Home Blog Il ruolo degli alter ...

Il ruolo degli alternative data nel Credit Risk management

FinScience

di Eugenio Ciamprone

Il ruolo degli alternative data nel credit risk management

Il Credit Risk Management è l’insieme delle attività e dei processi mediante i quali si stima, si misura e si analizza il rischio di credito, e successivamente si sviluppano delle strategie per mitigarne, in parte o totalmente, gli effetti. In particolare, il Credit Risk Management consiste in metodologie statistico-matematiche per l’individuazione e il trattamento del rischio di credito.

La gestione del rischio di credito è un’attività fondamentale principalmente per banche e assicurazioni, anche se negli ultimi anni le moltissime variabili da considerare nell’ambito di un business impongono un maggior approfondimento dell’argomento anche per settori differenti da quelli citati. Oltretutto, l’enorme disponibilità di dati e le evoluzioni in ambito computazionale permettono una maggiore capacità di individuazione del rischio di credito anche per soggetti diversi da banche e assicurazioni.

Anche per le aziende, dunque, i modelli di gestione dei rischi sono diventati una priorità. La misurazione della solvibilità di un creditore (credit scoring), che in passato si otteneva solamente dall’analisi dei dati di bilancio e dalla storia dell’azienda, si ottiene utilizzando principalmente il Machine Learning e gli Analytics.

Inoltre, il rischio che la controparte non riesca ad adempiere, in tutto o in parte, agli impegni sottoscritti molto spesso non è dovuto solamente a fattori interni all’azienda, ma anche a fattori esterni quali ad esempio il contesto normativo e il mercato nel quale opera. Anche per tali ragioni l’utilizzo dei Big Data può offrire migliori performance al fine di conoscere l’affidabilità creditizia di una controparte.  

Ma in che modo i Big Data possono impattare e modificare in meglio l’analisi del rischio di credito?

I Big Data nel Credit Risk Management

Il nuovo approccio nell’ambito del Credit Risk Management si può sintetizzare con il termine digitalizzazione del rischio di credito. Grazie all’utilizzo dei Big Data l’analisi dei fattori “esterni” alla controparte oggetto di valutazione gode della stessa importanza (se non maggiore!) rispetto all’analisi dei fattori “interni” tipica dell’approccio tradizionale. 

L’enorme mole di dati presente sul web permette di poter effettuare una valutazione del rischio di credito spostando lo sguardo verso tutto ciò che circonda esternamente la controparte, e non più guardando solamente all’interno di essa. Va precisato, però, che i dati devono essere utilizzati correttamente perché l’output dia risultati efficaci.

Se gestiti correttamente, i dati permettono di stimare l’affidabilità creditizia delle controparti di business ed effettuare una gestione del rischio di credito più efficace, a patto che si dia molta attenzione e importanza alla qualità del dato. Una previsione effettuata su dati attendibili e pertinenti può fornire in anticipo indicazioni su possibili cambiamenti del mercato.

Non sono più sufficienti i dati storici relativi al soggetto valutato, ma vanno presi in considerazione le sue partnership, l’ecosistema dei suoi fornitori e il trend del settore nel quale opera. 

Allo stesso modo, se parliamo di un consumatore, la valutazione del rischio di credito si ottiene grazie a modelli predittivi basati ad esempio sui dati dei social network, soprattutto in ambiti dove i dati storici del consumatore siano inesistenti o difficilmente accessibili.

Gli Alternative Data nel Credit Risk Management 

Per analizzare le informazioni e i comportamenti dal web è necessario lavorare sugli Alternative Data. I tool che utilizzano gli Alternative Data, ovvero dati ottenuti da fonti non tradizionali come i comportamenti sui social media o gli acquisti online, hanno la capacità di analizzare differenti tipologie di dati al fine di intercettare i segnali che possono migliorare le performance nell’ambito del credit scoring e nella gestione del rischio di credito.

Per quanto riguarda i grandi player, l’analisi di questi dati consente di intercettare in anticipo possibili situazioni o avvenimenti nel settore di riferimento che possono impattare sulla solvibilità di clienti o fornitori. Analizzare gli Alternative Data rappresenta in tale ambito un vantaggio competitivo in quanto permette un miglioramento delle performance nell’individuazione del posizionamento e dell’affidabilità delle controparti.

Nel caso dei consumatori, invece, l’utilizzo di questi modelli permette di intercettare le abitudini di comportamento e le relazioni sociale che molto spesso sono informazioni più affidabili per stabilire il grado di solvibilità di un soggetto rispetto ai dati finanziari storici dello stesso. 

Inoltre, per alcune fasce di popolazione e in alcune zone del mondo le informazioni storiche spesso non esistono o sono di difficile reperimento. In questi casi le “impronte” lasciate sul web hanno una capacità predittiva superiore rispetto ai dati storici tradizionali. Il “punteggio” di solvibilità di un soggetto si può desumere dalle informazioni e dai comportamenti registrati sul web.

L’utilizzo degli Alternative Data consente anche l’individuazione dei cosiddetti segnali deboli, informazioni apparentemente casuali o inizialmente poco inerenti ma che collegate ad altre possono essere riconosciute come significative se osservate da una diversa prospettiva. Se accuratamente selezionati, tali dati possono risultare decisivi per prevedere il grado di solvibilità di soggetti o consumatori in anticipo rispetto all’analisi ex-post effettuate sui dati tradizionali.