Nell'ambito del data quality management sui dati di vigilanza bancari, la Banca d'Italia trasmette un elevato numero di rilievi sulla qualità delle informazioni ricevute dalle banche italiane con differente periodicità. Questo processo può determinare una conferma o una revisione dei dati precedentemente trasmessi. Il lavoro propone una metodologia innovativa, basata su tecniche di text mining e machine learning, per la gestione automatica delle conferme ai rilievi.
Viene impiegato un modello di classificazione per prevedere se le conferme debbano essere accettate o rifiutate sulla base delle motivazioni fornite dai segnalanti, delle caratteristiche dei controlli violati e del comportamento segnaletico a livello di sistema. L'analisi empirica mostra che la metodologia è in grado di prevedere correttamente le decisioni da intraprendere sui casi di conferme ricorrenti; la performance dell’approccio proposto è paragonabile a quella dei gestori dei dati attualmente impegnati nelle analisi.
