Dalla Redazione Fintech NPL e crediti deteriorati

Qualità del dato e analisi predittive: le prossime sfide dell’industria del credito secondo Vanes Bolandrini, CEO di RAD Informatica

Dal vostro punto di vista qual è il quadro attuale dell’industria del credito, dopo aver attraversato il processo di De-risking?

V.B. La fotografia degli effetti del processo di De-risking sugli NPE, sia in termini di flussi sia in termini di peso sui bilanci delle banche, testimonia senza dubbio una risposta virtuosa del sistema Italia, delle autorità di vigilanza, delle banche e dell’industria che si è sviluppata attorno a questa asset class. Da questo punto di vista possiamo senza dubbio dire che il processo ha prodotto gli effetti desiderati e che con ogni probabilità il problema strutturale degli NPL può dirsi risolto, almeno per quanto riguarda le banche e nelle dimensioni dirompenti che abbiamo sperimentato nel 2015.
In termini di transazioni sugli NPE siamo al momento in una fase che potremmo definire di mantenimento, con un NPE ratio attorno al 3%, e un conseguente cambiamento radicale da un approccio reattivo legato alla tradizionale gestione degli NPE ad un approccio più proattivo e previdente, che riguarda diverse asset class, ovvero posizioni performing che possono rappresentare un elemento di rischio e di potenziale deterioramento. Anche se l’incidenza degli Stage 2 nei bilanci delle banche è sostanzialmente stabile sia a livello italiano sia europeo, con un trend previsto in leggera crescita da qui a due anni, parliamo sicuramente di un fenomeno numericamente significativo che tocca i 212 miliardi di euro a livello italiano e arriva a 1.906 miliardi a livello europeo. Degni di nota sono anche i crediti garantiti MCC/SACE, che hanno un rischio potenziale superiore ad altri portafogli e potenzialmente costituiscono un problema a livello sistemico, vista la possibilità da parte delle banche di ricorrere all’escussione della garanzia.

In questo contesto quale contributo può fornire l’innovazione tecnologica?

V.B. La tecnologia si configura come alleato sia per le banche sia per i servicer, attraverso piattaforme di servizi dedicati ai temi del monitoraggio prospettico e della prevenzione del deterioramento. In termini di strategia Deda ha da tempo posto le basi per un cambio di approccio incentrato sulla creazione di una piattaforma, che attraversa tutte le fasi dei processi di gestione del credito, dalla concessione alla fase di early warning e monitoraggio fino ad arrivare alla gestione degli NPE, passando per la gestione delle garanzie agevolate. L’approccio a servizi integrati che coinvolge tutte le fasi del ciclo di vita del credito consente di ottimizzare l’intera catena del valore, identificando le inefficienze e i potenziali elementi di rischio in tutte le fasi del processo. Il focus sull’integrazione garantisce che i dati siano condivisi e aggiornati in modo coerente nelle diverse fasi e consente un aumento della flessibilità e della capacità di adattamento delle diverse strategie di approccio.
L’applicazione della tecnologia a tutte le fasi del ciclo di vita del credito, dalla concessione al recupero, offre molti vantaggi per una gestione più efficiente ed efficace del rischio di credito: aumento dell’efficienza della valutazione del merito creditizio, maggiore tempestività grazie al continuo monitoraggio delle situazioni potenzialmente rischiose, possibilità di prendere decisioni più informate. L’AI avrà indubbiamente un ruolo importante in questo quadro complessivo.

Possiamo entrare più nel dettaglio di quello che è e sarà il ruolo dell’AI nella gestione del credito?

V.B. L’AI, attraverso gli algoritmi di machine learning, è in grado di analizzare grandi volumi di dati eterogenei (finanziari, economici, sociali) in modo rapido ed efficiente, consentendo un monitoraggio continuo dello stato di salute del portafoglio creditizio. L’individuazione di pattern ed anomalie sui dati, possono consentire di segnalare tempestivamente situazioni di potenziale deterioramento, consentendo interventi correttivi mirati. Parliamo di deterioramento dei  fondamentali finanziari (calo dei ricavi e aumento dei costi o peggioramento degli indici di liquidità), aumento della leva finanziaria, diminuzione dei margini, esposizione ai rischi ambientali, variazioni significative dei flussi di cassa, monitoraggio del comportamento sui siti e sulle app.
I modelli predittivi basati sull’AI possono stimare la probabilità di default e quantificare l’impatto di diversi scenari economici sul portafoglio creditizio.
L’analisi continua delle informazioni disponibili e la comparazione con i dati di evoluzione del mercato nell’ambito di settori sovrapposti, consente di aggiornare in maniera dinamica lo scoring creditizio, identificando i segmenti di clientela omogenei in base al profilo di rischio e supportando la creazione di portafogli più resilienti e allineati agli obiettivi strategici della banca.

Quali possono essere gli altri ambiti di applicazione dell’AI?

V.B. L’AI può essere applicata in vari ambiti e in molteplici modalità, con lo scopo di supportare e fornire gli strumenti utili per prendere decisioni informate e tempestive.

Parliamo per esempio del propensity to pay, la previsione della probabilità e della capacità di rimborso da parte dei clienti, basandosi su dati storici e sulle caratteristiche degli stessi. Le informazioni generate dall’AI possono supportare i decision maker nella definizione di strategie di de-risking ottimali, tenendo conto dei vincoli normativi e di bilancio. La tecnologia può aiutare anche nella generazione di stress testing avanzati con la simulazione di scenari estremi per valutare l’impatto sui portafogli, usando modelli sofisticati.

Gli algoritmi di machine learning possono essere utilizzati anche nel campo Real Estate per valutare gli immobili in modo più accurato e rapido, tenendo conto di una vasta gamma di variabili, come la posizione, le caratteristiche dell’immobile, il valore dei comparable e le tendenze di mercato. Attraverso le analisi predittive è possibile prevedere l’evoluzione dei prezzi degli immobili, identificando le aree con maggiore potenziale. Valutare il rischio di credito dei clienti, usando modelli predittivi basati su dati dei social media o provenienti dai sensori IoT.

Quali sono le sfide per il prossimo futuro?

V.B. L’efficacia degli algoritmi di machine learning è legata alla qualità dei dati a disposizione ed è pertanto indispensabile investire nella raccolta, nella pulizia e nell’integrazione dei dati. Ai tradizionali controlli si affiancano nuovi modelli di identificazione di anomalie data driven che ricercano la presenza di regole e pattern tra i dati: le anomalie si individuano attraverso l’osservazione dinamica dei dati, che consente la rilevazione di nuovi fenomeni e porta alla creazione di controlli mirati su aree scoperte. La presenza di un dato di qualità è uno dei pilastri fondamentali dell’approccio all’innovazione ed in tal senso l’approccio basato sugli analytics consente di introdurre controlli di consistenza, attraverso l’analisi statistica e automatica dei singoli dati per verificarne integrità, coerenza e congruenza e l’analisi dei trend, per identificare variazioni anomale nell’ambito di serie storiche. I controlli relazionali consentono un’analisi congiunta di più dati, evidenziando anomalie nella relazione tra variabili diverse.
Possiamo dire senza dubbio che l’AI rappresenta un’opportunità per le banche e per i servicer di migliorare la gestione del rischio creditizio, rafforzare la propria competitività e contribuire alla stabilità del sistema finanziario. Per sfruttare pienamente questo potenziale è indispensabile un approccio integrato, che coinvolga data scientist, figure esperte di business e anche di regolamentazione, allo scopo di garantire l’equità e la trasparenza dei sistemi AI.