L’observability nel Finance permette di dedurre la salute interna e lo stato di un sistema osservando i dati esterni che produce, solitamente raggruppati in log, metriche e tracce.
Ci siamo già occupati in precedenza del concetto di observability come evoluzione degli strumenti tradizionali di monitoring. Il monitoraggio, in altri termini, deve avvenire in maniera proattiva, al fine di evitare che l’insorgere di un problema coincida con l’impossibilità di usufruire di uno o più servizi. Per questo le organizzazioni devono adottare tecnologie che favoriscano l’observability al fine di ridurre al minimo il tempo medio di risoluzione o MTTR (mean time to resolution). In ambito finanziario, questo fabbisogno è dettato soprattutto da una domanda molto esigente da parte dei clienti. Poiché l’accesso ai servizi bancari e finanziari in generale avviene 24 ore su 24, 7 giorni su 7, le aspettative degli utenti non possono essere disattese, tenuto conto che una cattiva customer experience incide molto di più di una customer experience positiva sui livelli di engagement.
Non sono soltanto i clienti finali a guidare l’esigenza dell’observability nel Finance. Anche dall’interno delle stesse organizzazioni finanziarie oggi arriva una richiesta che proviene soprattutto da figure come quelle dei CFO (Chief Financial Officer). Come ha avuto modo di ricordare recentemente Gartner, sempre di più “gli stakeholder richiederanno l’accesso in tempo reale ai dati finanziari e all’analisi avanzata”. In altri termini, poche ore di downtime possono costare milioni in termini di perdite di ricavi sia quando un utente è impossibilitato a operare sul proprio conto corrente, tanto da spingerlo a cambiare banca, sia quando il C-Level di una società finanziaria non può attingere ai dati su cui basa le sue decisioni aziendali. Per garantire una customer experience all’altezza delle aspettative e assicurare ai decisori aziendali l’accesso costante e ininterrotto ai critical data, è necessario riuscire a osservare che cosa sta accadendo in qualsiasi punto di un sistema, per quanto complessa sia la sua architettura.
La difficoltà dell’observability nel Finance deriva dalla crescita esponenziale dei dati sia negli endpoint sia nell’infrastruttura di base dell’architettura dei servizi finanziari. Man mano che l’hosting di rete si sposta verso i punti cloud o edge, la quantità di dati generati si moltiplica e il loro monitoraggio si complica soprattutto a causa del proliferare di componenti da osservare come i microservizi. Un ambiente eterogeneo rischia di rallentare la rilevazione degli incidenti prima che si ripercuotano sull’esperienza degli utenti finali. Le attività di log management, per esempio, devono essere svolte in streaming per essere in grado non solo di accorciare i tempi delle diagnosi, ma anche di introdurre meccanismi di remediation che anticipino l’insorgenza dei problemi. Nel caso dell’observability a supporto del Finance, perciò, la fase di assessment, quando l’istituzione finanziaria si rivolge a un partner con competenze in materia, deve servire a identificare gli SLO (Service level objectives) adatti da monitorare.
Gli SLO possono coincidere, per esempio, con i quattro elaborati nel metodo Google SRE (Site Reliability Engineering), cioè latenza, traffico, errori e saturazione. L’importante è che l’individuazione dei parametri sia associata a un modello efficace di alert. Proprio a motivo della complessità dell’ambiente da monitorare, l’observability nel Finance deve selezionare tra gli indicatori quelli davvero rilevanti a cui abbinare la generazione degli alert. Oltre a vigilare affinché non ci sia un decadimento nell’esperienza del cliente, l’observability assolve a funzioni di sicurezza supplementari rispetto a qualsiasi altro settore economico. Si pensi a quelli inerenti la fraud detection che nel contesto del Fintech deve bloccare qualsiasi comportamento ritenuto anomalo prima che sia troppo tardi. Un compito possibile solo grazie all’automazione che i sistemi di observability nel Finance possono ottenere mediate il ricorso all’intelligenza artificiale. Non si può concepire, infatti, un’observability intesa come monitoraggio proattivo senza l’utilizzo di algoritmi di machine learning applicabili all’intero stack tecnologico della banca o dell’istituto finanziario posto sotto osservazione.