Perchè il modello Netflix non funziona nei servizi d’investimento?

Il successo di modelli di business come Netflix, Amazon, Spotify obbliga anche chi si occupa di servizi di investimento a porsi una seria domanda: siamo in grado di offrire lo stesso livello di personalizzazione?

Secondo McKinsey, entro il 2030 l’80% dei wealth manager offrirà un servizio simile al modello iper-personalizzato e basato su abbonamento di Netflix. Sembra proprio una buona idea: Netflix asserisce infatti che il 75% di ciò che i clienti guardano deriva proprio dalle raccomandazioni personalizzate che essi ricevono.

E così la nuova parola d’ordine nel mondo finanziario è “iper-personalizzazione”. Alla Netflix. Ma un conto è parlarne, un conto è realizzarla, se si tratta di investimenti e altri servizi finanziari ad elevata complessità.

Personalization

I Recommendation System

Alla base del successo di aziende come Netflix o Amazon c’è la capacità di imparare dal comportamento d’acquisto dei clienti attraverso algoritmi di Machine Learning che rientrano nello sconfinato mondo dei Recommendation System. Il loro cuore è tipicamente un algoritmo di Collaborative Filtering o Content-based Filtering, o un sistema ibrido.

Entrambe le metodologie effettuano previsioni automatiche circa le preferenze di un cliente sfruttando le similarità con le preferenze d’acquisto o l’interesse/servizi verso dati prodotti mostrato dalla collettività dei clienti (da cui il termine “collaborative”).

Calando il tutto nell’ambito finanziario con un semplice esempio, l’idea è che se il cliente A ha acquistato lo stesso fondo comune del cliente B – ad esempio un fondo obbligazionario governativo a breve termine -, e se il cliente B ha in passato acquistato anche un fondo azionario sul settore Tech, allora è probabile che si possa proporre con successo anche al cliente A il fondo Tech.

Già qui speriamo abbiate intuito che qualcosa non torna.

Il fondo obbligazionario governativo dell’esempietto può essere un investimento difensivo del cliente B in un più ampio portafoglio orientato al lungo termine, con un determinato obiettivo e una certa accettazione del rischio. E magari il cliente A ha obiettivi diversi, tempi e attitudine al rischio totalmente differenti. Addirittura, in termini di compliance e product targeting, il fondo Tech potrebbe essere fuori target per il cliente A, e in tal caso sarebbero grane per l’intermediario dal punto di vista regolamentare (MIFID o IDD).

Ergo, un sistema che funziona piuttosto bene con un libro o per un film, avrebbe seri problemi con dei fondi d’investimento, o altri prodotti tipici del mondo del wealth management.

Uscire dall’impasse

Se si vuole creare un Recommendation System per wealth manager, l’idea di sfruttare ciò che è successo a clienti e prodotti simili resta valida, ma va articolata assai meglio, bisogna andare decisamente più in profondità.

Coerentemente con il fatto che l’industria finanziaria è fortemente regolamentata, che i servizi e i prodotti sono complessi e le persone non li comprendono appieno – anzi il grosso degli acquisti è intermediato da un consulente finanziario o altra analoga figura professionale il cui ruolo è fondamentale. Bisogna perciò tenere conto del DNA finanziario del cliente, che include molti fattori, tra i quali la cultura finanziaria, aspetti economico-patrimoniali, tratti comportamentali, il profilo regolamentare MIFID o IDD, solo per citarne alcuni.

Occorre inoltre tenere presente che un dato prodotto si inserisce tipicamente in un portafoglio prodotti più ampio, che include sia diversi investimenti, che protezioni di natura assicurativa, che finanziamenti. Serve pertanto un approccio olistico, che guardi all’insieme, considerando le caratteristiche dei clienti e dei prodotti/servizi finanziari da associare ad essi.

 

La soluzione Virtual B

Insomma, vanno usati modelli più articolati, che inglobino una maggior livello di know-how finanziario. In Virtual B abbiamo risolto questo problema con un paio di accorgimenti nella strategia modellistica:

  1. incorporare un nucleo di know-how finanziario dentro il modello di Machine Learning fin dall’inizio, in modo che l’algoritmo sia instradato bene nel suo percorso di apprendimento – questo è il Bayesian Machine Learning, che consente di incorporare informazioni di “best practice” in modo statisticamente corretto;
  2. considerare un profilo del cliente (e anche dei prodotti) ricco, includendo anche le informazioni regolamentari del questionario MIFID o IDD e stimando accuratamente i suoi bisogni finanziari – tutti, sia quelli d’investimento, che di protezione assicurativa, che di finanziamento.

Si tratta, volendo attribuire un’etichetta di metodo, di un “knowledge-based recommendation system”.

Questa metodologia fa sì che la raccomandazione fornita dal sistema sia incentrata sugli effettivi bisogni e obiettivi del singolo cliente, in modo puntuale. Ne può fare uso di un consulente finanziario o un agente assicurativo, è tipico, ma volendo, la raccomandazione può essere utilizzabile anche con un canale diretto.

Questo significa soddisfare il paradigma normativo MIFID/IDD “Know Your Client, Know Your Product”, ma, soprattutto significa attuare il paradigma dell’iper-personalizzazione.

Vuoi saperne di più?

Se il tema ti incuriosisce, contattaci al link sottostante e scopri come aumentare il valore dei tuoi dati.

Contattaci

Lascia un commento