• 15 Giugno 2020

Perché andare oltre i dati tradizionali con gli Alternative Data

Perché andare oltre i dati tradizionali con gli Alternative Data

Perché andare oltre i dati tradizionali con gli Alternative Data 1000 703 FinScience

di Marco Belmondo, Chief Marketing Officer di Datrix

Alternative Data: cosa sono e come utilizzarli

Con il termine Alternative Data, o dati alternativi, si intendono tutti quei dati provenienti da ambienti digitali, quali forum, social, web, piattaforme di e-commerce, mappe e così via. Questi dati sono prevalentemente non strutturati, ossia sono dati testuali, immagini, video, in alcuni casi file audio. Se si è in grado di estrarne valore possono rappresentare un’importante fonte informativa.

Gli Alternative Data sono una conseguenza di grande potenzialità dell’esplosione dei Big Data, intesi come quei dati che hanno almeno una di queste 3V (Volume, Velocità, Varietà). Le recenti stime di IDC ci dicono che entro il 2025 la datasfera raggiungerà un volume di dati pari a 175 ZB, mentre saranno generati 59 ZB già entro la fine del 2020.
Da un certo punto di vista, potremmo definire Alternative Data tutti quei dati che non rientrano nel contesto dei dati tradizionali, ovvero afferiscono a fonti dati non disponibili prima dell’avvento dei Big Data. Di fatto, l’espressione dati alternativi viene utilizzata prevalentemente in ambito finanziario, ma non si deve cadere nell’errore di limitarne le applicazioni a questo settore!
In questo articolo proveremo a comprendere meglio quali sono i potenziali vantaggi e utilizzi dei dati alternativi.

AUMENTARE IL VALORE DEI FATTORI INTANGIBILI ESG

Alternative Data vs Traditional Data: perché andare oltre i dati tradizionali

Con dati tradizionali si intendono, nei contesti aziendali, tutti quei dati che vengono prodotti dai sistemi operazionali dell’azienda, altrimenti noti come dati transazionali. In maniera più ampia, possiamo considerare dati tradizionali tutte quelle informazioni che le aziende da decenni condividono con l’esterno. Pensiamo al bilancio societario e ad un set limitato di altre informazioni, disponibili ad esempio solo per le società quotate (es. trimestrali, prezzi e volumi di borsa).

I dati tradizionali hanno alcuni vantaggi ma hanno anche rilevanti limitazioni. In particolare, gli svantaggi rientrano in due macrocategorie:

  • Informazioni limitate: la capacità di un’azienda di sopravvivere e di fare meglio del mercato dipende da fattori quali scelte strategiche, capacità di far migliorare ed evolvere i propri talenti, capacità di reagire velocemente e adattarsi ai cambiamenti dei consumatori e molto altro. Non è possibile reperire queste informazioni, prettamente forward-looking, attraverso fonti tradizionali;
  • Tempi di aggiornamenti inadeguati: sempre di più le aziende si stanno muovendo verso il tema dei Real-time Analytics, ossia la possibilità di prendere decisioni a partire da dati aggiornati con latenze di pochi minuti al massimo. Questo perché il contesto è sempre più fluido e ciò che è vantaggioso adesso potrebbe non esserlo domani. In questo panorama, i dati di bilancio aggiornati annualmente non sono in grado di raccontare l’evoluzione della singola azienda.

Dall’altra parte, i dati tradizionali si caratterizzano per l’affidabilità delle fonti e dunque non possono essere ignorati nell’analisi di una società, sia con finalità di valutazione del rischio di credito sia per prendere decisioni di investimento.

Le migliori performance – e quindi le decisioni migliori, sia in ambito di valutazione del rischio di credito sia in ambito di scelte d’investimento – saranno quindi raggiunte se si riuscirà a combinare l’utilizzo di dati alternativi e di dati tradizionali. Ma in che modo trarre valore dai dati alternativi? È chiaro che non tutte le informazioni disponibili sul web dovranno avere lo stesso “peso” nel nostro modello predittivo!

La sfida, dunque, è passare dall’utilizzo informativo dei dati alternativi all’effettivo utilizzo degli stessi per la costruzione di modelli predittivi.

Gli utilizzi degli Alternative Data nei mercati finanziari: alcuni casi d’uso di FinScience

A livello concettuale, le persone che operano nei mercati finanziari, prendendo giorno dopo giorno decisioni di investimento, hanno sempre utilizzato “dati alternativi”. Il solo bilancio di un’azienda, anche per il professionista più esperto, non può bastare a comprendere i futuri sviluppi di quel particolare business o meglio, non può bastare ad anticipare i movimenti del mercato, investendo prima degli altri sugli ambiti più promettenti.

Ciò che è cambiato, negli ultimi anni, è la possibilità di raccogliere e accedere facilmente a grandi quantità di dati alternativi sulle aziende. Quello che nei decessi passati è stato considerato “fiuto per gli affari” ad oggi può trasformarsi nella capacità, tipica dei data scientist, di estrarre insight rilevanti da moli di dati eterogenei. 

Proprio di questo si occupa FinScience (società del gruppo Datrix). Attraverso la combinazione di dati tradizionali e alternativi e l’applicazione di modelli di machine learning su questi dati, FinScience ha ottenuto negli anni importanti successi, in termini di capacità predittiva dei propri modelli, applicandoli a diversi ambiti.

Vediamone alcuni:

  • ESG (Environmental, Social, Governance) Alternative Scoring: in questo caso d’uso, ci si propone di sviluppare uno score di sostenibilità con un aggiornamento in tempo reale – a differenza degli aggiornamenti annuali dei bilanci di sostenibilità. Queste analisi sono quindi estremamente più dettagliate e permettono di verificare quanto viene auto-dichiarato dalle aziende. Utilizzando questa tipologia di score, sarà possibile comparare più semplicemente settori differenti e ciò può rappresentare un grande valore aggiunto non solo per Asset Manager, ma anche in termini di analisi del mercato per aziende, quotate e non, o società di consulenza.
  • Quantamental Investing: in questo caso, i dati alternativi vengono utilizzati per attività di forecasting per prezzi di titoli azionari e di conseguenza per la costruzione di portafogli d’investimento. I modelli di FinScience vanno ad integrare il set tradizionale dei dati finanzieri con informazioni alternative sulle singole aziende e, applicando logiche di machine learning, riescono a cogliere dei segnali di acquisto-vendita di azioni in maniera differenziale e più efficace rispetto al mercato. 
  • Alternative Market Analysis: quest’ultimo esempio dimostra gli utilizzi degli Alternative Data ben oltre la sfera del mondo finanziario. In questo caso, dati tradizionali e alternativi vengono combinati per ottimizzare il decision-making in numerose decisioni strategiche (ad esempio, lancio/test di nuovi prodotti e servizi, internazionalizzazione del business, apertura di punti vendita). Con dati tradizionali in questo caso si intendono principalmente i dati ufficiali rilasciati dagli istituti di statistica, dall’altra parte vengono utilizzati invece i dati estratti dalla rete, quali conversazioni, tendenze, recensioni ecc… FinScience ha sviluppato una specifica metodologia che, attraverso logiche di ranking rispetto al target da raggiungere, può supportare Marketing Manager, Customer Analytics Manager e ruoli simili nelle decisioni di investimento. 

ALTERNATIVE DATA PER COSTRUIRE STRATEGIE DI INVESTIMENTO