Dati e innovazione digitale: quanto impattano sull’industria finanziaria?

Qual è l'impatto dell'analisi dei dati e dell'innovazione digitale sulla industria finanziaria?

È opinione diffusa che grazie a tecnologie data-driven e innovazione digitale si possano offrire servizi finanziari e assicurativi a costi molto più bassi. Dei guadagni d’efficienza ne beneficerebbe la profittabilità di un’industria proverbialmente poco dinamica (basti dire che è ancora diffuso un linguaggio paleozoico come il Cobol1) e che vive un periodo di grande compressione dei margini. Si avrebbero vantaggi anche in termini di “financial inclusion” e guadagni di produttività in altri settori dell’economia.

Ma quanto è grande il guadagno di produttività legato a innovazione digitale e uso dei dati (i.e., Machine Learning, AI)? Cioè: con modelli operativi perseguibili in tempi accettabili, di quanto stiamo parlando?

Proviamo a fare una mano di conti pensando al wealth management in senso lato, ossia servizi d’investimento, protezione di persone e cose (assicurazione), finanziamenti. L’odierna offerta di banche e gruppi assicurativi, insomma.

Il nostro studio

Immaginiamo una di queste realtà, con il classico modello di business basato su reti di professionisti – consulenti finanziari, private banker, agenti assicurativi. Consideriamo una tecnologia che non rimpiazza i Sapiens, ma consente loro di prendere decisioni meglio e più velocemente, automatizzando alcuni compiti. In pratica una tecnologia che:

  • individua precisamente bisogni ed obiettivi dei clienti dai dati;
  • aiuta a creare il miglior mix personalizzato di prodotti e la Next Best Action;
  • offre automaticamente contenuti, modulistica e reportistica, anch’essi personalizzati;
  • segue il cliente lungo il suo life-cycle, a partire dalla fase d’ingaggio, imparando e adattandosi.

Ora chiediamoci: cosa succede se forniamo all’azienda e alla sua rete questa tecnologia (che, incidentalmente, è il core business di Virtual B)?

Per rispondere, abbiamo innanzitutto raccolto informazioni dai consulenti finanziari sulla loro operatività e la saturazione del loro tempo, sulla quantità e qualità di clienti, su come si preparano ad incontrarli e altre informazioni di processo. Insomma: tempi e metodi. Abbiamo considerato i dati sulla distribuzione della capacità patrimoniale tra i clienti, integrando alcune banche dati. Essendoci varietà nelle risposte e poche certezze a questo mondo, ne è scaturito un modello probabilistico, calibrato sulle informazioni raccolte e sui dati a disposizione, che descrive il processo di gestione della clientela. È fondato sulla Teoria delle Code2, un campo della matematica applicata piuttosto popolare nell’analisi di reti di telecomunicazioni, che si presta anche a rappresentare il servizio di consulenza finanziaria/assicurativa. Simulando il tutto con metodo Monte Carlo e sintetizzando l’informe nube di decine di migliaia di numeri sono emersi fatti interessanti.

I risultati

Se si introduce questa tecnologia su una rete la cui capacità produttiva non è lontana dal punto di saturazione e il software consente un risparmio di tempo significativo, del 35% in media (stima conservativa, basti pensare al tempo occorrente per assemblare una reportistica decente, o studiare il profilo del cliente), il guadagno di produttività, inteso come maggior numero di clienti gestibili è sorprendente: con probabilità superiore al 90%, la capacità di gestire clienti raddoppia. Raddoppia, sì. E qualche volta triplica.

Può stupire che una tecnologia che porta a un risparmio di un terzo circa del tempo porti a più che raddoppiare il numero di clienti gestibili. Al di là del fatto che poche cose viaggiano in linea retta in natura e ancor meno in economia, ciò è tipico di sistemi che presentano inefficienze di processo e “colli di bottiglia”. Ora, il mondo finanziario-assicurativo è un condensato d’inefficienze di processo tanto quanto una stella di neutroni è un condensato di materia. Inoltre data science e customer intelligence vanno a braccetto: ne escono piccoli miracoli.

Comunque, nuovi clienti da servire equivalgono a nuove masse in gestione o a nuova raccolta premi. Ma, visto che i clienti obbediscono a una legge di Pareto come quella del grafico seguente (stimata sulla popolazione reale), dove pochissimi hanno molto e molti hanno poco, probabilmente ciò significa andare a parare su clienti con minore potenziale. Di solito consulenti e agenti si concentrano sul top 20% del bacino di clienti, sicché parliamo del restante 80%.

 

Come sono distribuiti gli AuM tra i clienti

 

Concentriamoci per semplicità di calcolo sui prodotti d’investimento, e valutiamo l’incremento annuo di AuM associato ai nuovi clienti, riportato nel grafico seguente: nel 90% dei casi simulati l’incremento di AuM si colloca tra il 20% e il 46%, con una mediana del 33%. Lo stesso incremento è atteso sulle commissioni, se si ipotizza che non cambino granché aumentando il numero di clienti.

 

VB Distribuzione AuM | amCharts

 

Questo risultato è condizionato dall’ipotesi che i nuovi clienti siano tutti più piccoli degli attuali. Tutti. È un’ipotesi iperconservativa, visto che tra i “clienti mignon” si nasconde una quota di clienti ad alto potenziale3. Rilassando quest’ipotesi e ammettendo che alcuni nuovi clienti possano essere dimensionalmente importanti, l’incremento di AuM (e di riflesso quello delle commissioni) migliora sensibilmente e nel 95% è superiore al 40%, con una mediana pari a 80%.

I risultati nel complesso sono paragonabili a stime di tutt’altra natura – ad esempio McKinsey stima4 che gli advanced analytics portino ad un aumento di ricavi compreso tra il 15% e il 60%.

Questo resta un “toy model”, buono per avere una prima rude idea dell’impatto dell’innovazione digitale e della scienza dei dati. È evidente che ci sono altri benefici di drammatica importanza: basta pensare all’aumento della qualità del servizio al cliente – cosa che lo fidelizzerà e porterà ad una crescita del life-time value.

L’abilità consiste nel trovare il giusto modello organizzativo per combinare:

  • tecnologia e uso dei canali digitali – disponibili sempre, con processi paralleli simultanei scalabili;
  • esperienza e professionalità del consulente – disponibile solo in certi momenti, impossibile da utilizzare in modo parallelo e poco/niente scalabile.

Il beneficio è un importante salto in avanti in termini di qualità, produttività e quindi profittabilità.

 


SideKYC® è il software di advanced analytics messo a punto da Virtual B per il wealth management. SideKYC® è in grado di aumentare la produttività grazie a features di profilazione e scoring.
Se vuoi saperne di più, visita la pagina dedicata e contattaci.

Scopri SideKYC®



1 – Wanted at Banks: Young Tech Pros with Old-Tech Smarts, fonte: American Banker
2 – Queueing Theory, autore: Ivo Adan e Jacques Resing
3 – Lo strano caso dei clienti mignon, autore: Raffaele Zenti
4 – Advanced analytics in asset management: Beyond the buzz, fonte: McKinsey & Company