Nonostante un rallentamento dell’inflazione in certe regioni, il suo impatto sul costo della vita rimane probabilmente rilevante, almeno a breve termine. Di conseguenza, la maggioranza delle banche centrali persiste nel mantenere elevati i tassi di interesse, imponendo così un ulteriore fardello finanziario sui consumatori. Come riportato dall’ultimo Osservatorio sui tassi di interesse di Experian, in Italia i tassi d’interesse dei prestiti personali hanno toccato un massimo del 12,85% a novembre, con un incremento di 1,03 punti percentuali rispetto all’inizio dell’anno. I mutui si sono invece assestati attorno al 4,7%; solo i tassi dei prestiti finalizzati hanno mostrato una tendenza decrescente da aprile, scendendo fino al 7% a novembre.
In questo contesto incerto, gli operatori nei settori finanziario e delle telecomunicazioni devono poter accedere ai più vasti set di dati disponibili e integrare le informazioni creditizie tradizionali con dati non convenzionali. Questa integrazione non deve essere intesa semplicemente come accesso ai dati ma piuttosto come la capacità di scoprire relazioni non lineari tra essi; ciò è possibile solo grazie all’analisi avanzata fornita dall’intelligenza artificiale.
Analytics con funzionalità AI/ML la priorità del futuro
Un recente studio condotto da Forrester Consulting per conto di Experian sulle implicazioni rivoluzionarie dell’AI ha rivelato che quasi quattro senior business leader su cinque (79%) ritengono l’adozione di analytics avanzati con funzionalità di AI/ML una priorità assoluta per il prossimo anno. Nell’ultimo anno, si è registrato un notevole aumento delle nuove richieste di credito (70% da nuovi clienti e 66% da clienti esistenti) ma anche un incremento significativo delle insolvenze: il 62% degli intervistati ha rilevato un aumento del numero di clienti insolventi e costretti al recupero crediti forzato. Allo stesso tempo, il 65% degli intervistati ha segnalato un aumento dei costi di recupero crediti, mentre uno su due ha rilevato un incremento del livello di crediti irrecuperabili. Molte aziende prevedono che questa situazione rappresenterà probabilmente un ostacolo importante per la valutazione del rischio di credito. Quasi due terzi (65%) anticipano che l’impatto dell’inflazione ridurrà il reddito e causerà un aumento delle insolvenze nei prossimi tre anni.
Una gestione efficace del rischio diventa cruciale per sostenere questi potenziali clienti in questo momento critico: il modo migliore per comprendere e mitigare questo rischio è analizzare una vasta gamma di fonti dati con l’AI/ML.
Valutazione più accurata dell’affidabilità creditizia con l’AI
Comprendere la situazione finanziaria specifica di ogni cliente è essenziale per garantire un accesso al credito responsabile e sostenibile. L’accesso a set di dati alternativi consente una valutazione più accurata dell’affidabilità creditizia, un vantaggio che può essere realizzato solo grazie alle capacità analitiche dell’AI. Per questa ragione, molte aziende nel settore finanziario e delle telecomunicazioni stanno investendo significativamente nei dati di customer insights e nei servizi basati su AI/ML, aree che hanno registrato aumenti di budget anno su anno pari rispettivamente al 46% e al 45% del totale, secondo Experian.
Prendiamo ad esempio i dati sulle abitudini di spesa: attraverso l’open banking, i clienti possono decidere se condividere i dati transazionali relativi ai loro acquisti; un’analisi di questi dati, alimentata dal machine learning, permette alle aziende di migliorare l’accuratezza nella valutazione del rischio di credito, dando al contempo maggiore controllo ai consumatori che desiderano dimostrare una buona gestione finanziaria. Inoltre, il processo di valutazione del credito può avvenire molto più rapidamente rispetto all’underwriting tradizionale ed essere completamente automatizzato, per fornire al cliente una decisione quasi immediata.
Le capacità predittive dell’AI per prevenire il rischio di insolvenza
Oltre alle decisioni sul credito, l’intelligenza artificiale può anche contribuire a identificare in modo precoce e più preciso i segnali d’allarme relativi a potenziali clienti insolventi. Dalla ricerca Experian emerge come la rilevazione delle vulnerabilità attraverso l’uso di alert alimentati dall’IA rappresenta una priorità centrale per il 62% degli intervistati, da colmare nei prossimi tre anni. Utilizzando l’intelligenza artificiale per analizzare dati alternativi, come informazioni estratte dal web, previsioni economiche e analisi della voce dei clienti nelle conversazioni dei call center, le aziende possono identificare e coinvolgere in modo proattivo i clienti prima che entrino nel registro dei debitori. Oltre a tutelare il consumatore, un approccio proattivo di questo tipo può ridurre le perdite di credito per le imprese, in quanto permette di offrire soluzioni di rimodulazione e ristrutturazione personalizzate ai clienti vulnerabili prima che diventino morosi. Si tratta di un vantaggio non indifferente, tanto che il 34% delle aziende intervistate sta già utilizzando l’AI/ML nell’ambito del monitoraggio del portfolio clienti per identificare ritardi nei pagamenti e il 39% prevede di investire in questo settore nei prossimi 12 mesi.
I dati come fattore abilitante dell’AI
Le aziende che intendono investire nell’IA nel prossimo futuro devono assicurarsi di avere accesso a dati sufficienti per alimentare analytics avanzate: il 42% degli intervistati ha dichiarato che la mancanza di dati per la valutazione del merito creditizio dei clienti limita il successo dei loro programmi di analisi. Di conseguenza, il 75% sta dando priorità agli investimenti in nuove fonti di dati per comprendere meglio il rischio e le possibilità di accesso al credito già nell’ambito delle iniziative di onboarding. Il reperimento e la combinazione di una serie di set di dati alternativi stanno consentendo alle organizzazioni di risolvere un problema di lunga data legato alla mancanza di dati.
Tuttavia, un’opzione interessante e relativamente nuova per migliorare l’accuratezza dei modelli è l’uso di dati sintetici creati con l’IA generativa, che possono essere utilizzati per colmare le lacune nei set di dati e per simulare scenari ipotetici di modellazione del rischio. Naturalmente, l’utilizzo dell’IA non può prescindere da metodologie accurate per permettere l’explainability dei modelli e per provare l’eliminazione di “bias”, al fine di garantire l’equità assoluta dei risultati. Anche in questo ambito, è necessario affidarsi a tecnologie e consulenti esperti in grado di implementare meccanismi adeguati e le necessarie garanzie.
