Data science e machine learning: una miniera d’oro per le istituzioni finanziarie

Financial-Data-Science-e-machine-learning-miniera-oro-delle-istituzioni-finanziarie

L’industria finanziaria ha un grande timore dei giganti della tecnologia: Amazon, Google, Facebook e Apple in testa. Comprensibile. Le Big Tech hanno masse enormi di utenti e li conoscono alla perfezione, grazie alla loro capacità di analizzare i dati. La frontiera della Data Science non è nelle università, ma lì.

Quando decideranno di entrare nel mercato dei risparmi e degli investimenti, sarà battaglia.

Gli intermediari finanziari tradizionali, però, hanno parecchie armi a loro disposizione.

 

Primo vantaggio: i dati

Praticamente ogni settore dell’economia ha accesso a una quantità di dati inimmaginabile anche solo una decina d’anni fa – e l’industria del wealth management non fa eccezione. Banche, assicurazioni, asset manager hanno infatti un bel po’ di dati dai quali estrarre informazioni di enorme valore grazie alla Financial Data Science, che nella nostra visione ricomprende Machine Learning, Artificial Intelligence, Data Visualization e Business Intelligence.

Ma di quali dati sono tipicamente in possesso gli intermediari che si occupano di gestire gli investimenti? Ecco la risposta.

Anche senza dati ulteriori (legati per esempio ai social network o ad attività specifiche di smart engagement come quiz, gaming, etc.), è chiaro che si tratta di un patrimonio informativo notevole.

Innanzitutto sono informazioni ricchissime, perché specifiche: riguardano la sfera economico-patrimoniale. E poiché stiamo parlando di investimenti e wealth management, questo è evidentemente molto più rilevante delle passioni per teneri gattini o del meme del momento che si possono trovare su Instagram o Facebook.

Si tratta inoltre di un data-set che può essere “aumentato” – senza fare grandi voli di fantasia – incrociandolo con varie fonti di dati esterne, in primis i dati dei mercati finanziari, quelli dell’economia e le news. Poi, volendo, ci sono svariati alternative data set, per esempio quelli legati a sentiment analysis o geospaziali.

Vantaggio ancor più considerevole è che, in ottica GDPR, gli intermediari sono pienamente titolati a utilizzare questi dati in loro possesso, in quanto si tratta di dati inerenti alla sfera finanziaria, usati per risolvere problemi finanziari, quelli alla base del rapporto contrattuale.

Per le Big Tech questo elemento potrebbe essere invece una sorta di barriera all’ingresso.

Ma in che modo Intelligenza Artificiale e Machine Learning possono aiutare l’industria del wealth management? Le applicazioni sono moltissime e possono avere un impatto sull’intera value chain.

Quindi le aziende finanziarie possono estrarre valore tangibile da numerose fonti dati interne ed esterne utilizzando gli strumenti della Data Science, aiutando l’operatività strategica e l’operatività quotidiana di tutti i dipartimenti aziendali.

 

Secondo vantaggio: la qualità dei dati

I dati sono la materia prima, certo. E la loro quantità è importante. Ma la qualità è di gran lunga più importante. La rilevanza dei dati in termini di business è strategica: nei problemi di Machine Learning legati alla gestione dei risparmi, gettare i dati in pasto ad algoritmi supervisionati o non-supervisionati in modo indiscriminato raramente è una buona idea.

Insomma, la selezione (la cosiddetta feature selection) è cruciale se non si vogliono avere algoritmi che funzionano bene in fase di training ma che sono incomprensibili e funzionano male nell’operatività quotidiana.

Secondo noi, la comprensione del business che sta dietro e intorno ai dati è di gran lunga più importante della soluzione tecnica, e deve essere tenuta in conto nello sviluppo dei modelli stessi: modelli black-box molto grandi tendono a non penetrare davvero la logica del problema che vogliono risolvere e operano una sofisticatissima interpolazione con scarso valore predittivo.

Inoltre, per molte applicazioni algoritmiche legate alla gestione dei risparmi i regulator vogliono poter aprire la scatola del modello per capirne logiche e nessi causali: in questi casi, aver attuato un’analisi via deep learning, scaraventando dentro una black-box tutte le informazioni possibili, non è una grande idea.

Ecco perché la conoscenza di dominio è fondamentale, se si vuole utilizzare la Data Science per azioni concrete, misurabili, con un elevato ROI sugli investimenti in tecnologia. Questo è un enorme vantaggio degli intermediari finanziari.

 

I dati che generano valore

Gli intermediari finanziari sono già oggi in possesso di dati di enorme valore, sia strategico che operativo. Si tratta di sfruttarli con intelligenza e senso pratico, mettendo al lavoro gli strumenti offerti dalla Financial Data Science, cioè algoritmi di Machine Learning e tutto ciò che viene in senso lato connotato come Intelligenza Artificiale.

La Financial Data Science, in breve, fa esplodere efficienza e scalabilità. Che si traducono in maggiore produttività. Cioè margini migliori. Di questi tempi, non è male.

 

La soluzione di Virtual B

Virtual B lavora da anni nel settore finanziario, a stretto contatto con i dati e la loro analisi. Dalla nostra esperienza sono nate numerose soluzioni in grado di generare valore e di risolvere problemi per gli intermediari finanziari e assicurativi.

SideKYC® è il software di advanced analytics messo a punto da Virtual B per le banche e le assicurazioni. 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®


Scarica gratuitamente il nostro white paper “Wealth Management and Financial Data Science: a short guide”

Lascia un commento