I dati di conto corrente: una preziosa fonte di informazione per le banche e le imprese

L’abbiamo già scritto, i dati di conto corrente (“transactional data” – dati transazionali), cioè tutte le informazioni derivanti dall’attività sul conto corrente consentono di segmentare la clientela in modo tempestivo e con informazioni sempre aggiornate, per capirne meglio rischi (ad esempio di credito) e le potenzialità.

La PSD2, l’open banking e il Machine Learning permettono di accedere ad un patrimonio informativo tutto nuovo e di sfruttarlo efficacemente per ottenere informazioni, con enormi vantaggi in termini di immediatezza del dato, velocità di accesso, e infine (ultimo ma non per importanza) per ridurre i costi dei vari credit bureau.

Bellissimo. Ma in pratica? In pratica, ve lo mostriamo graficamente..

Questo è un esempio di dashboard realizzata per il supporto alle decisioni di una banca, che monitora il rischio dei suoi clienti corporate, con la possibilità di traslare in modo analogo ai clienti persone fisiche.

Il Composite Liquidity Risk Index

Spicca, in alto a sinistra nella dashboard, il “Composite Liquidity Risk Index”: quello è il numero chiave, che riassume lo stato di salute e la rischiosità dell’azienda, per quanto desumibile dai transazionali.

Il numero è l’output di un modello Bayesiano di Machine Learning che macina i dati transazionali, combinando sia know-how finanziario, sia informazioni puramente data-driven, sulla base del principio che una combinazione di informazioni ha mediamente un’affidabilità superiore all’uso di singole informazioni (è l’idea alla base del ricco filone metodologico dell’Ensemble modeling).

Se si prende questo numero e lo si raffronta (come avviene nella dashboard) con un benchmark e con la media di settore ci si fa subito un’idea di che azienda si ha di fronte.

 

Cosa può fare il “Composite Liquidity Risk Index”:

  1. supportare il processo decisionale, insieme ad altre metriche presenti nella dashboard;
  2. essere l’input di un algoritmo che attua una policy automatica di valutazione al cliente, ad esempio scartando subito un’eventuale richiesta di affidamento per i clienti con un indice basso, e mandando avanti quelle per clienti con un rischio molto buono, e sottoponendo a un operatore i casi dubbi (questo è un caso in cui l’AI fa il “lavoro sporco” e aumenta la produttività degli operatori in carne ed ossa);
  3. costituire un semilavorato che alimenta il modello di credit scoring della banca.

In ogni caso, il risultato consente generalmente un risparmio di tempo e denaro, alla luce di un minore ricorso alle (costose) banche dati dei credit bureau.

 

La vista di dettaglio sulle aziende: rischio, concentrazioni, dipendenze

Scorrendo la dashboard vengono esposti dati di maggior dettaglio, come gli indici compositi che misurano il livello di fragilità, sia delle entrate che delle uscite, analizzando trend e ratio di sostenibilità.

Un tipo di dato interessante è quello legato alla concentrazione dei flussi di cassa. Sia i flussi provenienti dai clienti, che quelli diretti verso i fornitori: si tratta di un’informazione che consente di identificare rapidamente relazioni di dipendenza, misurando la fragilità complessiva rispetto a clienti o fornitori.

Per esempio, è chiaro che un’impresa con pochissimi grandi clienti, magari appartenenti allo stesso settore e area geografica, è potenzialmente più a rischio di un’altra i cui clienti sono ben diversificati.

Questo tipo di informazione viene estratta dai dati transazionali grazie alla Network Analysis, che mette in luce la catena delle dipendenze, sia lato fornitori, sia lato clienti, calcolando indicatori di rischio sistemico. Qui è importante intercettare il rischio che si verifichi un effetto domino, per cui un cattivo pagatore impatta sulle aziende di cui è cliente, causando un effetto contagio, di natura sistemica (analogamente, dal lato dei fornitori, interessano le criticità e le concentrazioni relative alla “supply chain”).

 

 

La vista aggregata: i rischi sistemici

Passando dall’osservazione delle singole imprese agli aggregati di imprese, e consolidando i dati a un livello superiore, emergono fattori di mercato, sistemici: per esempio si possono individuare per tempo aree geografiche o settori “scricchiolanti”.

Questi dati possono quindi costituire per la banca degli ottimi Risk Early Warning. L’uso delle informazioni aggregate è piuttosto rilevante, vi dedicheremo uno dei prossimi post.

La soluzione di Virtual B

In Virtual B crediamo che i transactional data siano davvero utili e siamo in grado di aiutarvi a sfruttarli al meglio. Se il tema ti incuriosisce, contattaci al link sottostante e scopri come aumentare il valore dei tuoi dati.

Contattaci

Lascia un commento