Un sistema di Early Warning tradizionalmente ha l’obiettivo di anticipare l’insorgenza di situazioni critiche sui clienti con esposizioni, in modo da agire tempestivamente con azioni di recupero o in generale attivare un processo di ascolto della controparte per evitare lo scivolamento verso maggiori difficoltà.
Altrettanto tradizionalmente questo scopo è raggiunto tramite l’utilizzo delle informazioni creditizie della controparte: sia interne, come i rating e gli scaduti, che derivanti da credit bureau. Se questo tipo di informazioni è senza dubbio la fonte più certa per identificare le problematiche nel loro insorgere, esistono però due limiti:
Per queste ragioni è importante affiancare le informazioni creditizie con altre indicazioni: vediamo quali sono le 5 fonti informative che tutti i sistemi evoluti di Early Warning dovrebbero contemplare.
La normativa (“Orientamenti sull’applicazione della definizione di default” EBA) fa esplicito riferimento all’utilizzo di articoli di stampa quali ulteriori indicazioni di UtP (Unlikely to pay). Il tema delle notizie di stampa si colloca nel contesto più ampio dell’analisi dei dati testuali per ottenere indicazioni sulla solidità del settore in cui opera il cliente e sul cliente stesso.
È interessante a questo proposito osservare come una notizia che coinvolga una società, un ente o un’azienda possa avere sia un impatto immediato, legato al tema della notizia stessa, sia più di lungo termine, legato al possibile danno reputazionale o di immagine che l’avvenimento porterà con sé.
Ma sappiamo anche che non sempre è così: alcuni eventi colpiscono l’opinione pubblica, altri no. Per riuscire a discriminare tra i fatti che avranno un effettivo impatto (es. perdita di clienti) e quelli da cui invece l’azienda rimarrà indenne, una fonte interessante è rappresentata dalle recensioni e in generale le opinioni espresse da parte degli utilizzatori, i clienti o anche i dipendenti stessi dell’azienda.
Da questo tipo di informazioni è possibile ottenere veri e propri indicatori di sentiment, declinabili sia a livello di singola controparte, che a livello più ampio di settore, con cui monitorare lo “stato di salute” e identificare preventivamente malumori e perdite di interesse nei confronti della controparte.
I dati transazionali sono una miniera d’oro da cui è possibile estrarre moltissime informazioni. Gli importi e le tipologie di spese che ogni persona sostiene quotidianamente parlano del suo stile di vita e di come questo si possa modificare nel tempo, così come gli importi e le ricorrenze dei pagamenti da parte di società e pmi raccontano del loro stato di salute e della loro capacità di tenere il passo con le scadenze.
I dati transazionali sono una fonte a cui non si può rinunciare, eppure spesso sono ancora poco considerati. I motivi di questo ritardo sono principalmente due e sono fortemente connessi: la qualità del dato transazionale e la difficoltà nel suo utilizzo. Il primo sembra legato al fatto che per anni, seppur raccolti e storicizzati, questa tipologia di dato raramente è stata impiegata in applicazioni di Advanced Analytics & AI.
Il secondo tema è legato al fatto che i dati transazionali hanno enormi volumi, si modificano ad altissime velocità e spesso, (si pensi ai campi liberi delle causali dei bonifici), è anche difficile verificarne l’attendibilità.
In una parola, si tratta di Big Data e come tali vanno trattati. Per non rinunciare a questo enorme patrimonio informativo è importante dunque attuare strategie di data quality e saper sintetizzare ed estrarne gli insight rilevanti.
Come? Ad esempio, con l’impiego di strumenti di normalizzazione delle insegne per ricondurre i pagamenti a un beneficiario univoco, o con l’utilizzo di categorizzatori testuali che assegnino tag e riconducano ogni transazione a una tipologia predefinita.
Se un’azienda è in ottima salute ma i suoi clienti ritardano o peggio non saldano i pagamenti, questo probabilmente si rifletterà sulla solidità dell’azienda fornitrice. Questa informazione non è però deducibile considerando le sole aziende collegate (es. società partecipate): serve uno strumento più potente.
Ecco che entrano in gioco i network di filiera. I Network Filiere mappano e relazionano le aziende tra di loro tramite legami di filiera, intercettando clienti, fornitori e intermediari. Con la Network Analysis è inoltre possibile analizzare gli ambiti ad elevata concorrenza e prevenire il rischio su aziende in relazione con controparti in ritardo con i pagamenti o in difficoltà creditizie. Includendo l’informazione della localizzazione delle sedi è possibile aggiungere informazioni legate al rischio fisico delle imprese e quindi delle filiere (come l’impatto previsto da terremoti, inondazioni etc.) così da identificare un ulteriore driver di rischio delle filiere a livello territoriale.
I trend macroeconomici possono avere un impatto sulla solidità di certi settori o di aziende specifiche: conosciamo quali sono stati gli impatti e come si sono differenziati sui settori economici nella recente situazione pandemica.
Oggi le spinte verso la transizione energetica e una low carbon economy stanno di nuovo ridefinendo le dinamiche tra settori, distanziando le attività di punta da quelle che invece dovranno reinventarsi per continuare ad essere competitive. Pertanto è fondamentale inserire anche questo tipo di valutazione per determinare i segnali di allerta precoce e identificare i mercati che risultano maggiormente in difficoltà.
L’open banking e la possibilità di combinare le informazioni sui conti (AISP – Account Information Service Providers) hanno dato nuova linfa alla corsa verso una visione a 360° sul cliente: la recente introduzione della normativa PSD2 e le ulteriori prospettive che si aprono dal suo aggiornamento (PSD3) promettono grandi passi in avanti rispetto alla possibilità di monitorare lo stato finanziario di un debitore.
Ma come ampliare la platea dei clienti per cui si ha accesso a questo tipo di informazioni? Proponendo ad esempio l’attivazione di servizi AI-enabled per personalizzare e migliorare l’esperienza in app e home banking. Si tratta, ad esempio, di aggregatori di conti capaci di effettuare previsioni sul cashflow, o sistemi per facilitare la navigazione verso gli elementi di interesse suggerendo le operazioni dispositive sulla base degli interessi e le abitudini dell’utente.