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.
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
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
Ultimi articoli
Il valore aggiunto degli Alternative Data
Scopri le soluzioni ed i servizi FinScience più adatti alla tua attività.