Voi siete tra i principali player nel campo dei software gestionali in ambito NPE. Quali sono i maggiori cambiamenti e le evoluzioni che state riscontrando nelle esigenze relative alla gestione del processo di recupero?
Come player tecnologico, abbiamo sempre avuto un punto di vista privilegiato per cogliere le esigenze di un mercato in continua evoluzione. Nel tempo, diversi fattori economici, normativi e tecnologici hanno reso necessario introdurre cambiamenti significativi per rispondere a esigenze sempre più complesse. Abbiamo attraversato fasi cruciali, come l’aumento dei volumi legati alla crisi dei subprime, la diversificazione degli asset e le normative che hanno reso più regolamentata la gestione degli NPE, fino alla nascita di un’industria specifica, caratterizzata da Servicer specializzati e investitori.
Guardando al contesto attuale da una prospettiva macroscopica, emergono due ambiti principali in cui la tecnologia può esprimere il proprio potenziale. Da un lato, gli effetti del derisking evidenziano la necessità di rendere più efficiente la gestione degli stock, valorizzando gli investimenti e ottimizzando i processi. Dall’altro, si sta affermando un cambio di paradigma, che pone maggiore attenzione sulle asset class rappresentate dai clienti performing. In questo scenario, diventa centrale un approccio prospettico e analitico, capace di anticipare i rischi e preservare il valore del portafoglio creditizio.
Come la tecnologia può supportare una corretta gestione degli stock?
La tecnologia gioca un ruolo cruciale nel supportare l’efficienza gestionale, soprattutto attraverso l’utilizzo di analytics, sia descrittivi sia predittivi. Gli strumenti descrittivi permettono di rappresentare e analizzare i dati storici, offrendo la possibilità di monitorare gli effetti delle attività svolte. Si tratta, in sostanza, di strumenti di reportistica e business intelligence che forniscono una base solida per comprendere l’andamento delle operazioni. Gli strumenti predittivi, invece, aggiungono un ulteriore livello di valore, consentendo di estrarre dai dati informazioni utili per guidare le decisioni attuali o future. Possono, ad esempio, aiutare a presidiare le tempistiche delle strategie gestionali associate ai vari cluster di pratiche, grazie a modelli avanzati di business planning che valutano scenari alternativi e all’uso di algoritmi di machine learning per supportare i decision maker nella gestione delle posizioni.
Un altro elemento fondamentale per la gestione degli stock riguarda le strategie di gestione dei portafogli. L’utilizzo di big data e analytics consente di prendere decisioni più rapide e consapevoli, ma la vera chiave per ottenere efficienza sta nel disegnare processi adatti ai diversi cluster di pratiche, mantenendo la massima flessibilità per modificarli e perfezionarli sulla base degli indicatori di performance.
Due aspetti sono cruciali in questo contesto: la capacità di misurare i risultati e quella di intervenire rapidamente con meccanismi correttivi. Tecnologie come i sistemi di BPM e LowCode permettono di ridurre significativamente i tempi necessari per implementare variazioni nei processi.
La possibilità di definire processi strutturati è essenziale, così come la capacità di automatizzare le fasi che possono essere demandate ad un operatore non umano, in tutte le situazioni in cui la macchina può fornire risultati più veloci oppure sulle porzioni di portafoglio per cui la probabilità di recupero risulta inferiore.
Per quanto riguarda il cambio del paradigma sul derisking, come pensate che vada affrontato?
Il cambio di paradigma nel derisking, che pone maggiore attenzione sugli stage 2, è un tema centrale soprattutto per le banche. Si tratta di affrontare il concetto di rischio con un approccio “shift left”, dove la parola chiave è “anticipare”. Il “forward-looking” definito dall’EBA LOM rappresenta una filosofia operativa: le banche sono chiamate a valutare il merito creditizio non più esclusivamente sui dati storici o sulle garanzie fornite, che rimangono un elemento accessorio per la tutela in caso di insolvenza, ma su piani prospettici credibili e documentati. Queste valutazioni devono basarsi su stime realistiche e sostenibili dei redditi e dei flussi di cassa futuri.
Anche in questo ambito, la tecnologia assume un ruolo centrale, grazie all’utilizzo di analytics avanzati applicati a diversi aspetti interconnessi. Uno degli strumenti chiave è il monitoraggio continuo e in tempo reale, abilitato da algoritmi di machine learning in grado di analizzare rapidamente grandi volumi di dati eterogenei (finanziari, economici e sociali). Questo consente un controllo costante dello stato di salute del portafoglio creditizio e una capacità di reazione immediata.
L’identificazione precoce dei segnali di allarme rappresenta un altro pilastro fondamentale: attraverso l’AI, è possibile individuare pattern e anomalie nei dati che segnalano tempestivamente situazioni di potenziale deterioramento creditizio, permettendo così di attuare interventi correttivi mirati e tempestivi.
Infine, la valutazione prospettica del rischio è resa possibile da modelli predittivi basati su AI, che stimano la probabilità di default futuri e quantificano l’impatto di diversi scenari economici sul portafoglio. Questi strumenti permettono di esplorare scenari complessi e di supportare decisioni strategiche grazie ad analisi di impatto e stress test di portafoglio.
Riscontate un cambiamento nelle modalità di fruizione degli strumenti tecnologici applicati al recupero crediti?
Sì, abbiamo osservato un cambiamento significativo nell’approccio alla fruizione della tecnologia. Se in passato si parlava di piattaforme come sistemi monolitici e rigidi, oggi la fruizione è cambiata verso soluzioni più flessibili e modulari. Parliamo di sistemi integrati di servizi che coprono l’intera filiera di gestione del credito e si basano sul concetto di composable platform.
Queste piattaforme sono progettate per adattarsi dinamicamente alle esigenze specifiche degli utenti, offrendo la flessibilità necessaria per affrontare trasformazioni continue in un contesto che evolve rapidamente. Questo approccio migliora l’efficienza operativa. In un mercato sempre più complesso, la capacità di personalizzazione e adattamento rappresenta un vantaggio competitivo cruciale.
Voi siete tra i principali player nel campo dei software gestionali in ambito NPE. Quali sono i maggiori cambiamenti e le evoluzioni che state riscontrando nelle esigenze relative alla gestione del processo di recupero?
Come player tecnologico, abbiamo sempre avuto un punto di vista privilegiato per cogliere le esigenze di un mercato in continua evoluzione. Nel tempo, diversi fattori economici, normativi e tecnologici hanno reso necessario introdurre cambiamenti significativi per rispondere a esigenze sempre più complesse. Abbiamo attraversato fasi cruciali, come l’aumento dei volumi legati alla crisi dei subprime, la diversificazione degli asset e le normative che hanno reso più regolamentata la gestione degli NPE, fino alla nascita di un’industria specifica, caratterizzata da Servicer specializzati e investitori.
Guardando al contesto attuale da una prospettiva macroscopica, emergono due ambiti principali in cui la tecnologia può esprimere il proprio potenziale. Da un lato, gli effetti del derisking evidenziano la necessità di rendere più efficiente la gestione degli stock, valorizzando gli investimenti e ottimizzando i processi. Dall’altro, si sta affermando un cambio di paradigma, che pone maggiore attenzione sulle asset class rappresentate dai clienti performing. In questo scenario, diventa centrale un approccio prospettico e analitico, capace di anticipare i rischi e preservare il valore del portafoglio creditizio.
Come la tecnologia può supportare una corretta gestione degli stock?
La tecnologia gioca un ruolo cruciale nel supportare l’efficienza gestionale, soprattutto attraverso l’utilizzo di analytics, sia descrittivi sia predittivi. Gli strumenti descrittivi permettono di rappresentare e analizzare i dati storici, offrendo la possibilità di monitorare gli effetti delle attività svolte. Si tratta, in sostanza, di strumenti di reportistica e business intelligence che forniscono una base solida per comprendere l’andamento delle operazioni. Gli strumenti predittivi, invece, aggiungono un ulteriore livello di valore, consentendo di estrarre dai dati informazioni utili per guidare le decisioni attuali o future. Possono, ad esempio, aiutare a presidiare le tempistiche delle strategie gestionali associate ai vari cluster di pratiche, grazie a modelli avanzati di business planning che valutano scenari alternativi e all’uso di algoritmi di machine learning per supportare i decision maker nella gestione delle posizioni.
Un altro elemento fondamentale per la gestione degli stock riguarda le strategie di gestione dei portafogli. L’utilizzo di big data e analytics consente di prendere decisioni più rapide e consapevoli, ma la vera chiave per ottenere efficienza sta nel disegnare processi adatti ai diversi cluster di pratiche, mantenendo la massima flessibilità per modificarli e perfezionarli sulla base degli indicatori di performance.
Due aspetti sono cruciali in questo contesto: la capacità di misurare i risultati e quella di intervenire rapidamente con meccanismi correttivi. Tecnologie come i sistemi di BPM e LowCode permettono di ridurre significativamente i tempi necessari per implementare variazioni nei processi.
La possibilità di definire processi strutturati è essenziale, così come la capacità di automatizzare le fasi che possono essere demandate ad un operatore non umano, in tutte le situazioni in cui la macchina può fornire risultati più veloci oppure sulle porzioni di portafoglio per cui la probabilità di recupero risulta inferiore.
Per quanto riguarda il cambio del paradigma sul derisking, come pensate che vada affrontato?
Il cambio di paradigma nel derisking, che pone maggiore attenzione sugli stage 2, è un tema centrale soprattutto per le banche. Si tratta di affrontare il concetto di rischio con un approccio “shift left”, dove la parola chiave è “anticipare”. Il “forward-looking” definito dall’EBA LOM rappresenta una filosofia operativa: le banche sono chiamate a valutare il merito creditizio non più esclusivamente sui dati storici o sulle garanzie fornite, che rimangono un elemento accessorio per la tutela in caso di insolvenza, ma su piani prospettici credibili e documentati. Queste valutazioni devono basarsi su stime realistiche e sostenibili dei redditi e dei flussi di cassa futuri.
Anche in questo ambito, la tecnologia assume un ruolo centrale, grazie all’utilizzo di analytics avanzati applicati a diversi aspetti interconnessi. Uno degli strumenti chiave è il monitoraggio continuo e in tempo reale, abilitato da algoritmi di machine learning in grado di analizzare rapidamente grandi volumi di dati eterogenei (finanziari, economici e sociali). Questo consente un controllo costante dello stato di salute del portafoglio creditizio e una capacità di reazione immediata.
L’identificazione precoce dei segnali di allarme rappresenta un altro pilastro fondamentale: attraverso l’AI, è possibile individuare pattern e anomalie nei dati che segnalano tempestivamente situazioni di potenziale deterioramento creditizio, permettendo così di attuare interventi correttivi mirati e tempestivi.
Infine, la valutazione prospettica del rischio è resa possibile da modelli predittivi basati su AI, che stimano la probabilità di default futuri e quantificano l’impatto di diversi scenari economici sul portafoglio. Questi strumenti permettono di esplorare scenari complessi e di supportare decisioni strategiche grazie ad analisi di impatto e stress test di portafoglio.
Riscontate un cambiamento nelle modalità di fruizione degli strumenti tecnologici applicati al recupero crediti?
Sì, abbiamo osservato un cambiamento significativo nell’approccio alla fruizione della tecnologia. Se in passato si parlava di piattaforme come sistemi monolitici e rigidi, oggi la fruizione è cambiata verso soluzioni più flessibili e modulari. Parliamo di sistemi integrati di servizi che coprono l’intera filiera di gestione del credito e si basano sul concetto di composable platform.
Queste piattaforme sono progettate per adattarsi dinamicamente alle esigenze specifiche degli utenti, offrendo la flessibilità necessaria per affrontare trasformazioni continue in un contesto che evolve rapidamente. Questo approccio migliora l’efficienza operativa. In un mercato sempre più complesso, la capacità di personalizzazione e adattamento rappresenta un vantaggio competitivo cruciale.