AI e investimenti ESG: iper-personalizzazione e scelte sostenibili nel wealth management

Inutile negare la presenza di un’onda ESG. Va però detto anche che non tutti i risparmiatori sono a conoscenza del potenziale di ritorno degli investimenti sostenibili e faticano a vederne i vantaggi finanziari, al di là del bene che possono fare al pianeta, alla nostra salute o alla società.

Ecco perché serve l’implementazione di un’azione di comunicazione data driven mirata al coinvolgimento dei clienti nel potenziale di performance ESG.

Come coinvolgere i clienti riflettendo i valori a loro più affini

Non è difficile: i temi della sostenibilità offrono una sconfinata gamma di argomenti per coinvolgere i clienti. Questo anche perché invece di illustrare strategie d’investimento incomprensibili ai più, è possibile parlare di energia pulita, acqua, parità di genere, e via dicendo. Valori che, molto probabilmente, sono già vicini al cuore dei clienti e che possono trovare riflesso nel loro portafoglio. Ne consegue una narrazione molto efficace a supporto dell’azione consulenziale e di collocamento.

Insomma, una grande opportunità che parla al cuore delle persone.

Le normative MiFID e IDD: rischioso affidarsi solo ai questionari

La legge impone a banche e assicurazioni di rilevare attraverso il questionario MiFID o IDD le preferenze di sostenibilità di ciascun cliente attraverso alcune domande. Il problema è che il quadro normativo è complesso, spinoso, e le domande del questionario regolamentare rischiano di oscillare tra due estremi: essere comprensibili ai clienti ma superficiali dal punto di vista normativo e non rispondenti così ai requisiti di Compliance, oppure risultare perfette dal punto di vista della Compliance (sondando PAI, Tassonomia, preferenze E, S, G) ma incomprensibili ai clienti. Quindi resta da capire come pescare nel mare magnum dei prodotti ESG quelli giusti per ciascun cliente, che siano allineati ai suoi valori e al suo DNA finanziario. 

Ed è qui che entrano in gioco la profilazione ESG e l’intelligenza artificiale.

Il passo in avanti: la profilazione ESG data-driven

Capiamo veramente che cosa interessa i clienti: facciamolo a partire dai dati. Individuare le preferenze soggettive dei clienti e i loro valori e comportamenti effettivi ci sembra la cosa più sensata da fare, sicché affidiamo a un algoritmo il compito di “masticare” i dati e individuare il reale profilo di sostenibilità del cliente da una molteplicità di fonti.

Il processo è riassunto nella figura seguente:

In pratica, lavoriamo con dati provenienti da due tipi di fonti:

Open data: open web, social network e basi dati pubbliche sono ricche  di informazioni sui “trending topic”, sul sentiment rispetto a vari argomenti, sull’atteggiamento verso i temi della sostenibilità da parte di vari tipi di “marketing personas”;

I dati “on premise”: i dati di prima mano dell’intermediario, suddivisi in

•    “fatti”, cioè dati relativi a investimenti già effettuati e altri dati di portafoglio;
•    “parole”, cioè dichiarazioni, per esempio le risposte ai questionari regolamentari;
•     dati di natura socio-demografica, culturale ed economica,

Da questi dati, utilizzando tecniche di AI, stimiamo per ciascun cliente diverse metriche di natura numerica.

Possiamo scendere decisamente nel dettaglio, con la stima delle singole sensibilità verso i 17 Obiettivi di Sostenibilità delle Nazioni Unite.

I vantaggi di un approccio data driven

Attraverso tecniche di Machine Learning riusciamo a lavorare in modalità “cross-section”, usando le informazioni relative a gruppi di soggetti che l’algoritmo individua come similari. L’approccio basato sul Bayesian Learning consente di fare un aggiornamento di queste informazioni con i dati specifici del cliente non appena questi si manifestano.

Così il modello impara. E diventa sempre più efficace nel comprendere i valori dei clienti.

Si passa poi alla creazione di contenuti mirati, che possono per esempio assumere la forma di newsletter personalizzate o “Conversation Starter” destinati al consulente finanziario che gestisce la relazione con il cliente. Questo è di enorme aiuto per il consulente.

Dal profilo ESG alla raccomandazione di prodotto

Il profilo di sostenibilità di ciascun cliente si sostanzia dunque in una serie di metriche. Che, raccolte ordinatamente, formano un vettore. Esso integra il vettore descrittivo delle altre caratteristiche del cliente. Ora, rappresentare una persona come un lungo e articolato vettore forse non è romantico, ma di converso risulta assai funzionale, perché per noi anche i prodotti sono rappresentati da vettori. Il che riduce il problema della costruzione della Next Best Action a un problema di “best fit” tra vettori: cerchiamo, all’interno di uno spazio vettoriale molto grande, i prodotti (dei vettori) più vicini ai clienti (anche loro vettori).

Perciò, il private banker, il consulente, l’agente assicurativo si trova come proposta di Next Best Action una lista ordinata di investimenti coerenti con le preferenze ESG di ciascun cliente. L’AI si occupa di selezionare tra le (spesso) migliaia di prodotti possibili quelli più “vicini” al cliente.

Utilizzando le corrette tecniche di ricerca operativa, il risultato soddisfa tutti i requisiti che un intermediario può desiderare: quelli di adeguatezza regolamentare e quelli più sostanziali di business, massimizzando il benessere finanziario del cliente. Il che, sul fronte ESG, significa allineamento di valori tra l’individuo e i suoi investimenti.

I benefici sono molteplici: investendo in qualcosa in cui crede, il cliente tende a estendere il suo orizzonte temporale, è meno sensibile alla performance di breve periodo, il che ha riflessi positivi sulla relazione di lungo termine con chi lo aiuta a gestire il patrimonio. Non è poco.

La soluzione di Virtual B

Se il tema ti incuriosisce, contattaci al link sottostante e scopri come applicare le logiche del Machine Learning ai tuoi processi aziendali.