Quick Credit Scoring: come costruire valore con i transactional data

Costruire valore con i transactional data il Quick Credit Scoring

I tempi cambiano, i metodi cambiano e anche il credit scoring si può evolvere. Se, con una pandemia in corso e una recessione galoppante, una banca valuta la qualità creditizia di un’impresa dai suoi bilanci (magari vecchi di un anno), con discreta probabilità sta aprendo la porta a potenziali problemi nei suoi conti: perché aziende dai bilanci sani un anno fa, possono trovarsi presto in ginocchio e trasformarsi in crediti in sofferenza.

Il punto è che in generale i grandi cambiamenti riducono drammaticamente l’efficacia dei modelli e dei dati storici tradizionali nel valutare il merito creditizio (e non solo quello).

Ma c’è una buona notizia: i cosiddetti “transactional data”, cioè i dati legati ai movimenti dei conti bancari, se utilizzati insieme a tecniche di Data Analytics, possono dare una grossa mano, producendo quello che in Virtual B abbiamo battezzato Quick Credit Scoring.

Pochi mesi di dati relativi al conto corrente di un’impresa, combinati con qualche dato anagrafico e dati pubblici relativi ad imprese della stessa tipologia, possono offrire una fotografia molto più nitida della situazione. E la stessa cosa vale per i privati.

 

Perché i transactional data per il Credit Scoring?

L’intuizione è che il conto corrente non mente nel mostrare, per esempio, flussi in entrata sempre più esigui rispetto a quelli in uscita, oppure la ricorrenza di scoperti di conto importanti, o l’eccessiva concentrazione dei clienti, e via dicendo.

Si tratta di dati “freschi” e puntuali che inglobano una serie di informazioni accurate sulla dinamica del business e le capacità reddituali: le situazioni di “financial distress” emergono molto più rapidamente dall’analisi dei movimenti che dai bilanci dell’anno prima o del semestre precedente.

La densità per unità di tempo dei dati relativi ai conti correnti e la grande base campionaria (chi non ha almeno un conto corrente?) consentono l’efficace applicazione di modelli di Machine Learning uniti a tecniche di analisi finanziaria, anche in presenza di una profondità storica limitata. Peraltro, spesso le banche possiedono anni di storia in termini di dati transazionali. E poi, non dimentichiamolo, c’è la possibilità dell’account aggregation consentita da PSD2.

Ultimo ma non in ordine di importanza, i transactional data sono economici: non servono costose visure e accessi ai registi creditizi per utilizzare i dati del conto corrente. Se poi quei dati ci sono, benissimo, possono essere utilizzati insieme a quelli provenienti dal conto bancario.

 

Perché il Machine Learning per il Credit Scoring?

Il bello del Machine Learning è che i modelli imparano dinamicamente, secondo il principio del “learn as you go”, migliorando via via che si accumulano dati, imparando anche dal comportamento di soggetti simili (altre aziende o privati).

Inoltre, utilizzando tecniche Bayesiane, le informazioni provenienti da banche dati esterne, relative a soggetti simili, possono essere fin dall’inizio tenute in considerazione: ad esempio, due imprese con poche settimane di transactional data possono avere un Quick Credit Score molto diverso se hanno dimensione differente, e se appartengono a settori e geografie eterogenei.

I modelli di Machine Learning, con la loro capacità di analizzare situazioni non-lineari riescono ad individuare situazioni altrimenti poco ovvie, e i metodi di Anomaly Detection (Supervised e Unsupervised) e Unary Classification rendono possibile lavorare anche su dataset apparentemente poveri di eventi creditizi degni di nota. Inoltre, combinando tecniche di analisi finanziaria ai dati dei conti si ottengono buoni risultati anche dai soli dati numerici, senza necessariamente categorizzare i movimenti mediante metodi di Text Analytics.

Va da sé che utilizzare i transactional data non significa gettare alle ortiche i modelli di credit scoring tradizionali: si tratta, semmai, di farli lavorare insieme, e di pensare all’output dei modelli di Machine Learning come a una forma di Data Enrichment.

 

Non solo quick credit scoring

Si possono fare molte altre cose, con i dati dei conti bancari.
Altre aree di applicazione sono:

  • early warning analysis – osservando non solo i singoli, ma anche gli aggregati di clienti, si possono individuare per tempo aree geografiche o settori di importanza sistemica per la banca;
  • churn risk – i movimenti dei clienti in procinto di abbandonare la banca spesso seguono dei pattern tipici, che i modelli di Machine Learning riescono ad individuare tempestivamente;
  • client potential – dalla segmentazione data-driven è possibile identificare rapidamente quelli a più alto potenziale.

Insomma, i transactional data uniti al Machine Learning consentono a un intermediario di avere informazioni puntuali, tempestive, e di agire proattivamente, anziché reagire tardivamente a giochi fatti.

 

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