I modelli di credito basati su big data? Valgono 200 milioni

Tra i 100 e i 200 milioni di euro in profitti aggiuntivi. È quello che potrebbe ottenere una banca che gestisce 50 miliardi di euro in asset da piccole e medie imprese se implementasse nuovi modelli decisionali per il credito. Il calcolo lo fa McKinsey nel report “Designing next-generation credit decisioning models”, a firma di Raj Dash, Aleksander Petrov (senior partner dell'ufficio di Londra) e Andreas Kremer, partner a Berlino. Ed è una notizia che dovrebbe far balzare sulla sedia tutti i decisori che all'interno degli istituti di credito non hanno ancora aperto alla tecnologia che rende automatica e più efficiente l'analisi di solvibilità che di prassi si compie prima di concedere credito a qualsiasi individuo o impresa.

Quanto valgono i big data per le banche

Secondo McKinsey infatti le banche che hanno già incorporato modelli avanzati di credit-decisioning nella propria offerta di prestiti digitali hanno registrato un aumento del fatturato del 5-15%. L'utilizzo di modelli in grado di determinare la probabilità di inadempienza dei clienti ha portato a una diminuzione del 20-40% delle perdite sui crediti. E l'utilizzo dei nuovi modelli decisionali per il credito si è tradotto in un aumento di efficienza tra il 20% e il 40%.

Una via obbligata

Ma anche se si volessero ignorare questi innegabili vantaggi, avverte McKinsey, abbracciare questi modelli decisionali è una via obbligata: se in passato l'aggiornamento dei modelli poteva avvenire solo ogni cinque-dieci anni basandosi sulla rendita di posizione dell'avere il dominio dei dati, con l'open banking le informazioni dei clienti sono alla portata di altri player, anche outsider (big tech e fintech) e il vantaggio competitivo originario delle banche rischia di estinguersi.

Le peculiarità dei nuovi modelli decisionali

In cosa sono diversi i nuovi modelli decisionali? Ovviamente nella tecnologia: i big data su cui si basano “consentono alle banche di definire in modo più preciso i parametri creditizi (e patrimoniali) e quindi affinare la loro capacità di approvare i clienti solvibili e rifiutare le proposte di quelli che non lo sono o non possono permettersi ulteriori debiti. In effetti, le banche (e le società fintech) che hanno messo in atto questi nuovi modelli hanno già aumentato i ricavi, ridotto i tassi di perdita di credito e ottenuto significativi guadagni di efficienza grazie a decisioni più precise e automatizzate”. Il Covid ha scoperchiato il vaso di Pandora: quando è stato necessario erogare prestiti cospicui in tempi rapidi i nuovi modelli hanno funzionato bene, mentre i modelli tradizionali hanno faticato.

I dati storici sono inutili, serve un monitoraggio in real time

Infatti, scrive la società di consulenza, “molti modelli di decisione creditizia oggi si basano su dati storici che sono praticamente inutili, in presenza di eventi come quello pandemico”. Si rischia di sbagliare di grosso se “per esempio si assegna un'elevata probabilità di default al settore dell'ospitalità a Londra senza distinguere tra un ristorante che è passato rapidamente a un modello omnicanale (che gestisce il rischio dell'interruzione della supply chain) da uno che non lo ha fatto. A rendere le cose più urgenti è l'incombente ondata di insolvenze aziendali prevista quando i governi inizieranno a ridurre il loro sostegno senza precedenti. Le banche devono identificare rapidamente le società a rischio. In altre parole, l'utilizzo di nuovi modelli di decisione del credito non è solo un modo potente per aumentare i profitti, ma anche un imperativo competitivo business-critical”.

Le best practice per implementare i nuovi modelli di decisione

Allora come si fa? McKinsey ha identificato quattro best practice durante la progettazione di nuovi modelli di decisione del credito per attuare le quali il processo agile “richiede meno di sei mesi, rispetto ai tipici 12-24 mesi”. La prima di queste fasi è l'implementazione di un'architettura modulare, più soft rispetto a un cambiamento radicale della tecnologia legacy e che consente di aggiustare progressivamente il processo procedendo per prove ed errori. E superando le barriere culturali che spesso sono difficili da abbattere. Il secondo passaggio è espandere le fonti di dati, utilizzando fonti anche esterne e non tradizionali. Per esempio i dati transazionali esterni forniscono una visione più completa del cliente attraverso una stima più accurata del reddito. O anche i dati che possono essere tratti dai telefoni mobili, le informazioni condivise sui social, gli acquisti effettuati e così via. Dati che anche in assenza di una storia creditizia ci dicono molto dell'attitudine della persona.

Non solo statistica

Questi dati possono essere usati per estrarre segnali di credito predittivo (e questo è il terzo passaggio). I dati bancari aperti possono essere utilizzati per identificare modelli complessi di spesa e reddito, costruire rendiconti finanziari e di flusso di cassa sintetici, quindi estrarre segnali di credito e identificare nuovi modi per segmentare la base di clienti. E infine, mai sottovalutare il fattore umano: “Machine learning e intelligenza artificiale sono strumenti straordinari – scrive McKinsey - ma i modelli di credito non dovrebbero essere basati esclusivamente su metodi statistici. Per un modello veramente solido e ad alte prestazioni, le banche devono sfruttare le proprie competenze aziendali interne per indentificare buchi nei segnali di credito e quindi convalidarne di nuovi”. Interviste personali e un approccio di affiancamento e consulenza costante al cliente – che sia un individuo o un'impresa - restano fondamentali.
(Articolo comparso sul Magazine We Wealth, numero di febbraio)