di Valerio Sabelli
Più del 90% delle aziende dell’indice Standard & Poor’s pubblica report relativi ai criteri ESG e centinaia di agenzie di rating ne analizzano i risultati.
Vari studi non sono riusciti ad identificare un forte miglioramento dei ricavi a seguito di queste analisi, almeno finché i risultati erano processati manualmente dagli analisti. Arriva poi un evento particolare: l’introduzione di bot nel processamento dei dati. Con questo importante boost, sempre più compagnie hanno iniziato ad applicare metodologie di machine learning e artificial intelligence per valutare quali target ESG rappresentano dei veri miglioramenti nei ricavi e quali sono più marginali.
Cosa sono le performance ESG
Le global sustainability challenge, come rischi di inondazioni, innalzamento del livello dei mari, privacy e sicurezza dei dati, cambiamenti demografici e cambiamenti politici o in termini legali introducono dei nuovi fattori di rischio per gli investitori.
Per modellare questo rischio e per aiutare nella pianificazione a medio-lungo termine relativamente alla sostenibilità ambientale, sociale e di governance sono stati introdotti nell’Agenda 2030 delle Nazioni Unite gli ESG criteria e i sustainable development goals, dei veri e propri checkpoint da seguire.
L’azienda usa in modo efficiente l’energia? Quest’ultima proviene da fonti rinnovabili? Sono gestiti in modo responsabile le risorse e i rifiuti prodotti? Ci sono policy aziendali relative ai lavoratori per rispettarne i diritti sindacali, favorire le diversità, bloccare la discriminazione? L’azienda ha problemi relativi alla tassazione? Gli organi direttivi sono scelti in modo trasparente? Le decisioni sono prese tenendo conto anche delle opinioni degli azionisti di minoranza?
Questi sono solo alcuni dei punti toccati dai criteri ESG e relativamente a cui le aziende sono portate a rispondere ai consumatori e agli investitori
Machine learning applicato al monitoraggio ESG
Le grandi aziende si affidano a ricerche sulla sostenibilità, dal momento che gli ESG rating attraggono investitori (spesso anche più importanti) e garantiscono più trasparenza ai consumatori. Spesso vengono assunti gruppi di analisi per processare anche solo gli internal ESG data con l’obiettivo di direzionare le operations dell’azienda verso una maggiore sostenibilità.
Come già anticipato, prima dell’avvento dei bot le analisi erano human-driven. con il conseguente rischio di bias nella costruzione dei report. Al contrario, l’AI è sicuramente imparziale nelle sue decisioni.
Oltre a questo, i modelli del machine learning hanno una spiccata tendenza al mining in grandi moli di dati non strutturati. Ad esempio, molte aziende affiancano a dati prodotti internamenti un bundle di informazioni ricavate da media, siti governativi e fonti simili, ma comunque tutte pubblicamente accessibili (allo scopo di avvicinarsi il più possibile alla percezione esterna dell’azienda).
Gli algoritmi utilizzati dai software presenti sul mercato sono arrivati al punto di poter desumere il tono di un social media post, ricavando varie informazioni qualitative e – chiaramente – lavorando a velocità di diversi ordini di grandezza maggiori rispetto a quelle umane. I progressi nella sentiment analysis, anche detta opinion mining, permettono alle compagnie di monitorare la loro rilevanza sociale e l’impatto che hanno sui consumatori, basandosi sulle loro esatte parole.
Per estrapolare queste informazioni, vengono utilizzati modelli di natural language processing (NLP), una branca del machine learning che permette alle macchine di individuare pattern nel linguaggio umano. In questo modo, è possibile analizzare sia comunicazioni scritte che verbali, percependo come gli ESG commitment sono presentati al pubblico e come sono recepiti da quest’ultimo.
Ad esempio, dichiarazioni o comunicati indicati in prima persona possono indicare dichiarazioni più concrete, che non si rifugiano dietro lo “scudo” della terza persona.
Inoltre, analizzando gli annunci di lavoro (pubblicati su siti come Linkedin o simili) è possibile ricavare un insight sulla diversità di genere o sociale presente in azienda.
A queste informazioni qualitative devono – ovviamente – essere affiancati dati quantitativi più strutturati, ovvero le statistiche rese pubbliche dalle aziende.
Su questi è possibile applicare algoritmi di learning più classici (come support vector machines e linear regression) o tecniche più recenti con reti neurali: questi hanno lo scopo di identificare pattern negli score ESG e predirne l’evoluzione in modo “dinamico”, ovvero ri-allenando gli stessi modelli con dati aggiornati.
Attenzione però: Il punto principale su cui focalizzarsi nell’applicare il machine learning agli ESG data non è tanto la mera analisi delle metriche tramite modelli che processano serie numeriche, quanto la comparazione di questi numeri con la percezione esterna dell’azienda.
In questo modo, è possibile ricavare una percezione di quella che è la credibilità esterna del suo sustainability planning e, in funzione di tale credibilità, possiamo selezionare opportunamente i titoli o le aziende su cui puntare.