Nel panorama attuale, in cui la corsa delle aziende nell’acquisizione di informazioni si fa sempre più serrata e in cui i dati sono il nuovo petrolio”, gli istituti finanziari si trovano in una situazione di ambiguità. Le banche, infatti, sono tra le aziende che dispongono di un maggior numero di dati (relativi ai clienti, alle operazioni gestite, ai contratti siglati), ma molto spesso ne possiedono più di quanti effettivamente ne utilizzino per migliorare i propri processi o le proprie decisioni. In questo ambito assistiamo infatti ad un proliferare di soluzioni per sfruttare al meglio il patrimonio informativo a disposizione e guadagnare attrattività ed efficienza rispetto alla concorrenza.
Il processo che porta all’utilizzo dei dati per ottenere analisi e suggerimenti utili al miglioramento del business e delle performance commerciali è un percorso complesso. Già nella fase iniziale, quella di raccolta dei dati, ci sono alcuni aspetti che è fondamentale monitorare e definire per non compromettere gli output:
- Bisogna costantemente migliorare la qualità dei dati, ma non esiste la perfezione negli stessi, quindi bisogna analizzarli velocemente e selezionarli di volta in volta.
- Un numero troppo elevato di dati potrebbe essere un’arma a doppio taglio. Un elevata complessità di informazioni può rappresentare una grande ricchezza, in grado di individuare nuove opportunità di business, ma anche un rallentamento e un ampliamento del margine di errore nelle analisi. Spesso si tratta di informazioni ridondanti e quindi poco utili ai fini della banca.
- Per scegliere quali dati acquisire e che tipo di analisi realizzare su di essi è fondamentale partire dai reali bisogni del business e sui relativi processi da ottimizzare.
Per poter utilizzare ed estrapolare dai dati tutte le informazioni necessarie, gli istituti finanziari hanno bisogno di un ampio spettro di Modelli Predittivi e di algoritmi di Intelligenza Artificiale per poter gestire gli ingenti volumi e la grande varietà dei dati. Utilizzare software che mettano a disposizione queste tecnologie necessita inevitabilmente di un supporto a livello tecnico, ma anche il coinvolgimento di una struttura analitica nelle diverse divisioni aziendali. In processi simili, infatti, è fondamentale la collaborazione e la condivisione delle strategie tra i vari team, come data science, marketing, IT, in modo da garantire a di tutti gli interlocutori coinvolti una completa conoscenza dei modelli.
Modelli e Use Case nel Banking
I modelli appena citati possono essere applicati in molteplici ambiti al fine di migliorare l’efficienza e la redditività degli istituti di credito.
Un ambito applicativo può essere l’analisi delle insolvenze dei clienti, in particolare studiando nuove fonti dati, come per esempio la movimentazione di conto corrente, è possibile comprendere meglio i comportamenti e prevedere possibili insolvenze attraverso l’adozione di nuovi parametri di rischio.
Un ulteriore ambito di modellizzazione riguarda il supporto ai gestori, infatti attraverso modelli di clusterizzazione, è possibile fornire un supporto evoluto nella relazione con il cliente, non solo individuando i prodotti più adatti per clienti con specifiche caratteristiche, ma anche definendo il pricing ottimo per ogni prodotto in base alla propensione al consumo e all’elasticità al prezzo dello stesso.
Di questo abbiamo parlato anche in una delle puntate del podcast Thinking Beyond, ascoltala qui Ascolta “Puntata 5 – Banking: l'AI per l'evoluzione del settore” su Spreaker.
I modelli implementati devono essere testati e validati con il supporto dei risultati ottenuti con le prime analisi. Una delle modalità di valutazione più diffusa è quella che prevede la creazione di differenti scenari previsionali o what-if scenari che permettano di prevedere il possibile impatto della variazione di alcuni parametri.
I modelli di AI possono essere molto efficaci quando si ha a disposizione una grande mole di dati da cui è possibile individuare relazioni apparentemente non note tra variabili o fornire particolarmente accurate (di norma, in AI, è ritenuto accettabile un risultato con un’accuratezza non inferiore al 95%). Questi modelli devono però inserirsi nel complesso panorama di un istituto bancario e devono dunque sottostare a rigidi parametri normativi, arrivando spesso a necessitare di una modellizzazione ibrida.
Modelli indeterministici vs deterministici
In quest’ambito trovano larga applicazione strumenti che combinano tecniche di Artificial Intelligence e modelli matematico-statistici, come per esempio modelli lineari generalizzati (GLM) o modelli additivi (GAM), attualmente molto utilizzati dagli istituti finanziari a supporto della definizione del pricing.
I modelli deterministici, cioè quelli che, per semplificare, non contengono elementi aleatori e che, dato un certo valore delle variabili esogene e dei parametri, porteranno sempre allo stesso risultato. Modelli di questo tipo risultano ancora i più accettabili e attraenti per le banche e per gli enti regolatori perché offrono:
- Maggiore trasparenza, consentendo di conoscere a priori natura del risultato;
- Maggiore controllo, attraverso aggiustamenti mirati su una variabile;
- Possibili nuovi scenari attraverso modifiche limitate dei parametri.
Questi modelli, a tendere, saranno sempre di più parallelizzati con modelli di AI indeterministici che consentiranno un’analisi più approfondita del dato e l’individuazione di output in grado di garantire un maggior vantaggio competitivo.
