Nel mondo di oggi, volatile e interconnesso, le banche d’affari devono poter reagire rapidamente e anticipare le fluttuazioni del mercato che possono scaturire, per esempio, da eventi naturali capaci di far tremare le borse e impattare sui bilanci aziendali. Perché gli investitori si rendano conto di quali conseguenze potrebbero subire in casi simili, le istituzioni finanziarie devono avere piena visibilità e una conoscenza molto dettagliata della loro esposizione al rischio. 

In questo contesto, i Chief Financial Officer delle istituzioni bancarie devono poter vedere tutte le controparti che possono avere esposizioni di credito dirette o indirette e capire come gli effetti collaterali possano avere impatto sulle linee di credito e sui tassi di default. 

Riuscire a condurre un’analisi di scenario può aiutare le banche a capire quali altre misure in termini di capitale regolamentare sono richieste; questo sulla base di diverse ipotesi e utilizzando i dati in tempo reale, perché un “gap temporale”  in questo caso sarebbe inaccettabile. 

Tutto questo oggi è possibile unificando i dati in una singola fonte e sfruttando tecnologie avanzate come Intelligenza Artificiale e Machine Learning per fare questo tipo di valutazioni, ottenendo informazioni sui propri clienti e ottimizzando la profittabilità. 

Unificare i dati 

Nella loro evoluzione, molte banche d’affari hanno costruito la loro base tecnologica un pezzo alla volta. Questo significa che le informazioni sono distribuite su vari sistemi e che alcuni processi sono ancora gestiti in modo manuale. Il risultato è che manca una visibilità end-to-end, il che ostacola la capacità di prendere decisioni in modo rapido e informato. 

Poter gestire e analizzare un universo crescente di dati strutturati e non strutturati – di origine interna ed esterna – è essenziale per ottenere un livello di intimità più elevato con il cliente e trarne il giusto profitto. Il settore dei servizi finanziari oggi è talmente dinamico che le informazioni invecchiano rapidamente: per questo è necessario poter analizzare tutti questi dati in tempo reale. 

Una piattaforma dati unificata unisce e accorda tra loro informazioni provenienti da tutte le fonti più importanti – CRM, sistemi di gestione dei rischi e delle performance, dati di terze parti come ad esempio i canali social. Un modello dati unificato migliora la qualità e la quantità dei dati, in modo che in ogni area della banca “si parli la stessa lingua” quando si tratta di valutare la profittabilità e altre caratteristiche dei clienti. 

Una piattaforma di questo tipo permette alle banche d’affari di adeguare i rischi in modo più accurato e veloce. Le banche possono gestire meglio il rischio di credito e la liquidità, valutare i prezzi per mantenere operativa la banca a livelli sostenibili. Da un punto di vista direzionale, dati più accurati e in tempo reale ampliano la capacità di visione e permettono di creare strategie ben informate, essenziali per ottimizzare la profittabilità.  Si possono fare proiezioni sulle performance future e pianificare a lungo termine.

Tradizionalmente, creare una base dati unificata è sempre stata una scelta costosa anche in termini di tempo. Ma i modelli di dati oggi disponibili in commercio sono stati creati ad hoc per questo settore e offrono efficienza dal punto di vista dei costi e un approccio centralizzato sul cliente; spesso, queste scelte diventano poi la spina dorsale del percorso di trasformazione digitale e permettono alle aziende di sfruttare anche nuove tecnologie, come il Machine Learning, per ottenere risultati ancora migliori. 

Più smart con AI e Machine Learning

Le banche stanno appena iniziando a comprendere come AI, ML e strumenti di data analytics possano aiutare a elaborare l’enorme quantità di dati di cui dispongono. Nello specifico, si iniziano a vedere varie istituzioni finanziari che usano AI e Machine Learning per creare migliori modelli predittivi rispetto a rischio ed esposizione dei clienti – e capire come i fattori di mercato impattano sui clienti e sulla profittabilità. Ad esempio, queste tecnologie permettono di prevedere meglio quali clienti potrebbero subire problemi da eventi naturali o altro e rivolgersi a loro proattivamente – ad esempio per ampliare la durata dei loro prestiti aiutandoli nel momento di difficoltà, un’iniziativa semplice che però fa sentire al cliente che la banca gli è più vicina e migliora la relazione nel lungo termine. 

Il Machine Learning si può usare anche per generare e suggerire report da consultare in base alle attività del mercato o ai cambiamenti nei bilanci aziendali. L’uso dell’AI, anche se è ancora agli albori, riesce ad andare anche oltre, perché fornisce nuove indicazioni e raccomandazioni dopo aver analizzato dati economici e previsioni per i differenti scenari. 

Le banche d’affari possono alimentare i loro modelli di Machine Learning con i risultati delle passate interazioni con i clienti, per migliorare l’accuratezza. Altri dati provenienti anche da terze parti possono inoltre aiutare ad ottenere un quadro sempre più granulare dei clienti. Questo significa, per le banche, poter fare calcoli più accurati e accelerare i processi decisionali. A esempio, con i dati giusti, si hanno gli strumenti per approvare più velocemente le richieste di prestito dei clienti – una cosa ancor più cruciale in questo difficile periodo.

Nel passato, quando le banche analizzavano i dati potevano farlo solo in modo statico e limitato, perché le fonti erano separate tra di loro, a “silos”. Oggi con la data analytics si possono visualizzare dati sia a livello macro sia a livello micro. Ad esempio, si possono generare rapidamente e rivedere report grafici che rappresentano i loro programmi di prestito e con pochi clic fare degli approfondimenti basati su fattori di ogni tipo, ad esempio il luogo in cui si trova il cliente. Queste tecnologie offrono più agilità, perché mettono a disposizione le informazioni necessarie per fare consulenza e proporre le offerte giuste a seconda dei clienti. 

Per troppo tempo ormai il lavoro amministrativo e una visione poco chiara del cosiddetto customer journey hanno costretto le banche d’affari a perdere tempo che avrebbero potuto usare per sviluppare la relazione con il cliente. Digitalizzando i processi e ottimizzando la business intelligence, le banche non solo possono stabilire rapporti veramente consulenziali con i clienti, ma anche rispondere meglio alle loro aspettative. 

*Financial Services Analytics Director di Oracle

.