Tecnologia

Credito e valutazione del rischio: come il Coronavirus ha cambiato il ruolo dell’AI

La consapevolezza delle metriche effettivamente significative per la valutazione del rischio e le credit policy associate risultano le metriche da monitorare puntualmente durante un periodo di emergenza sanitaria che vive di continui shock

16 Lug 2020

Milo Faccenda

La situazione di emergenza sanitaria ha portato notevoli cambiamenti nei contesti economico-sociali quotidiani che sono stati travolti da nuovi modelli organizzativi per far fronte alla crisi pandemica.

In particolar modo il comportamento delle persone si è trovato a dover cambiare drasticamente, creando complicazioni economiche per buona parte della popolazione, portando a digitalizzare il lavoro oppure definendo nuove modalità di interazione a distanza.

Chi si trova a dover reagire e a supportare questa nuova normalità è sicuramente il sistema finanziario, dove in primis le banche hanno dovuto affrontare richieste di accesso al credito mai viste prima, dovendo riadattare processi di valutazione dei profili di rischio, così come processi interni e politiche creditizie.

Anche l’intelligenza artificiale (AI) ha dovuto riadattarsi a tale trasformazione, con particolare attenzione alla gestione dei big data e alle applicazioni di data science e machine learning.

Perché l’AI ha dovuto cambiare approccio

Dicembre 2019, il settore del credito è uno dei più evoluti rispetto a motori di scoring e di valutazione del profilo di rischio associato a richieste di valutazione di finanziamenti. Il ruolo dei big data e del machine learning è ormai consolidato come uno degli strumenti a supporto dei tradizionali motori di scoring, dove le nuove tecnologie permettono una continua valutazione di nuovi parametri di rischiosità.

Il temine big data è ormai noto e una continua individuazione delle fonti informative disponibili alla valutazione del rischio delle singole posizioni fa parte del lavoro quotidiano. A partire da queste fonti informative, le tecniche di data science e machine learning si innestano per individuare quali dati siano statisticamente significativi nei diversi processi del credito. Da un’accurata interpretazione delle fonti informative e degli algoritmi, vengono individuate metriche a valore per il business che si innestano prendendo il nome di smart data.

Dall’avvento del Covid-19, invece, questo processo è stato ribaltato. La consapevolezza delle metriche effettivamente significative per la valutazione del rischio e le credit policy associate risultano le metriche da monitorare puntualmente durante un periodo di emergenza sanitaria che vive di continui shock. Cambiano le dinamiche decisionali e i motori di scoring hanno notevoli impatti. Prima di una nuova calibrazione però è necessario che la situazione si stabilizzi, osservando gli impatti delle azioni governative nei confronti dei diversi settori merceologici. Solo durante il passaggio da Fase 1 a Fase 2 si vedono i primi segni di ripresa anche nei settori più in difficoltà, ed ecco che algoritmi di machine learning tornano avere un ruolo di fondamentale importanza. L’applicazione algoritmica aiuta a comprendere se una misura di atipicità e un cambiamento del trend comportamentale sono metriche effettivamente significative per la singola azienda oppure sono risultanze di correlazioni spurie.

Infine, nel percorso che ci accompagna a una nuova normalità si tornerà a integrare nuove fonti dati, sia interne che esterne alla banca (Open Data), verso la messa a terra di un continuo utilizzo dei big data.

Competenze al servizio di un modello in continua evoluzione

Il Covid-19 ha evidenziato un altro aspetto della vita quotidiana che spesso dimentichiamo essere uno dei fattori critici di successo per la buona riuscita delle progettualità: le competenze specialistiche al servizio dei processi decisionali spesso fanno la differenza tra attività di successo e non.

Ecco che nel settore del credito sono emerse sempre di più le figure di data scientist che non si limitavano a una spiccata formazione tecnica e tecnologica, ma soprattutto che sapevano valorizzare un background funzionale sulla conoscenza del business del credito. Questo ha permesso di fare la differenza nell’interpretazione dei numeri, dei trend e degli shock, accelerando la presa di decisioni strategiche di valore.

WEBINAR
WEBINAR - Come trasformare l’esperienza dei clienti e i processi con App e Realtà Aumentata
Intelligenza Artificiale
Marketing

Questa verticalità tecnico-funzionale di competenze, sempre più affermata negli ultimi anni all’interno di tutte le funzioni aziendali è un trend consolidato, e non è un caso che una delle prime business unit ad aver valorizzato l’avvento di queste figure professionali sia quella relativa alla valutazione del rischio di credito, dove storicamente c’è un’attenzione e una presa di decisioni strategiche basate su una cultura aziendale data-driven.

Approccio framework first per affrontare la crisi

La prima fase dell’emergenza coronavirus è stata caratterizzata da una gestione quotidiana della liquidità per le aziende e questo ha notevolmente impattato sui processi creditizi bancari, sia nella definizione di politiche di credito sia per quanto riguarda la gestione operativa dei supporti.

Chi è riuscito a reagire proattivamente a questa situazione è chi, conscio dell’andamento abituale dei propri portafogli, ha impostato una politica di monitoraggio basata su un approccio framework first. Una vista di sintesi fatta di pochi indicatori (ad esempio liquidità netta su EBITDA) per individuare situazioni di anomalia con vista sia per controparte sia di mercato/settore.

Un funnel di monitoraggio strutturato può fare la differenza nel breve, ma soprattutto nel medio lungo termine, dove rappresentare indicatori su anzianità di relazione, trend andamentali di driver comportamentali e garanzie associate alle diverse controparti predispone un patrimonio informativo di grande valore per comprendere lo stabilizzarsi dell’ecosistema economico-finanziario.

Su questo framework i data scientist possono utilizzare le tecniche statistiche inferenziali per comprendere correlazioni nascoste sui dati e valutare dinamiche contestuali con analisi di collinearità, Anova, test di distribuzione sia di mercato che sul passato, indici di concentrazione per settore merceologico ed eventualmente algoritmi statistici supervisionati e non supervisionati.

Alcuni esempi di modelli di AI per la valutazione del credito

L’approccio data-driven è ormai consolidato e nessun istituto di credito può più farne a meno. In una situazione di emergenza sanitaria però bisogna prestare attenzione a utilizzare un approccio agile e riadattarsi a fattori contestuali che facciano porre l’attenzione su situazioni effettivamente anomale e non sui noti “falsi positivi”.

Le possibili applicazioni di intelligenza artificiale che hanno preso vita durante il periodo del coronavirus sono numerose. Di seguito ne vengono presentate tre con obiettivi, metodologie algoritmiche e finalità distinte:

  • individuazione dei comportamenti anomali: si è già ripetuto più volte che gli shock provenienti dalla situazione emergenziale possono portare a considerare come “critica” una situazione contestuale di breve periodo. Per ovviare a questa tipologia di problemi alcuni istituti bancari hanno sfruttato il ricco patrimonio informativo analizzando i principali indicatori comportamentali delle controparti con tecniche di clustering non supervisionato. Queste tecniche hanno l’obiettivo di suddividere la popolazione in gruppi omogenei al loro interno ed eterogenei tra loro, ragionando in termini di distanza dal comportamento medio del singolo gruppo secondo un patrimonio informativo multidimensionale. Per capire al meglio se gli scostamenti dipendessero da situazioni della controparte o da caratteristiche di difficoltà dell’intero settore merceologico, è stato definito un perimetro di partenza che considerasse tutte le controparti di un settore merceologico, comparate con loro stesse sia nei mesi precedenti sia ad un anno di distanza. In questo modo, la tecnica di machine learning non supervisionata è stata in grado di capire quali fossero reali situazioni di atipicità, individuando i comportamenti anomali come quelli distanti dalla media dei gruppi standard.
  • legami di impresa: coobligazioni, garanzie e legali rappresentanti sono alcuni dei possibili legami che ci possono essere tra aziende. Queste relazioni possono essere analizzate in termini di incassi, pagamenti, situazioni creditizie o altro. Per supportare questo tipo di analisi una delle applicazioni più comuni in termini di algoritmi per la data science è la social network analysis. L’utilizzo di grafi permette una rapida analisi delle relazioni tra le imprese, comprendendone gli impatti dinamici rispetto alle situazioni di criticità. Le metriche di descrizione delle reti sono di fondamentale importanza per comprenderne la composizione. Alcuni esempi sono: multiplexity ovvero la forza del legame tra due attori della rete, mutuality ovvero la metrica per la misurazione dello scambio bidirezionale oppure la network centrality ovvero la vicinanza della relazione tra due entità della rete. A partire da queste misure si segmentano le controparti delle reti di impresa al fine di descrivere la popolazione sulle diverse interazioni di interesse.
  • Instant lending: i motori algoritmici per la concessione di finanziamenti istantanei su concetti di prevalidazione dei profili di rischio della popolazione richiedente avevano raggiunto maturità analitiche consistenti per essere considerati soluzioni di valore per l’ecosistema creditizio. L’avvento del Covid-19 ha impattato fortemente questi motori inficiandone i profili di rischio generalizzati su fattori contestuali precedenti alla pandemia. Se oggi, pensare di ristimare tali motori porterebbe a ricircoli ripetuti fino alla stabilità post coronavirus, un’ulteriore opportunità si è generata. Il comportamento digitale delle persone è cambiato portando le abitudini di spesa sui canali digitali. Questo permette alle banche di essere considerate meno “invasive” nella raccolta di informazioni tramite form digitali. L’opportunità di conoscere al meglio il cliente della banca, garantendone la privacy, è oggi più che mai un tema strategico per attuare tecniche di data enrichment e data fusion in contesti di big data.

@RIPRODUZIONE RISERVATA
F
Milo Faccenda

Articolo 1 di 5