà di gestire banca, pagamenti e risparmio direttamente dal telefono, in modo semplice, intuitivo e immediato. Tra i suoi elementi distintivi rientrano l’apertura del conto in pochi minuti senza documentazione cartacea, l’utilizzo immediato tramite carta virtuale, la piena integrazione con Apple Pay e Google Pay e una gestione in tempo reale di tutte le operazioni. Nel tempo il servizio si è arricchito con strumenti per organizzare il denaro, come gli “Spaces”, pensati per pianificare spese e obiettivi. Oggi N26 conta oltre 4,5 milioni di clienti distribuiti in 24 mercati, opera con una licenza bancaria europea completa e impiega più di 1.300 persone in sei sedi internazionali. Il suo modello è volutamente “leggero”: nessuna filiale fisica, infrastruttura in cloud e prodotti progettati per essere facilmente scalabili su più Paesi. I ricavi provengono soprattutto dalla gestione della liquidità dei clienti (la componente di treasury), dagli abbonamenti ai conti premium, dalle commissioni sulle transazioni con carta e da altre fee operative. L’attenzione alla user experience e la capacità di scalare il servizio in molti mercati con una struttura snella rappresentano i principali vantaggi competitivi. N26 lavora su alcune personas fondamentali: studenti che aprono il primo conto, giovani professionisti urbani con esigenze di gestione quotidiana, expats che si spostano all’estero e autonomi che richiedono flessibilità. Tutto il lavoro di prodotto, marketing e sviluppo strategico ruota intorno alla comprensione profonda dei bisogni di questi gruppi. All’interno di N26, il Business Development rappresenta il processo attraverso cui l’azienda identifica e sviluppa nuove opportunità per crescere, differenziarsi e migliorare la propria efficienza. Il percorso tipico di un progetto comincia con la definizione dei bisogni, sia del mercato sia interni all’organizzazione. Seguono l’analisi dei trend, l’ascolto dei clienti, lo studio dei competitor e il confronto con i team che ogni giorno raccolgono segnali dal business. A valle di questa fase viene definita la strategia: si costruisce un business case, si valutano potenzialità e rischi, si chiarisce il modello di business, si fissano gli obiettivi e si scelgono persone, budget e tecnologia da mettere in campo. Una parte rilevante del lavoro consiste anche nello scouting e nella selezione dei partner, che vengono valutati per qualità tecnica, sostenibilità economica, flessibilità e reputazione. Solo dopo si passa alla fase di implementazione, in cui si traduce la strategia in un piano operativo, si coordinano i team coinvolti, si sviluppano i flussi tecnici e si testa la soluzione. Infine si entra nel monitoring: si misurano i risultati rispetto agli obiettivi iniziali, si osserva il comportamento dei clienti, si raccolgono feedback interni ed esterni e si pongono le basi per miglioramenti futuri. Il primo caso presentato riguarda la partnership con Apple TV+ per offrire un cashback agli utenti premium. Il bisogno iniziale era chiaro: molti clienti dei piani a pagamento non percepivano appieno il valore del loro abbonamento, mentre sia i prospect sia gli utenti già acquisiti mostravano interesse verso ricompense concrete come il cashback. Il lavoro è iniziato con l’analisi dei dati relativi ai comportamenti degli utenti, della propensione all’ingaggio e dello spazio di miglioramento in termini di retention. Dopo un confronto con diversi potenziali partner del mondo entertainment, è stato scelto Apple TV+ ed è stata costruita una meccanica promozionale che prevedeva un cashback mensile per chi avesse attivato l’offerta e pagato l’abbonamento con carta N26. L’iniziativa ha generato risultati significativi, come un tasso di upgrade via email più che raddoppiato rispetto ai gruppi di controllo e un alto livello di visibilità nella sezione “Explore” dell’app. D’altro canto, l’attivazione dell’offerta è rimasta limitata a una parte relativamente piccola degli utenti eleggibili e l’interesse tendeva a calare nei mesi successivi. L’esperienza ha mostrato anche un aspetto interessante: molti partner preferiscono investire su acquisizione di nuovi utenti piuttosto che su iniziative per gli utenti già esistenti. Un ulteriore insegnamento è che i processi interni necessari per attivare singole offerte sono più lenti e complessi del valore prodotto da ciascuna iniziativa: per questo diventa necessario rendere il modello scalabile, idealmente attraverso collaborazioni esterne che permettano di replicare velocemente nuove opportunità. Il secondo caso riguarda la campagna sviluppata con Google Play. Qui il problema iniziale era la difficoltà di ottenere visibilità sulle piattaforme di Google, sia per la natura regolamentata dei
prodotti finanziari sia per la frammentazione normativa dei vari mercati europei. La soluzione è stata costruire una campagna di cashback dedicata ai nuovi clienti che avrebbero utilizzato N26 per effettuare spese su Google Play. È stato un progetto molto complesso, che ha richiesto tre anni dal primo contatto al lancio, ma che ha generato un valore distribuito tra le parti: Google ha incrementato gli acquisti sulla propria piattaforma, N26 ha acquisito nuovi utenti elevando il valore percepito del conto e i clienti hanno beneficiato di un incentivo economico sulle loro spese digitali. Oggi il progetto è in fase di monitoraggio continuo, con un’analisi giornaliera delle performance e un dialogo costante con il partner per ottimizzare la campagna. Nel complesso, la testimonianza mette in luce tre aspetti centrali: il valore della comprensione profonda dei bisogni dei clienti, il ruolo del business development come ponte tra strategia e operatività e l’importanza di partnership esterne per accelerare l’innovazione. Mostra anche come il banking digitale non si limiti a offrire un conto corrente “comodo”, ma costruisca un ecosistema di servizi, offerte, contenuti e collaborazioni che rispondono al modo in cui le persone vivono, spendono e risparmiano quotidianamente. TESTIMONIANZA TECNOLOGIE E FINANCIAL SERVICES: La testimonianza parte da una riflessione fondamentale: nel mondo finanziario la tecnologia non è più un supporto, ma la sostanza stessa dei servizi. La maggior parte del denaro che utilizziamo non esiste fisicamente; è un insieme di dati che viaggiano attraverso sistemi informatici, reti e algoritmi. Di conseguenza, la fiducia – un tempo riposta nelle persone e nelle filiali – oggi si trasferisce ai sistemi digitali, alla loro sicurezza e all’esperienza che offrono agli utenti. Digitalizzazione e trasformazione del settore finanziario La digitalizzazione ha rivoluzionato il settore finanziario più di qualsiasi altra innovazione del passato. Ha ampliato l’inclusione finanziaria, accelerato l’accesso al credito e aumentato l’efficienza dei mercati. Il caso di M-Pesa, nato in Kenya, mostra come una tecnologia semplice possa trasformare un’intera economia, permettendo transazioni via SMS anche a chi non ha un conto bancario. Tuttavia, la digitalizzazione può anche generare nuove disuguaglianze, soprattutto per chi non ha competenze digitali o accesso alle tecnologie. L’accesso al credito è diventato più rapido grazie ai sistemi di valutazione automatizzati, basati su centinaia di variabili. Questo ha favorito categorie tradizionalmente escluse, pur introducendo rischi di bias algoritmici. Anche Revolut rappresenta un esempio di come una banca possa nascere e crescere senza filiali fisiche, ponendo al centro l’esperienza digitale. La velocità dei mercati finanziari è aumentata enormemente: oggi miliardi di transazioni vengono processate in una frazione di secondo. Questo porta efficienza, ma anche vulnerabilità, come dimostrano gli episodi di “flash crash”, dove algoritmi che interagiscono tra loro generano crolli improvvisi. Architetture bancarie e assicurative tradizionali Nonostante la spinta all’innovazione, gran parte del sistema finanziario si basa ancora su architetture legacy, spesso scritte in COBOL. Il Core Banking System rimane il cuore tecnologico delle banche, costruito per essere stabile e resistente, ma difficile da modificare. La strategia più diffusa oggi è integrare questi sistemi tramite API e microservizi, evitando riscritture complete ma introducendo una modernizzazione graduale. Nel settore assicurativo la frammentazione è ancora maggiore: i sistemi dei rami Vita e Danni sono spesso separati e molti processi vengono gestiti in modalità batch notturna. Alcune compagnie, come Generali, stanno investendo in piattaforme integrate per modernizzare la gestione dei sinistri. Rimane aperta la questione se il settore assicurativo potrà recuperare il ritardo rispetto alle banche e se la presenza degli agenti come intermediari rallenti la trasformazione digitale. Le nuove tecnologie Le tecnologie che stanno definendo la nuova frontiera della finanza sono cloud computing, intelligenza artificiale, blockchain, open banking, cybersecurity e RegTech. Il cloud permette scalabilità, velocità nei rilasci e una maggiore capacità di personalizzazione dei servizi, come dimostra BBVA. La blockchain introduce un nuovo modo di costruire fiducia, distribuita nella rete anziché affidata a un intermediario centrale, e permette applicazioni che vanno dalle valute digitali alla certificazione dei documenti.
TESTIMONIANZA ALLIANZ TRADE
Cos’è Allianz Trade e cosa assicura Allianz Trade è la business unit del gruppo Allianz specializzata nelle assicurazioni B2B sul credito commerciale (credit insurance).
Il cliente diretto di Allianz Trade è l’azienda seller, ma il rischio assicurato riguarda il buyer (il
cliente del cliente):
- Seller (es. Ferrero) vende a credito al Buyer (es. Esselunga).
- Il pagamento avviene dopo 60–90–120 giorni.
- In mezzo c’è Allianz Trade, che copre il rischio che Esselunga non paghi. A livello globale Allianz Trade ha circa 1/3 del market share del proprio settore; in Italia la quota è ancora più alta. Gestisce un’esposizione enorme su transazioni B2B, monitorando il rischio di insolvenza di milioni di imprese, e protegge a livello mondiale centinaia di miliardi di euro di crediti commerciali. Le assicurazioni non eliminano il rischio: lo misurano, lo prezzano e lo distribuiscono. Il loro obiettivo è che, nel tempo, i premi raccolti coprano:
- i sinistri (indennizzi pagati),
- i costi operativi,
- e lascino un margine di profitto. Indicatore chiave: loss ratio (perdite / premi). Un valore “sano” è intorno al 60%: significa che il 60% dei premi va a coprire i sinistri, il resto copre costi e margine. Se la loss ratio sale troppo, il modello di rischio “salta”. Decisioni di rischio: il caso della limit request Esempio tipico: Ferrero chiede di vendere a Esselunga per 1 milione di euro a 90 giorni. Allianz Trade deve decidere:
- Se prendere il rischio (sì/no).
- Fino a quale importo coprirlo (ad es. fino a 500.000 €, 1M, 10M…).
- A quale premio assicurativo. Per decidere:
- Raccoglie dati di bilancio e di pagamento del buyer (Es. Esselunga e clienti simili).
- Li inserisce in un modello di machine learning che stima la probabilità di insolvenza a 12 mesi.
- Questa probabilità viene tradotta in un rating / grade (da molto buono a molto rischioso).
- Il grade guida la decisione sul limite di credito e sul prezzo, insieme ad altre considerazioni di portafoglio (quanto siamo già esposti a quella controparte, a quel settore, a quell’area geografica, ecc.). Allianz non solo paga se il buyer non paga, ma aiuta anche il seller a prevenire il sinistro , dicendogli per esempio:
- “Con questa azienda vai bene fino a 100.000 € di esposizione, oltre è rischioso.”
- “Questo nuovo cliente ha un rating basso: meglio non spingere troppo.” Il ruolo dei dati nel business assicurativo Il core business è la gestione del rischio tramite informazioni. Tutto è data-driven:
- Ogni giorno vengono prese migliaia di decisioni: Possiamo accettare questo rischio? Fino a che limite? A che prezzo?
- Le decisioni si basano su: Dati amministrativi e anagrafici delle aziende. Bilanci e indicatori finanziari. Storico dei sinistri e dei pagamenti. Informazioni di polizza (coperture, limiti, condizioni). Dati su incassi, fatture, recupero crediti.
Gli esperti umani (underwriter, analisti credito) restano centrali, ma sono supportati da strumenti di data science che aumentano velocità, coerenza e capacità predittiva. Da regole deterministiche al machine learning Storicamente si usavano sistemi deterministici :
- regole del tipo “SE rating = 3 E settore = costruzioni ALLORA limite massimo = X”.
- Sono chiari, interpretabili e stabili, ma rigidi e poco flessibili ai casi borderline. Con l’aumento della quantità di dati e della capacità di calcolo, Allianz Trade ha introdotto modelli di machine learning :
- Lavorano bene su dati strutturati.
- Sono più flessibili di un semplice “if–then–else”: imparano schemi complessi dai dati.
- Se progettati bene, restano interpretabili (a differenza dei modelli più “black box”).
- Permettono di automatizzare molte più decisioni rispetto al passato (dal ~50% delle decisioni automatizzate a valori più alti). In alcuni casi il modello è stato addestrato direttamente sulle decisioni storiche dei migliori underwriter (“underwriter ideale”), in modo da replicarne le logiche in modo consistente su migliaia di casi. Evoluzione dell’AI: ML, Deep Learning, Generative AI
- Machine Learning (predittivo) Efficiente con dati strutturati. Modelli abbastanza stabili e più facili da spiegare. Ideale per compiti come rating, pricing, previsione di insolvenza.
- Deep Learning (predittivo, ma più complesso) Coglie pattern molto complessi, funziona bene con dati non strutturati (testi lunghi, immagini, segnali). “Affamato” di dati. Più difficile da interpretare (black box).
- Generative AI Produce testi, sintesi, documenti, contenuti “nuovi” coerenti con il contesto. Supporta ragionamento e interazione (chatbot, assistenti). Meno stabile e meno trasparente, con maggiori problemi di controllo, affidabilità e costi. In un’azienda assicurativa serve sempre trovare equilibrio tra potenza del modello e necessità di spiegare perché una decisione è stata presa (compliance, regolatori, clienti interni). Capire il contesto dei dati e i principali bias : I dati non esistono nel vuoto: vanno sempre letti dentro un contesto. Gli errori tipici sono:
- Overfitting Modello che “impara a memoria” il dataset di training. Esempio: nel database ci sono poche aziende farmaceutiche e tutte molto solide; il modello impara che “farmaceutico = sempre sicuro”, senza avere abbastanza osservazioni per generalizzare.
- Confirmation bias Costruire KPI e grafici solo per confermare quello che vogliamo credere. Guardare i dati sempre dallo stesso punto di vista, ignorando quelli che contraddicono la nostra ipotesi.
- Correlazione vs causalità Confondere correlazioni spuri (es. vendite di gelati e attacchi di squali crescono entrambe d’estate) con relazioni causa-effetto. Senza considerare fattori esterni (stagioni, cicli economici, cambi normativi) rischiamo di prendere decisioni sbagliate.
- Ignorare outlier e segnali “strani” Gli outlier possono segnalare problemi, frodi, cambi di regime. Vanno analizzati, non eliminati “automaticamente”. Survivorship bias: vedere solo ciò che sopravvive : Esempio classico: nella Seconda Guerra Mondiale gli ingegneri studiavano i bombardieri rientrati alla base, pieni di fori di proiettile. L’idea iniziale era rinforzare le zone più colpite.
In sintesi: tecnologia e AI sono potenti acceleratori, ma la vera differenza la fa la combinazione tra dati di qualità, modelli ben progettati e giudizio umano consapevole. TESTIMONIANZA KPMG: Chi è KPMG e dove lavora KPMG è un network globale di servizi professionali (audit, tax, advisory) presente in oltre 140 paesi, con centinaia di migliaia di professionisti nel mondo. In Italia:
- Età media: ~33 anni (ambiente giovane).
- Oltre 6.500 professionisti.
- Più di 25 uffici: Milano, Roma, Torino, Verona, Padova, Bologna, Firenze, Napoli, ecc. Forte attenzione a temi come:
- Inclusione e diversity.
- Sostenibilità.
- Responsabilità sociale d’impresa. I valori (Integrity, Excellence, For Better, Together, ecc.) servono a guidare comportamenti, decisioni e costruire fiducia verso clienti e dipendenti. Le aree di business e il ruolo dell’Advisory Nel network KPMG ci sono diverse “anime”:
- Audit= revisione contabile dei bilanci.
- Tax & Legal (Studio associato): avvocati e fiscalisti.
- Advisory – la parte consulenziale, dove si colloca l’intervento di oggi: Management Consulting Risk Consulting Deal Advisory Altre unit come Lighthouse (dati/AI), CIO Advisory, ecc. All’interno di Management Consulting, i relatori appartengono al team Financial & Performance Management (F&PM) , che si occupa di:
- Finanza e controllo (budget, forecast, profittabilità, closing).
- Digital & data transformation in area Finance.
- Implementazione di soluzioni EPM (Enterprise Performance Management) e sistemi informativi a supporto delle decisioni. **Perché le aziende chiamano i consulenti (e perché KPMG)
- Competenze multidisciplinari** Le aziende potrebbero, in teoria, fare tutto da sole… ma spesso mancano: Competenze sufficientemente ampie e aggiornate per progetti complessi: o Esperienza cross–industry (vedono soluzioni usate in settori diversi). o Specializzazioni verticali (Finance, Operations, Technology, Data, Change Management…). o Metodologie e best practice internazionali sempre aggiornate. Capacità di: o Tradurre problemi tecnici in soluzioni chiare per il management. o Portare benchmark e confronti con i competitor (“cosa fanno gli altri?”). - Bandwidth: forza lavoro e tempo In azienda, le persone chiave sono occupate con il day–by–day : chiusure mensili, report, attività operative. Non si può “staccare” tutto il team Finance per un progetto strategico di 6–12 mesi. KPMG porta: o Un team dedicato che può lavorare full-time sul progetto. o Capacità di scalare velocemente (più risorse all’occorrenza). o Continuità anche se in azienda c’è turnover. - Approccio strutturato ai progetti complessi Molte aziende provano da sole, ma si “incagliano” perché manca:
o Una metodologia chiara. o Una scomposizione in fasi, deliverable, responsabilità. KPMG porta: o Roadmap strutturate, con fasi, milestone, deliverable, criteri di successo. o Metodologie (Agile, Waterfall, PMO, governance ibrida). o Gestione del rischio, allineamento stakeholder, comitati di progetto. Management Consulting & F&PM: cosa fanno Management Consulting si occupa di:
- Ridisegnare processi e modelli organizzativi.
- Migliorare performance, costi, efficienza.
- Supportare trasformazioni digitali (nuovi sistemi, dati, analytics). Nel team Financial & Performance Management (F&PM) :
- Focus su funzioni Finance e Controllo di Gestione.
- Progetti tipici: Ridisegno del modello di pianificazione (budget, forecast, piano strategico). Modello di profittabilità (per prodotto, cliente, mercato…). Chiusura & consolidamento (gestionale e civilistico). Architettura EPM e data integration (ERP, data warehouse, BI, EPM).
- Forte componente tecnologica: uso e implementazione di piattaforme come Oracle, SAP Analytics Cloud, Board, strumenti di data visualization, data lake, ecc. Recruiting, cosa cercano e cosa offrono Cercano: persone motivate a iniziare in consulenza, flessibilità, curiosità, voglia di “mettere le mani in pasta”. Nessun “profilo perfetto” unico: interessa l’attitudine a imparare, collaborare, comunicare. Offrono
- Stage (curriculare o extra–curriculare) di 3 mesi, molto formativo, quasi sempre finalizzato all’assunzione.
- Percorsi di formazione: Tecnica (tool, metodologie, processi Finance). Soft skills (presentazione, teamwork, gestione cliente).
- Tutoring : Un tutor (più senior, di solito manager) che segue il percorso a medio periodo. Un buddy (junior con 1 anno di esperienza) che aiuta nelle cose pratiche di tutti i giorni.
- Eventi di networking e onboarding (due giorni fuori ufficio per conoscere colleghi e realtà KPMG).
- Possibilità di esperienze internazionali tramite programmi di mobility, se si hanno buone performance e il giusto livello di seniority. Percorso di carriera in KPMG: il percorso tipico (semplificato):
- Stage (3 mesi).
- Assunzione come Junior (Consultant): Consultant 1, Consultant 2.
- Senior Consultant (1, 2).
- Assistant Manager (1, 2).
- Manager , poi Senior Manager.
- Partner (i partner sono di fatto co–proprietari, hanno quote della società). Caratteristiche:
- La crescita è rapida , ma non automatica: Ogni anno ci sono obiettivi quantitativi e qualitativi. Si fa performance review con il performance manager.
- Le tempistiche si allungano man mano che si sale (più responsabilità, non solo tecniche). Metodologia di progetto: il Value Delivery Framework (VDF) Per i progetti di trasformazione (es. Finance & EPM), KPMG usa un framework standard: VDF – Value Delivery Framework , articolato in 5 fasi principali :
- SET UP – Project Set Up
Strato EPM (pianificazione, consolidamento, profittabilità). Strato BI / data visualization.
- Si definisce una roadmap pluriennale: Stream di progetto (es. planning, cash flow, consolidation…). Go–live tecnici e funzionali. Priorità in base a impatto e complessità. Select & Design: Business Blueprint e Software Selection a) Business Blueprint Documento che dettaglia il modello futuro e guida l’implementazione, includendo :
- Modello multidimensionale.
- Gestione anagrafiche (master data).
- Processi (fasi di budget, forecast, consolidamento…).
- Regole di calcolo, allocazioni, logiche di inizializzazione.
- Maschere di inserimento, workflow e autorizzazioni.
- Reporting (tabelle, grafici, KPI).
- Architettura IT dettagliata e flussi “source–to–target”. b) Software Selection Percorso tipico:
- Validazione dei requisiti e dell’architettura target.
- Definizione dei criteri di valutazione.
- Shortlist di vendor EPM/BI da analizzare (sulla base anche dei “Magic Quadrant” di mercato).
- Organizzazione demo e sessioni di approfondimento.
- Scorecard di valutazione (funzionalità, tecnologia, costi, aspetti contrattuali).
- Analisi comparativa dei costi (TCO, licensing per tipo di utente, ambienti, training).
- Selezione finale del vendor e del modello di implementazione. Criteri considerati:
- Accuratezza e affidabilità dei dati.
- Automazione e integrazione.
- Usabilità per utenti business.
- Governance e sicurezza.
- Flessibilità e scalabilità.
- Tempi e costi di implementazione. Development: implementazione e approccio Agile Nella fase di Development :
- Si configurano: Data model, regole di calcolo, form di input, report, interfacce, ecc.
- Si eseguono: Unit test e integration test. UAT (User Acceptance Test) con gli utenti chiave.
- Si fa fine–tuning e formazione, poi go–live. Spesso si usa un approccio Agile :
- Il lavoro è suddiviso in sprint (es. 3 settimane) su temi specifici: Sprint flussi inbound. Sprint top line budget & forecast. Sprint costi di plant & margine. Sprint OPEX & costi centrali. Sprint flussi outbound, ecc.
- Ogni sprint include: Analisi tecnico–funzionale. Sviluppo. UAT.
- Benefici: riduzione time–to–market, maggiore flessibilità, maggiore coinvolgimento del business. Evolve: change management e adozione Dopo il go–live, il lavoro non è finito:
- Supporto post go–live agli utenti (uso quotidiano del nuovo strumento).
- Monitoraggio performance dello strumento e dell’utilizzo reale.
- Documentazione tecnica e passaggio di consegne al team che gestirà la manutenzione (interno o esterno). Change Management è cruciale:
- Tutti i progetti di trasformazione incontrano resistenza al cambiamento : Persone abituate a Excel o processi storici. Sovrapposizione con altre iniziative (S/4HANA, nuovi data lake, ecc.).
- Si lavora su: Sponsorship della leadership (CFO, responsabili di funzione). Allineamento ruoli e responsabilità (RACI). Comunicazione chiara del “perché” del cambiamento. Training strutturato e creazione di “super users”. Si misurano KPI come:
- Percentuale utenti attivi sul nuovo tool.
- Percentuale di caricamenti automatici riusciti.
- Rispetto delle scadenze di budget/forecast.
- Scostamenti tra vecchi sistemi e nuovi.
- Livello di soddisfazione e feedback delle persone.
- da un lato i clienti (titolari di carta),
- dall’altro i merchant (esercenti, catene, brand) che offrono sconti e cashback. Come funziona:
- Il cliente usa l’ app (oggi integrata nell’app unica “P” di Poste Italiane): vede su mappa gli esercizi convenzionati che offrono cashback, clicca e vede le condizioni (percentuale, eventuali vincoli di giorno/ora).
- Non servono codici o coupon: il cliente paga con Postepay, entro pochi giorni lavorativi riceve il cashback direttamente sulla carta. Dietro questa apparente semplicità ci sono:
- 40–50 persone tra data analyst, data scientist, marketing, IT…
- modelli che: segmentano i clienti, definiscono chi proporre a quale merchant, personalizzano le offerte e la visualizzazione in app. Continuous marketing & personalizzazione
- La “macchina del marketing” è sempre accesa: Trigger/eventi (es. compleanno) fanno partire campagne automatiche. La mappa in app è personalizzata: o chi viaggia molto vede più partner travel, o chi è appassionato di food vede più offerte legate a ristoranti, borghi gourmet, ecc.
- Si lavora sempre in equilibrio tra: massimizzare la rilevanza dell’offerta, ridurre invasività e overload di messaggi. Un programma di loyalty “a due facce” Il programma è una vera piattaforma di connessione :
- Lato clienti : 29 milioni di carte, ~20 milioni di clienti unici. Circa miliardi di euro di cashback erogato ogni anno. Il cashback aiuta il risparmio e genera valore percepito senza costi aggiuntivi per il cliente (pagato dai partner).
- Lato aziende/merchant : Vogliono acquisire clienti e aumentare lo scontrino medio. Sono disposte a retrocedere una parte del margine (cashback) a chi porta clienti. Postepay offre: o visibilità (vetrina in app, campagne dedicate), o dati e insight su spesa e comportamento, o in alcuni casi anche altri servizi (POS, welfare, logistica, ecc.). Esempi:
- ENI : main partner, grande programma di loyalty carburante + pagamenti.
- Conad (Nord Ovest) : ~30.000 nuovi clienti portati da Postepay, monitoraggio della spesa nei 12–24 mesi, campagne mirate a far crescere la frequenza di acquisto.
- Airbnb : campagne di cashback targettizzate, discussioni con il partner su chi includere (solo chi spende già su Airbnb? o anche chi spende in travel altrove?). L’app “P” e la “connecting platform” Poste ha lanciato l’app unica “P” (Poste Italiane):
- Unifica: app Postepay, app BancoPosta, app per servizi postali (raccomandate, pacchi, appuntamenti).
- Dentro l’app ci sono: banking, payments, insurance, energia (luce e gas), telefonia (postemobile), fibra, loyalty & cashback. Nel piano industriale di Poste (2022–2025) il concetto chiave è la Connecting Platform :
- Collegare bisogni di spesa e risparmio dei clienti con le esigenze delle aziende partner.
- Esempio: iniziativa sul fresh (prodotti freschi): piattaforma per aziende del settore, bundle di servizi: o accettazione pagamenti Postepay, o logistica (corriere dedicato al fresco), o loyalty (visibilità in ScontiPoste e cashback). Misurare la loyalty: KPI e ritorno economico Un programma di loyalty si valuta su:
- Aumento del comportamento desiderato : più transazioni, scontrino medio più alto, spostamento di spesa da competitor al partner.
- Riduzione del churn : meno clienti che abbandonano (chiudono la carta, smettono di usarla). Per le campagne co-branded (es. con Airbnb, ENI, Conad) si analizzano:
- quanti clienti nuovi ha portato il programma,
- come è cambiata la spesa nel tempo,
- quali segmenti rispondono meglio,
- il confronto tra chi spende su un brand e chi spende sui competitor. Tutto questo è sempre legato a logiche di ROI :
- Fase di acquisizione : il costo per acquisire un cliente può essere alto (150–300 € o più, per alcune banche digitali). bisogna stimare con attenzione il lifetime value (LTV) del cliente per capire quanto investire.
- Fase di loyalty : anche la retention ha un costo (cashback, campagne, sconti, persone). serve capire se il programma genera più ricavi aggiuntivi (più utilizzo, più durata) rispetto al costo. In sintesi: ogni iniziativa (nuovo prodotto, campagna acquisizione, azione di loyalty) va valutata in ottica costo–beneficio e ritorno sull’investimento , basandosi sui dati. Le vere sfide: dati organizzati e processi automatizzati Il relatore insiste su un punto chiave: “Avere il modello di AI più avanzato non serve a nulla se l’azienda non ha i dati organizzati e processi automatici.” Problemi tipici:
- Dati sparsi in tanti sistemi e dipartimenti, non integrati.
- Nessuna figura che abbia una vera visione enterprise del dato.
- Processi manuali: per ogni campagna bisogna “ricominciare da zero”, estrazioni ad hoc, modelli ad hoc, segmentazioni ad hoc… Obiettivo:
- Automatizzare la catena :
- Raccolta e integrazione dati.
- Analisi e modello predittivo.
- Attivazione su canali (app, email, push, POS…).
- Ritorno dei dati (risposte dei clienti) dentro il sistema.
- Solo così si può fare vero continuous marketing scalabile. Tecnologia sì, ma l’umano resta centrale Le macchine e l’AI faranno sempre più: analisi tecniche, scrittura di mail, sintesi di documenti, elaborazioni su Excel, ecc. Fra qualche anno, molte skill tecniche di base non saranno più un elemento distintivo. Quello che farà la differenza sarà:
- Intelligenza relazionale :
sistemi ad alto rischio , che richiedono trasparenza, sicurezza e supervisione umana sistemi vietati Questa normativa ha un impatto diretto sulle aziende europee, che devono adattarsi a obblighi molto stringenti. Non sorprende che alcune imprese tecnologiche stiano investendo anche fuori dall’Europa, dove i vincoli sono minori. L’importanza dei dati Secondo i relatori, tutto parte dal dato : il dato interno racconta il passato; quello esterno spiega il contesto e spesso non è strutturato (articoli, immagini, social, eventi, ecc.). L’AI serve anche a estrarre informazioni utili dai dati esterni non strutturati, integrandole con i dati storici. Il vero valore è quando questi modelli non si limitano a descrivere ciò che accade, ma suggeriscono decisioni supportando attività come investimenti, pianificazione, pricing e gestione del rischio. Casi d’uso – Retail & Enterprise In un’azienda industriale tipica troviamo diversi livelli di pianificazione: la pianificazione strategica e tattica, poi l’esecuzione, e infine la distribuzione del prodotto finito. Deda.AI interviene in tutte queste fasi attraverso algoritmi che imparano dal passato e producono output ottimizzati. Il valore fondamentale dell’AI è che migliora la qualità delle decisioni di business, con effetti diretti su ricavi, costi, tempi e sostenibilità. Le aziende adottano questi sistemi perché hanno un impatto concreto e misurabile. Caso d’uso: previsione della domanda nel lusso Un caso citato riguarda un grande luxury retailer , che vende prodotti con volumi molto variabili e spesso bassi in ogni punto vendita. Questo rende difficile fare previsioni accurate. Inoltre molti prodotti sono nuovi e non hanno uno storico: i modelli tradizionali di machine learning farebbero fatica a prevederne la domanda. Qui entra in gioco il deep learning , che attraverso reti neurali profonde riesce a cogliere correlazioni e similarità tra prodotti nuovi e prodotti storici. Per esempio, vengono analizzate le immagini dei prodotti : il modello individua attributi come forma, materiale, colore, stile e li confronta con quelli dei prodotti passati per stimare la possibile domanda. Un elemento chiave è l’ accuratezza della previsione , ossia quanto la stima è vicina alla realtà. Maggiore accuratezza → decisioni migliori su acquisti, produzione, distribuzione. Machine Learning e Deep Learning Sono stati chiariti alcuni concetti: Machine learning : categoria generale dei modelli che apprendono correlazioni dai dati. Deep learning : sottoinsieme con architetture più profonde e stratificate (layers), capace di cogliere pattern più complessi. È particolarmente utile quando i dati sono tanti oppure quando bisogna estrarre informazione da immagini, testi, audio, ecc. In sintesi, si usa il deep learning quando bisogna capire perché certi prodotti vendono e usare quelle caratteristiche per prevedere la performance di prodotti nuovi. PRESENTAZIONE CREDEM
Questa presentazione si colloca nel contesto del settore bancario e finanziario e nasce dall’esperienza di una grande banca come il Gruppo CREDEM, che opera in un ambiente fortemente regolamentato e sottoposto alla vigilanza delle autorità nazionali ed europee. In questo scenario, il punto di partenza è il ruolo della funzione di Compliance, che rappresenta uno dei presìdi fondamentali per garantire la solidità, la reputazione e la sostenibilità dell’istituto nel tempo. La funzione di Compliance è una funzione di controllo di secondo livello, posta a supporto degli organi aziendali, con il compito di presidiare il rischio di non conformità, cioè il rischio di sanzioni, perdite economiche o danni reputazionali derivanti dalla violazione di leggi, regolamenti, disposizioni delle autorità di vigilanza o norme interne. In concreto, la Compliance non si limita a “controllare il rispetto delle regole”, ma governa le novità normative, interpreta le disposizioni, supporta il business nella progettazione di prodotti e processi, fornisce pareri su iniziative e progetti, svolge controlli ex post e promuove una cultura aziendale orientata alla correttezza e alla responsabilità. Su queste basi si innesta il tema del perché esistano le norme. La presentazione richiama il contesto storico e gli effetti della crisi finanziaria del 2008, che hanno evidenziato come l’assenza di controlli adeguati e di una gestione consapevole dei rischi possa produrre effetti sistemici molto gravi. Le norme, quindi, non sono viste come un ostacolo all’operatività, ma come uno strumento di tutela per i clienti, per il mercato e per la stabilità dell’intero sistema finanziario. All’interno di questo quadro regolamentato entra in gioco l’Intelligenza Artificiale. Prima ancora di affrontarne gli utilizzi, la presentazione chiarisce che cosa si intenda realmente per IA e, soprattutto, che cosa non lo sia. Non tutte le automazioni sono Intelligenza Artificiale: l’IA è un sistema che apprende dai dati, riconosce schemi e modelli e genera output sulla base di probabilità, ma non “comprende” il contesto come un essere umano e non agisce in modo responsabile o consapevole. Questo chiarimento è essenziale per evitare approcci ingenui o eccessivamente fiduciosi verso la tecnologia. Il passaggio successivo riguarda il quadro normativo, dominato dall’Artificial Intelligence Act, la prima disciplina organica sull’Intelligenza Artificiale a livello europeo. L’AI Act introduce un approccio basato sul rischio, imponendo requisiti sempre più stringenti per i sistemi di IA man mano che aumenta il loro impatto sui diritti delle persone e sui processi decisionali. Governance, qualità dei dati, trasparenza, tracciabilità, supervisione umana e gestione dei rischi diventano elementi centrali, e chiamano direttamente in causa la funzione di Compliance. È qui che emerge con forza il doppio ruolo della Compliance rispetto all’Intelligenza Artificiale. Da un lato, la Compliance agisce come controllore: valida ex ante le soluzioni di IA adottate in azienda, verificandone la conformità all’AI Act, alla normativa privacy, alle regole IT e ai principi etici e di non discriminazione, e svolge controlli ex post sull’effettivo funzionamento dei sistemi. Dall’altro lato, però, la Compliance è anche utilizzatrice della tecnologia e sperimenta direttamente l’uso dell’IA per migliorare l’efficienza e la qualità dei propri processi interni. La presentazione porta esempi concreti di questi utilizzi: dall’intercettazione e analisi delle novità normative, alla sintesi dei report per gli organi aziendali, dal supporto al brainstorming per il Compliance Risk Assessment fino all’analisi di reclami o al supporto a decisioni strategiche. Non mancano, volutamente, esempi di sperimentazioni non riuscite, che mettono in evidenza come l’IA richieda dati di qualità, tempo per l’addestramento e competenze adeguate per essere realmente efficace. Il messaggio che emerge è chiaro: l’Intelligenza Artificiale può rappresentare un alleato prezioso per la funzione di Compliance, ma non può sostituirne il giudizio professionale. La competenza umana, la conoscenza del contesto normativo e la capacità di interpretazione restano centrali. La tecnologia evolve rapidamente, gli agenti di IA rappresentano una nuova frontiera, ma il vero cambiamento richiesto è culturale: imparare a usare questi strumenti in modo consapevole, governato e responsabile, senza delegare alla macchina decisioni che restano, in ultima istanza, una responsabilità dell’uomo
