Intelligenza Artificiale: il futuro degli intermediari finanziari

Ormai da alcuni anni i modelli Machine Learning – ossia algoritmi di intelligenza artificiale in grado di apprendere informazioni per agire in modo automatizzato – hanno iniziato ad essere utilizzati dalle maggiori istituzioni finanziarie di tutto il mondo, e potrebbero in futuro trasformare radicalmente l’intero settore dei servizi finanziari.

In un recente sondaggio dell’MIT Sloan Management Review condotto su oltre 2500 imprese a livello globale[1], l’84% degli intervistati ha risposto che l’implementazione dell’AI nei propri processi, prodotti o servizi potrebbe rappresentare un vantaggio cruciale nei confronti dei propri competitor.

Allo stesso tempo, i dati provenienti dal World Retail Banking Report di Campgemini ed Efma[2] ci dicono che nel 2020, solo il 39% degli istituti di credito ha iniziato ad estrarre valore dalle enormi moli di dati che ha a disposizione.

 

 

Fonte: Capgemini & EFMA (2020), World Retail Banking Report

 

Nel 75% dei casi la gestione dei dati bancari, che spesso raggiungono volumi tali da essere definiti Big Data, è ostacolata da processi manuali che oltre a rallentare l’intero sistema, possono dare origine ad errori che vanno ad inficiare la bontà dei modelli utilizzati e, di conseguenza, peggiorano la qualità delle informazioni a disposizione dei decision-maker. Per riuscire a sfruttare appieno un patrimonio dati così massiccio gli strumenti convenzionali non bastano, ma è necessario avvalersi di sistemi aggiornati, che utilizzino gli algoritmi di Machine Learning per processare correttamente le informazioni.

 

La crescente complessità dei sistemi finanziari, insieme all’accelerazione verso la Digital Transformation che la pandemia ha inevitabilmente portato con sé, ha indotto i nuovi player del settore a puntare sulla User Experience per espandere la propria quota di mercato. Nel mondo del Retail banking, i nuovi partecipanti affrontano gli istituti di credito tradizionali proponendo un modello incentrato sul consumatore finale, attraverso l’impego di servizi altamente personalizzati e customer-friendly, basato spesso su un modello di business scevro dalla presenza di filiali fisiche, ma che si avvale di piattaforme di online e mobile banking.

In un contesto simile, la competizione nel settore si sposta su come utilizzare al meglio i dati a propria disposizione per essere in grado di sviluppare soluzioni che possano soddisfare le nuove esigenze dei consumatori, sempre più esperti nell’utilizzo di tecnologie digitali. Oltre ai vantaggi offerti per il miglioramento della User Experience, gli algoritmi di Machine Learning sono in grado di automatizzare molte delle attività particolarmente labor-intensive, abbattendo i costi e migliorando la produttività e l’efficienza in tutte le divisioni aziendali.

 

Per una banca che voglia approcciarsi al mondo dell’Intelligenza Artificiale un primo passo importante è sicuramente quello di dare all’AI la giusta importanza, cercando di sviluppare una strategia di lungo periodo, scalabile per ogni diversa area di business. Non è un caso che i “Frontrunners”, ossia le società finanziarie che hanno ottenuto i più alti rendimenti dall’implementazione dell’AI, assegnino allo sviluppo di queste tecnologie un elevato valore strategico, mentre tra gli “Starters” – cioè chi ha da poco adottato questo tipo di soluzioni e/o deve ancora trarne profitto – solo il 2% considera l’AI come un elemento strategicamente cruciale per il futuro[3]. La resistenza all’innovazione da parte di alcuni dirigenti può ripercuotersi anche sul budget allocato per questo tipo di attività, andandone a minare alla base la sua capacità di essere davvero efficace. In questo senso, iniziare da progetti relativamente meno ambiziosi, facendosi guidare da chi ha già una comprovata esperienza nel settore, può essere un ottimo modo per vincere lo scetticismo iniziale e sperimentare i benefici offerti dall’Intelligenza Artificiale.

 

Ecco alcune delle possibili applicazioni dell’Intelligenza Artificiale nel settore bancario:

 

  • La costruzione di modelli di rating creditizio avanzati, che sfruttino l’intero patrimonio dati a disposizione della banca per produrre una valutazione più accurata e ridurre così il tasso di default;

 

  • L’utilizzo di algoritmi di clusterizzazione per segmentare i clienti, che diano la possibilità di proporre misure specifiche per ciascun gruppo, migliorando i prodotti dedicati e la User Experience;

 

  • L’utilizzo di algoritmi di Predictive Analytics per il forecasting dei flussi di cassa o di altre grandezze fondamentali;

 

  • L’identificazione di pattern nelle transazioni che permettano di rilevare più rapidamente le frodi e le operazioni illecite;

 

  • L’impiego di tecniche di Natural Language Processing (NLP) per l’implementazione di chatbot e assistenti virtuali, o per la lettura automatica di documenti.

 

  • Lo sviluppo di strategie di investimento, asset management e consulenza finanziaria automatizzate (Robo-advisor), in grado di ottimizzare le performance, soddisfare le esigenze dei clienti e abbattere considerevolmente i costi connessi a questo tipo di attività.

 

Secondo Gartner, entro il 2030 l’80% delle istituzioni che offrono servizi finanziari tradizionali cesserà la propria attività o comunque non sarà più in grado di competere con i nuovi player, che domineranno il mercato attraverso piattaforme digitali e con nuovi modelli di business[4]. Qualcuno potrebbe considerarla una visione un po’ drastica, ma certo è che con la diffusione capillare del paradigma della data-driven economy, l’adozione di strumenti di Intelligenza Artificiale sarà sempre più importante.

 

 

[1] S. Ransbotham, S. Khodabandeh, R. Fehling, B. LaFountain, and D. Kiron (2019) “Winning With AI,”

MIT Sloan Management Review and Boston Consulting Group.

[2] Capgemini & EFMA (2020). “World Retail Banking Report.”

[3] Deloitte (2019). “AI leaders in financial service: Common traits of frontrunners in the

artificial intelligence race.”

[4] Gartner (2018). “Digitalization Will Make Most Heritage Financial Firms Irrelevant.”

Andrea Bergonzi

Sono laureato in Economia, Finanza e Mercati Internazionali presso l’Università Cattolica di Milano. Prima di terminare gli studi, ho ricoperto il ruolo di analista dei mercati finanziari presso una società di consulenza e ho collaborato come Research Editor con una società di Singapore. Dal 2020 sono membro di Dataskills, dove mi occupo di Data Science e Business Intelligence.

Iscrivi alla newsletter







Dichiaro di aver letto ed accetto l’informativa sulla privacy

Andrea Bergonzi

Sono laureato in Economia, Finanza e Mercati Internazionali presso l’Università Cattolica di Milano. Prima di terminare gli studi, ho ricoperto il ruolo di analista dei mercati finanziari presso una società di consulenza e ho collaborato come Research Editor con una società di Singapore. Dal 2020 sono membro di Dataskills, dove mi occupo di Data Science e Business Intelligence.