Affrontare i rischi legati alle criptovalute, come frodi e riciclaggio. È questo l’obiettivo della soluzione Crypto Sentinel, ideata internamente dal Gruppo Credem per ottenere indicazioni su come migliorare il sistema dei controlli interni, attraverso un metodo innovativo di monitoraggio delle transazioni in valuta virtuale.
«Il progetto si inserisce in un percorso strategico di innovazione che la funzione Internal Audit di Credito Emiliano ha intrapreso per rispondere in modo proattivo alle sfide del nostro settore e all’esigenza di migliorare costantemente le metodologie – racconta Pietro Chierici, Responsabile Audit aree Processi, Analytics e Fraud di Credem. Abbiamo un piano di innovazione a medio termine, volto a creare le condizioni sistemiche affinché soluzioni innovative possano emergere come naturale conseguenza del nostro lavoro. Ma, in un contesto che cambia a una velocità sempre maggiore, per essere davvero efficaci dobbiamo arricchire il nostro tradizionale presidio di controllo “ex-post”, integrandolo con una visione proattiva, in grado di intercettare i rischi emergenti e le opportunità offerte dalle nuove tecnologie. Consolidando inoltre il ruolo strategico della Funzione a supporto degli stakeholder per il raggiungimento degli obiettivi di gruppo».
Il motore di analisi
Elemento principe di “Crypto Sentinel” è stato lo sviluppo del motore di analisi, basato su tecnologie avanzate, dal machine learning al text mining, per riuscire a individuare e mappare tutti i flussi finanziari in criptovalute. L’intera architettura poggia inoltre su cloud, per migliorare le capacità computazionali e ottimizzare l’elaborazione dei dati.
«Questo sistema incrocia le informazioni strutturate, disponibili a livello di sistema, elaborando eventuali segnali di rischio all’interno del nostro più ampio sistema di indicatori di anomalia e segnali di allarme (red flag) – commenta Chierici. È stato sviluppato un database proprietario di IBAN associati agli exchange di criptovalute, che viene costantemente arricchito dall’automatizzazione del modello. Il processo combina diverse tecnologie: attraverso il web scraping controllato si raccolgono informazioni da fonti come il Registro OAM (Organismo degli Agenti e dei Mediatori), Consob e principali piattaforme specializzate. Successivamente, utilizzando due algoritmi di machine learning, sviluppati in codice Python e tecniche di text mining che elaborano il linguaggio naturale per ricavare informazioni significative da grandi quantità di testo non strutturato, viene restituito uno score di probabilità che l’IBAN sia associato a criptovalute. Questi algoritmi predittivi hanno automatizzato l’aggiornamento del database, riducendo significativamente i falsi positivi e aumentando l’efficienza operativa».
Le tappe del progetto
Numerose figure professionali hanno dato vita a questo progetto, lavorando con metodologia agile.
Questo articolo è stato pubblicato sul numero di settembre 2025 di AziendaBanca. Se vuoi ricevere AziendaBanca, puoi abbonarti nel nostro shop.
