Migliorare le valutazioni di credito con l’open banking

Virtual B - Migliorare le valutazioni di credito con l’open banking

L’open banking è un modello collaborativo tra più player di mercato (bancari e non) che, utilizzando piattaforme tecnologiche aperte e condividendo conoscenze, ambienti di lavoro, dati e base clientela, crea servizi e prodotti innovativi.

Il cuore dell’open banking è il dato è del cliente: se un cliente condivide con la propria banca i dati relativi ai propri conti correnti può ottenere in cambio un servizio migliore, come ad esempio la vista aggregata, ed in tempo reale, dei suoi rapporti bancari, ma anche, potenzialmente, molti servizi innovativi e personalizzati.

L’open banking rappresenta una sfida ma anche un’opportunità per le banche che vorranno reinventarsi e confrontarsi con operatori diversi, come le Fintech , le nuove “challenger bank” – banche totalmente digitali con modelli di business e di servizio “non tradizionali” e tipicamente low cost –  ma anche con operatori diversi come le telecom.

Tra i tanti player che si sono focalizzati su questa opportunità citiamo Yapily,  un’azienda fintech che tramite APIs, consente alle imprese di avere accesso ai dati di più 1400 istituzioni finanziarie in Europa. Oggi i dati per personalizzare i “vecchi” servizi finanziari ci sono, e sono sempre più a portata di mano.

 

Trasformare i dati dell’open banking in informazioni utili

Non servono algoritmi super sofisticati per iniziare ad estrarre informazioni interessanti dai dati di conto corrente condivisi. Da subito è possibile estrarre molte utili indicazioni riguardo al comportamento e alle esigenze, sia dei clienti privati, che delle imprese, in maniera piuttosto semplice.

Partendo da informazioni standard relative ad un conto corrente come il saldo, la lista dei movimenti in entrata e in uscita, con ordinante e beneficiario, si possono istantaneamente ricavare indicazioni utili come:

  • identificare i trend nei cashflow, ad esempio ricavi e spese;
  • valutare l’impatto delle spese ricorrenti;
  • identificare, per le aziende, concentrazioni eccessive della clientela, o dei fornitori, che potrebbero in caso di situazioni problematiche creare un effetto domino;
  • distinguere, e poi individuare tempestivamente, situazioni di normalità da situazioni di crisi incipiente;
  • molti altri account-KPI.

Questo tipo di informazioni, rappresentata dagli account-KPIs, è utile in sé, ma rappresenta anche un pregiato punto di partenza per alimentare modelli più sofisticati che utilizzano l’aggregazione delle informazioni, cioè le cross-correlazioni.

 

Fare un passo in più con il machine Learning

Gli account-KPIs derivanti dai dati di conto corrente sono l’input di modelli di Machine Learning. A questo punto bisogna attuare una information-compression e una riduzione della dimensionalità e da qui si può partire per individuare “pattern” spesso non evidenti all’occhio umano. Infatti la principale utilità degli algoritmi è quella di macinare e analizzare enormi moli di dati, per poi individuare regolarità utili al business. Si possono utilizzare questi modelli anche  a partire da poche informazioni, eventualmente sfruttando bacini di open data da integrare. I modelli di machine learning imparano con il tempo, via via che si aggiungono nuovi dati, acquisendo sempre maggior precisione, in perfetto stile “learn-as-you-go”.

Questo passo ulteriore consente di ottenere informazioni più interessanti come ad esempio:

  • quick credit alert – metriche di sintesi e di dettaglio del merito creditizio di un individuo o di un’impresa, in base ai dati transazionali, che per le imprese anticipano i dati della Centrale Rischi e i dati di bilancio (specie ora, in tempo di COVID, i dati rischiano di essere poco rappresentativi);
  • churn risk analysis – ovvero, individuare situazioni di rischio d’abbandono del cliente;
  • client segmentation – individuare segmenti di clientela d’interesse per la banca, come ad esempio i clienti ad alto potenziale di sviluppo.

Il valore informativo dei dati di conto corrente spesso non viene pienamente sfruttato, ma questi dati sono aggiornati, piuttosto standardizzati, tutte le banche li hanno e, soprattutto,  si prestano ad essere combinati con altri dati. Quella di combinare dati di fonti diverse per ottenere informazioni più utili ed originali, è l’approccio che prediligiamo in Virtual B.

Se queste informazioni vengono “impacchettate bene” dal punto di vista della data visualization, rappresentano un strumento di fondamentale importanza per capire con chi si vuole fare business. In modo rapido, economico e poco invasivo. Forse vale la pena di pensarci.

 

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