FinTech company del gruppo Datrix

Alternative Scores

Applicazione di algoritmi di machine learning all’analisi dei dati finanziari tradizionali e fattori aggiuntivi specifici di rischio estratti dagli Alternative Data digitali.

Dedicato a Credit & Risk Management, Asset Management, Family Office

CREDIT SCORE BY MACHINE LEARNING

Applicazione di algoritmi di machine learning all’analisi dei dati finanziari provenienti da fonti tradizionali (es. bilanci, trimestrali, semestrali, database pubblici). In questo modo il numero di variabili contemporaneamente considerate aumenta notevolmente (oltre 1000) e se ne ricava maggior precisione dimostrata dai backtesting. Alcune variabili rimangono determinanti, ad esempio quella della localizzazione geografica dell’azienda che però acquista un maggior livello di dettaglio con una scomposizione del territorio italiano in base ai diversi codici di avviamento postale.
Possiamo analizzare e trasformare in dati anche documenti testuali, come le note integrative.

3 fattori di rischio specifici

Misuriamo anche 3 fattori di rischio specifici per i quali utilizziamo Alternative Data digitali. L’aggiunta di questi fattori contribuisce a completare la stima del reale rischio di finanziamento o di investimento nelle PMI o microimprese. La ragione principale risiede nel fatto che i dati digitali sono dinamici e raccolti in continuo, a differenza dei dati di bilancio necessariamente statici in quanto riferiti al relativo anno e peraltro redatti, pubblicati e depositati successivamente.

I fattori di rischio aggiuntivi possono essere molto utili anche alle assicurazioni e alle società di recupero crediti.

1.

FATTORE DI RISCHIO DIGITALE

Carta d’identità digitale delle aziende e dei settori per misurare il grado di trasformazione digitale e la presenza digitale di un’azienda o di un settore sulla base di differenti variabili: distribuzione tramite e-commerce, data governance, frequenza di aggiornamento e tecnologia sottostante ai siti, analisi delle recensioni dei clienti, profili social dei manager, …

2.

FATTORE DI RISCHIO GEOGRAFICO

Valuta l’aspetto demografico dell’area in cui l’azienda si trova (es. è vicina a zone a rischio sismico o idrogeologico).

3.

FATTORE DI RISCHIO SOCIALE

Attraverso analisi di sentiment, misura l’impatto di crisi in essere o emergenti (es. incremento fallimenti, criminalità, povertà, …) su singole aziende, settori o aree geografiche. Abbiamo sviluppato ad esempio analisi di rischio sugli impatti economici del Coronavirus per territorio, distretto o settore industriale.

Casi di successo

FinScience è stata scelta da una delle principali società di Business & Credit Information per migliorare i modelli di misurazione del rischio default a 18 mesi di aziende non quotate.

L’analisi fino ad allora adottata era basata su un massimo di 16 variabili estratte da dati finanziari tradizionali. Lo scoring veniva attribuito considerando l’appartenenza regionale delle aziende.

Sfruttando l’Intelligenza Artificiale, FinScience dagli stessi dati tradizionali è riuscita ad estrarre 1.400 variabili e ha aggiunto il fattore di rischio digitale. Lo scoring viene attribuito considerando il Comune di appartenenza o il CAP nel caso l’azienda abbia sede nelle grandi città.

Per approfondire
Scarica la presentazione

Risultati sulla base del backtesting
In soli tre mesi FinScience ha migliorato l’affidabilità del modello del 13%, passando da 80% a 93%.
Grazie al nuovo modello di scoring è stato possibile individuare su un sotto-insieme di 135.000 aziende:

706 Bad Company aggiuntive (Rischio Default Alto) non riconosciute come tali dal modello precedente

17.338 Good Company aggiuntive (Rischio Default Basso) che secondo il modello precedente non erano meritevoli di credito con conseguenti perdita di redditività del finanziatore

Approfondisci

Evento sull'Augmented Analytics
Cosa ne dicono i media
Comunicati Stampa
Iscriviti alla newsletter

Sugli Alternative Scores leggi anche

Vedi tutti

Classificazione dei documenti con Modelli di NLP: quali utilizzare e per quali analisi

 Classificazione dei documenti con Modelli di NLP: quali utilizzare e per quali analisi 1024 538 FinScience

Text Mining e Big Data per la Finanza

 Text Mining e Big Data per la Finanza 1024 536 FinScience

Text Mining: utilità e stato della tecnologia per la Finanza

 Text Mining: utilità e stato della tecnologia per la Finanza 777 437 FinScience

AI per leggere, capire e classificare i documenti bancari

 AI per leggere, capire e classificare i documenti bancari 1024 576 FinScience

Il valore aggiunto degli Alternative Data

Scopri le soluzioni ed i servizi FinScience più adatti alla tua attività.

Richiedi una Demo