Financial Data Science e machine learning: la miniera d’oro delle istituzioni finanziarie

data science e intelligenza artificiale per istituzioni finanziarie

L’industria finanziaria ha un grande timore dei giganti della tecnologia: Amazon, Google, Facebook e Apple in testa. Comprensibile. Le Big Tech hanno masse enormi di utenti e li conoscono alla perfezione, grazie alla loro capacità di analizzare i dati – la frontiera della Data Science non è nelle università, ma lì.

Quando decideranno di entrare nel mercato dei risparmi e degli investimenti, sarà battaglia. Gli intermediari finanziari tradizionali hanno però parecchie armi a loro disposizione.

 

Primo vantaggio: i dati

Praticamente ogni settore dell’economia ha accesso a una quantità di dati inimmaginabile anche solo una decina d’anni fa – e l’industria del wealth management non fa eccezione. Banche, assicurazioni, asset manager, hanno infatti un bel po’ di dati dai quali estrarre informazioni di enorme valore grazie alla Financial Data Science, che nella nostra visione ricomprende Machine Learning, Artificial Intelligence, Data visualization e Business Intelligence.

Tipicamente gli intermediari che si occupano di gestire gli investimenti sono in possesso dei seguenti tipi di dati:

    • finanziari, relativi a posizioni e movimenti presenti e passati dei clienti e a flussi di pagamento – dati dai quali si possono ricavare informazioni sulle dinamiche d’investimento, nonché sulle abitudini di consumo e risparmio;
    • socio-demografici, come età, luogo di nascita e residenza, sesso, situazione familiare e via dicendo, fondamentali, ad esempio, per inquadrare l’investment life-cycle del cliente;
    • le risposte al questionario MiFID (che, se ben disegnato e compilato correttamente, è una miniera d’informazioni), cruciale per estrarre il DNA finanziario del cliente;
    • dati d’interazione cliente-intermediario, come quelli legati all’utilizzo dell’area riservata, all’apertura di eventuali newsletter, uso di app, conversazioni telefoniche, e così via.

Anche senza dati ulteriori (legati ad esempio ai social network, o ad attività specifiche di smart engagement come quiz, gaming, etc.) è chiaro che si tratta di un patrimonio informativo notevole.

Innanzitutto sono informazioni ricchissime, perché specifiche: riguardano la sfera economico-patrimoniale. E poiché stiamo parlando di investimenti e wealth management, questo è evidentemente molto più rilevante delle passioni per teneri gattini o il meme del momento che si possono trovare su Instagram o Facebook.

 

…in ottica GDPR, gli intermediari sono pienamente titolati ad utilizzare questi dati in loro possesso

Si tratta inoltre di un data-set che può essere “aumentato” – senza fare grandi voli di fantasia – incrociandolo con varie fonti di dati esterne, in primis i dati dei mercati finanziari, quelli dell’economia e le news. Poi, volendo, vi sono svariati alternative data set, ad esempio quelli legati a sentiment analysis, o geospaziali.

Vantaggio ancor più considerevole è che, in ottica GDPR, gli intermediari sono pienamente titolati ad utilizzare questi dati in loro possesso, in quanto si tratta di dati inerenti la sfera finanziaria, utilizzati per risolvere problemi finanziari, quelli alla base del rapporto contrattuale. Per le Big Tech questo elemento potrebbe essere invece una sorta di barriera all’ingresso.

Ma in che modo Intelligenza Artificiale e Machine Learning possono aiutare l’industria del wealth management? Le applicazioni sono moltissime, e possono impattare l’intera value chain. Per esempio, con il supporto di dati e algoritmi, si possono risolvere problemi come:

  • individuare e comprendere i bisogni finanziari dei clienti e i loro obiettivi reali;
  • costruire modelli predittivi del comportamento dei clienti (ad esempio se acquisterà o meno un dato prodotto finanziario);
  • individuare i clienti con elevato potenziale di crescita;
  • segmentare i clienti, offrendo loro soluzioni d’investimento e servizi accessori personalizzati, migliorando la user experience a costi molto bassi;
  • individuare quali bisogni finanziari sono soddisfatti da un dato prodotto, e per quali obiettivi è consigliabile;
  • supportare le reti di consulenti finanziari, agenti e altri relationship manager con informazioni mirate sui clienti e recommendation system relativi alle migliori soluzioni da offrire ai clienti, in base ai loro specifici bisogni e caratteristiche;
  • gestire la compliance in tempo reale;
  • simulare l’impatto di eventi di mercato su processi, masse in gestione, costi e margini – attuando quella che è probabilmente la più utile forma di risk management per un wealth manager;
  • catturare e analizzare nuove fonti di dati.

 

…le aziende finanziarie possono estrarre valore tangibile da numerose fonti dati interne ed esterne

Quindi le aziende finanziarie possono estrarre valore tangibile da numerose fonti dati interne ed esterne utilizzando gli strumenti della Data Science, aiutando l’operatività strategica e l’operatività quotidiana di tutti i dipartimenti aziendali.
 

Secondo vantaggio: la qualità dei dati

I dati sono la materia prima, certo. E la loro quantità è importante, ma la qualità è di gran lunga più importante. La rilevanza dei dati in termini di business è strategica: nei problemi di Machine Learning legati alla gestione dei risparmi, gettare i dati in pasto ad algoritmi supervisionati o non-supervisionati in modo indiscriminato raramente è una buona idea.

Il settore finanziario è infatti fortemente regolamentato, con prassi professionali dalla logica forte e ben consolidata: sarebbe follia non includere queste informazioni “di struttura” nel processo di number crunching. La feature selection è cruciale se non si vogliono avere algoritmi che funzionano bene in fase di training ma sono incomprensibili e funzionano male nell’operatività quotidiana.

Secondo noi, la comprensione del business che sta dietro e intorno ai dati è di gran lunga più importante della soluzione tecnica, cioè di sviluppo di modelli complessi ma fini a sé stessi, e deve essere tenuta in conto nello sviluppo dei modelli stessi. Modelli black-box molto grandi, nella nostra esperienza tendono all’overfitting e al data snooping: termini che, in sostanza, significano che il modello non ha penetrato davvero la logica del problema che vuole risolvere, bensì ha operato una sofisticatissima interpolazione con scarso valore predittivo.

 

…la comprensione del business che sta dietro e intorno ai dati è di gran lunga più importante della soluzione tecnica

Inoltre, per molte applicazioni algoritmiche legate alla gestione dei risparmi i regulator vogliono poter effettuare il look through, cioè aprire la scatola del modello per capirne le logiche e i nessi causali. In questi casi, aver attuato un’analisi via deep learning, scaraventando dentro una black-box tutte le informazioni possibili, non è una grande idea.

Ecco perché la conoscenza di dominio è fondamentale, se si vuole utilizzare la Data Science per azioni concrete, misurabili, con un elevato ROI sugli investimenti in tecnologia. Questo è un enorme vantaggio degli intermediari finanziari.

 

I dati che generano valore

Gli intermediari finanziari sono già oggi in possesso di dati di enorme valore, sia strategico che operativo. Si tratta di sfruttarli con intelligenza e senso pratico, mettendo al lavoro gli strumenti offerti dalla Financial Data Science, cioè algoritmi di Machine Learning e tutto ciò che viene in senso lato connotato come Intelligenza Artificiale.

La Financial Data Science, in breve, fa esplodere efficienza e scalabilità. Che si traducono in maggiore produttività. Cioè margini migliori. Di questi tempi, non è male.

 

Le soluzioni fintech di Virtual B

Virtual B lavora da anni nel settore finanziario, a stretto contatto con i dati e la loro analisi. Dalla nostra esperienza sono nate numerose soluzioni in grado di generare valore e di risolvere problemi per gli intermediari finanziari e assicurativi.

Scarica gratuitamente il nostro white paper Wealth Management and Financial Data Science: a short guide

Leave a Reply