I driver dell’innovazione nell’era dell’Open Banking

Il contesto all’interno del quale le banche operano è in forte evoluzione: la regolamentazione sempre più stringente e la forte evoluzione tecnologica impongono ed abilitano un crescente utilizzo ed una migliore gestione dei dati innovativi. In questo scenario, l’Open Banking e le nuove fonti informative innovative aprono alla possibilità di proporre nuovi servizi e prodotti, in grado di rispondere in maniera mirata alle esigenze dell'utente.

Seguendo questa direzione, e cercandone di cogliere le specificità, è possibile individuare due driver fondamentali che di questo percorso, come accennato sopra, ne stanno tracciando la via, ovvero:

Mentre con il primo driver si fa leva sull’utilizzo di tecniche innovative di elaborazione e modellazione dati, che consentono anzitutto di gestire grandi mole di dati ed identificare “pattern” e relazioni complesse, con il secondo driver si pone l’accento sull’analisi e l’integrazione di nuove fonti dato.

Tali driver possono essere utilizzati a supporto di qualunque necessità di analisi e modellazione: modelli di profilazione della clientela, stima della propensione all’acquisto, risk management, etc. supportando quindi i processi di business di diverse aree dell’azienda. L’obiettivo, come facilmente intuibile, è lo sviluppo di modelli in grado di identificare e predire relazioni e fenomeni, che utilizzino la disponibilità di molteplici fonti dati (sia interne Banca che esterne) con un miglior livello di dettaglio delle analisi, attraverso una capacità computazionale che rende possibile la gestione di una maggior quantità di dati, anche non strutturati.

Inoltre, è indubbio che, lo sviluppo e la disponibilità di nuove e integrate fonti di dati unite a soluzioni di real time analytics, ovvero la capacità computazionale di elaborazione delle informazioni in tempo reale, consentano di aprire nuove prospettive di sviluppo anche in termini di ottimizzazione della conoscenza del cliente, centrale per gestire al meglio le varie fasi del credito. La sintesi tra metodologie evolute di modellazione e strumenti digitali permette di sfruttare appieno il patrimonio informativo disponibile con un maggior grado di tempestività ed efficacia.

La scelta di utilizzare tecnologie e fonti innovative deve essere guidata dagli obiettivi strategici che l’organizzazione intende perseguire. Tra le dimensioni da considerare per la definizione di una strategia di gestione innovativa del patrimonio informativo, nel corso delle continue relazioni con i suoi partner, Deloitte ha individuato le seguenti:

Va ricordato che, l’ottimizzazione dei processi creditizi si realizza anche attraverso la scelta di tecnologie in grado di elaborare il maggior numero di informazioni possibili estraibili dalla base dati a disposizione e che, parallelamente, siano in grado di garantire l'aumento del potere discriminante, rispetto ad un modello tradizionale, a fronte di un aumento della complessità del modello stesso. In questo modo, attraverso l’utilizzo di Advance Analytics in grado di migliorare e rendere più efficiente la gestione dei dati, è possibile ridurre l’interpretabilità degli output prodotti dai modelli e contestualmente aumentare la precisione del modello stesso.

Inoltre, l’adozione di tecniche di Advance Analytics in grado di individuare ed elaborare “dati nascosti” che portano ad un aumento delle performance dei modelli sono, come sopra descritto, correlate all’aumento della complessità dei modelli stessi, ma anche ad eventuali bassi livelli di generalizzazione dei dati di apprendimento ai dati invisibili, fenomeno conosciuto come “overfitting” e gestibile attraverso tecniche statistiche (es. cross validation), e situazioni discriminatorie legate a bias algoritmici come descritto in seguito.

L’utilizzo di tecniche avanzate di analisi (advance analytics – es. reti neurali, gradient boost, random forest, etc.), di tecniche di apprendimento automatico (machine learning) e di analisi di fonti pubbliche (OSINT - Open Source Intelligence) contribuiscono a migliorare in maniera sostanziale il potere predittivo dei modelli anche facendo leva su dati innovativi, abilitando la possibilità di includere nei modelli del credito (sia di marketing che di rischio) input da fonti web destrutturate (es. comunicati stampa, news con evidenze negative, recensioni utenti) o altre fonti innovative, anzitutto quelle abilitate dalla PSD2. “Le informazioni - interne ed esterne alla banca - relative alle abitudini e alle tipologie di spesa del consumatore, ai canali di pagamento utilizzati ed altre fonti alternativi come Web, Social & Geo data, sono sempre più integrati all’interno dei modelli utilizzati dagli istituti di credito per valutare il merito creditizio delle controparti. Tali dati possono essere prodotti internamente, acquisiti «grezzi» dai singoli produttori oppure già aggregati ed elaborati da data provider specializzati che, oltre a fornire molteplici tipologie di dati combinati, forniscono anche la possibilità di ottenere score aggregati pre-elaborati” spiega Fabio Luca Crepaldi partner Deloitte della Service Line Credit Risk Management.

Nell’era dei Big Data, in cui l’informazione è considerata il nuovo oro nero, la conoscenza dettagliata della propria clientela gioca un fattore chiave per consentire alle Banche di mantenere e conquistare nuove quote di mercato, ottimizzando i margini aziendali. Le nuove tecnologie non sono tuttavia esenti da rischi: risolvere i pregiudizi (bias) generati dall’utilizzo di modelli sviluppati con tecniche di Intelligenza Artificiale – ad esempio l’introduzione di algoritmi che introducano discriminazioni incostituzionali (es. minoranze etniche, donne, poveri) è una delle sfide, risolvibili, che risk manager e le istituzioni stanno affrontando.

In questa direzione, un possibile approccio, un passo avanti nella gestione dei bias, potrebbe essere l’inclusione del concetto di diversità nelle fasi iniziali di un qualsiasi processo o progetto all’interno dell’Intelligenza Artificiale. Si può anche andare indietro nel tempo fino a incoraggiare la diversità nelle istituzioni accademiche, ma anche nelle società stesse. L’educazione all’etica all’interno delle aziende e dell’organizzazione è una delle soluzioni per ridurre il pregiudizio degli algoritmi. Educare alle differenze culturali e agli stili di vita diversi può creare una consapevolezza di taluni “gruppi” all’interno della società che potrebbero essere stati trascurati o addirittura non considerati.

In conclusione, quando gli istituti di credito devono affrontare nuove sfide, cambiamenti nei requisiti di conformità alle normative e rispondere con efficienza alle richieste dei clienti, la loro stessa sopravvivenza è funzione dalla capacità di raccogliere nuove informazioni rilevanti da tutte le fonti dati a loro disposizione. L’utilizzo di fonti dati innovative abilitato dall’utilizzo di nuove tecnologie è, in tal senso, in grado di generare notevoli benefici per gli Istituti bancari che possono fare leva su una migliore profilazione del cliente, in un ampliamento del portafoglio commerciale o più semplicemente in una più adeguata “customer experience” da parte del cliente grazie ai modelli commerciali digitali e automatizzati e, non da ultimo, la generazione di una  fiducia crescente in un brand che si rinnova puntando ad un approccio smart, seppur semplice. Occorre, dunque, che ogni banca si doti di professionisti in grado di leggere e interpretare i dati e di gestire il rapporto con la propria clientela.

Tuttavia è bene sottolineare come le nuove tecnologie offrono benefici esponenziali alle aziende che sfruttano con successo il loro potere, ma se implementate senza salvaguardie etiche, possono anche danneggiare la reputazione di un'azienda e le prestazioni future. Per gestire i rischi e capitalizzare i benefici derivanti dall’adozione di nuove tecnologie è importante implementare un modello che abbia caratteristiche di trasparenza, di imparzialità, che sia affidabile e robusto, che sia sicuro e protetto, responsabile e che sia rispettoso delle norme inerenti alla privacy.

Siamo insomma sempre più una società guidata da algoritmi, che hanno cambiato e cambieranno ancora la storia dell’uomo, ma un algoritmo non è di per sé etico o responsabile, è necessario quindi definire i giusti presidi per assicurarci che l’utilizzo delle nuove tecnologie consenta il perseguimento di obiettivi e strategie in linea con i concetti di responsabilità sociale, elemento sempre più al centro dei modelli di business dei nostri clienti. L’etica è un elemento imprescindibile che va sempre garantito all’interno di qualsiasi algoritmo che punti ad apportare benefici alla società a cui apparteniamo.

 

     

* Filippo Finocchiaro e Fabio Luca Crepaldi sono Partner – Deloitte Risk Advisory