La forte discontinuità che la pandemia ha introdotto ormai da oltre un anno in tutto il sistema economico ha messo le banche di fronte alla necessità di ripensare le proprie modalità di gestione del rischio. Se i modelli tradizionali hanno “perso i riferimenti”, grazie alla tecnologia e alla crescente mole di dati a disposizione è diventato possibile individuare nuove strade per valutare il credit scoring in modo che non solo possa rispecchiare la situazione attuale delle imprese, ma che risulti anche più reattivo agli improvvisi cambi di scenario e quindi più attendibile.
Come la pandemia ha cambiato la gestione del rischio
Da sempre la concessione dei crediti si è basata sulle analisi di bilancio e su altre informazioni che fotografano la salute di un’azienda e che vengono aggiornate generalmente ogni tre o sei mesi. La tempesta causata da Covid-19 ha in poche settimane fatto mutare in maniera drastica i bilanci di molte realtà e le rilevazioni effettuate fino a poco prima dello scoppio della pandemia sono diventate presto inutili ai fini di una valutazione del credit scoring, totalmente disallineate con la realtà del momento.
Anche le serie storiche tradizionalmente utilizzate come riferimento per prevedere l’evoluzione di una particolare situazione aziendale, in una logica di continuità, sono di colpo risultate inattendibili a fronte di una situazione senza precedenti e senza riferimenti statistici a cui rifarsi.
Ora che la storia ha un prima e un dopo pandemia, nella gestione del rischio le banche sono chiamate a evolvere affidandosi a nuovi modelli basati, ad esempio, su dati transazionali che indicano come un’impresa sta agendo praticamente in real time, come opera sul proprio conto corrente, le entrate e le uscite e i rapporti con i fornitori. Sono modelli che utilizzano informazioni “fresche” permettendo alle banche di scattare una fotografia aggiornata della situazione, ma non sostituiscono affatto quelli tradizionali bensì li integrano arricchendoli.
Credit scoring più data driven anche grazie all’open banking
I modelli per il calcolo del credit scoring sono sempre stati data driven, con questo passaggio lo diventano ancora di più perché possono attingere a enormi quantità di dati di diversa tipologia rispetto ai precedenti, più attuali e funzionali allo sviluppo di ipotesi sul futuro maggiormente fondate, anche nel post Pandemia dove tutto sembra poco prevedibile. In questa trasformazione del credit scoring non cambia solo il set informativo, ma anche le logiche sottostanti e le metodologie utilizzate, che sfruttano il machine learning e l’intelligenza artificiale per cogliere pienamente il valore delle nuove informazioni raccolte e introdotte nei modelli.
Un ulteriore elemento di novità è stato introdotto negli ultimi anni, meno imprevisto della pandemia, ma che ha provocato una vera e propria rivoluzione nel mondo bancario: la PSD2. Tale direttiva obbliga le banche a condividere le proprie API e i dati dei propri clienti, previo loro consenso, dando vita al fenomeno dell’open banking che rende il settore più aperto, competitivo, sicuro e data driven. In tal senso, ad esempio, grazie all’opzione di account aggregation, le banche, in particolar modo, possono avere accesso alle informazioni su ciò che i loro clienti fanno su tutti i loro conto correnti anche se di diversi istituti bancari. Questo significa passare da una visione parziale a una completa ed è un vantaggio notevole soprattutto per realtà come le fintech o le banche on line, spesso detentrici di conti secondari, che grazie all’open banking si trovano in possesso di una ben maggiore quantità di dati rispetto a prima per tracciare profili e classificare i propri clienti.
Vantaggi della gestione del rischio data driven
Al di là della dimensione del proprio business, il fatto di poter contare su un credit scoring attendibile e preciso porta innumerevoli vantaggi che giustificano lo sforzo tecnologico e organizzativo richiesto per sposare la via dell’innovazione, abbandonando vecchi modelli che da tempo ci hanno accompagnato. Ecco i principali.
- Riduzione del time-to-market: grazie a un processo più snello ed efficiente la “nuova” gestione del rischio permette di fornire risposte in tempi brevi al cliente che richiede una valutazione legata all’erogazione del credito e sarà quindi possibile far avanzare le procedure più celermente.
- Migliore valutazione della controparte: utilizzando un set informativo più ampio e ricco con dei dati “freschi”, si ottiene una segmentazione dei profili di rischio molto più precisa, un vantaggio sia per la banca che per il cliente stesso.
- Ampliamento del business: basandosi su questi modelli innovativi, possono essere sviluppati nuovi e specifici prodotti come instant lending , peer to peer lending, etc.
- Risparmio sui costi di data providing: utilizzata per compiere una prevalutazione prima di reperire sul mercato informazioni a pagamento per la gestione del rischio, questa valutazione con modelli innovativi avanzati serve per identificare subito i soggetti “best” e “worst” e investire in data-providing solo per quelli che richiedono davvero un approfondimento.
I tre passi fondamentali per implementare il nuovo credit scoring
Per adottare i nuovi modelli di valutazione del credit scoring non basta decidere di farlo, ci sono tre azioni da compiere fondamentali per far sì che essi attecchiscano e diano dei risultati concreti.
Prima di tutto serve un cambio culturale che faccia prevalere la voglia e la capacità di affidarsi ai dati e alla loro forza descrittiva e predittiva, consapevoli che non si tratta di abbandonare i modelli usati da sempre ma di integrarli per percorrere nuove strade.
Per farlo con efficacia serve un team multifunzionale da costruire unendo le competenze più inerenti al business, e quindi a modelli di risk management e credit scoring, con quelle di data science e advanced analytics che esulano completamente dal settore in cui li si applica.
Costruito il nuovo modello data driven è essenziale anche inserirlo all’interno della realtà aziendale, nell’architettura informatica e nei processi decisionali che portano all’erogazione del credito in modo che possa essere realmente di supporto al business.
As a service oppure on premise, l’approccio di SDG Group mette sempre al centro i dati e le specifiche esigenze della banca
Ad una banca di grandi dimensioni che si trova di fronte all’opportunità di cambiare modello non mancano i fondi e potrebbe avere anche degli specialisti di data science al proprio interno ma si troverà ad affrontare vincoli architetturali importanti legati a una struttura spesso rigida e tradizionale. In questo caso serve un team di consulenza che affianchi quello interno completandone le competenze e guidando il processo di cambiamento in un continuo confronto per accertarsi che rispetti vincoli, obiettivi e regole della stessa banca.
Al contrario, intermediari finanziari di minori dimensioni /fintech si presentano con meno fondi ma con una maggiore agilità sia progettuale che architetturale che le avvantaggia da questo punto di vista e le porta a optare per un approccio as-a-service con cui demandano all’esterno la realizzazione e la gestione dei modelli e ne comprano i risultati.
SDG Group, specializzata in attività di Business Analytics, Corporate Performance Management e Advanced Business Solution, oggi è in grado di accompagnare entrambe le tipologie di realtà verso nuovo modelli di credit scoring data driven mettendo in campo le competenze che servono nella modalità più consona al grado di flessibilità e di partecipazione del team interno del cliente. Fondamentale nel suo approccio è la logica di integrazione e arricchimento dei modelli e mai di sostituzione e questo vale non solo per il credit scoring ma anche ad esempio per l’early warning. Tali sistemi saranno presto la norma nel settore e le banche che già adesso si muovono in questa direzione otterranno un forte vantaggio competitivo diventando in grado di individuare in maniera anticipatoria, con il maggior grado di accuratezza possibile, quelle situazioni che possono potenzialmente diventare critiche prevenendole o almeno prevedendole.
