Da un sondaggio dal respiro internazionale e da una ricerca svolta sul territorio USA, uno sguardo alle applicazioni emergenti dell’intelligenza artificiale - e, più nello specifico, del machine learning - nel settore bancario e degli Istituti finanziari.

TAKEAWAY

  • Un sondaggio realizzato da Deloitte per conto dell’Institute of International Finance (IIF) rileva che, a livello globale, la pandemia ha contribuito a rimuovere molte di quelle barriere che il settore bancario e degli Istituti finanziari ha sempre avuto nei confronti della digital trasformation, innescando un cambiamento che, oggi, è difficile fermare.
  • In un altro sondaggio, realizzato da Cornerstone Advisors si legge che, negli USA, seppur lentamente rispetto ad altre tecnologie, un numero sempre maggiore di Istituti di credito sta adottando le tecniche di intelligenza artificiale per due tipologie di applicazioni: la gestione delle relazioni con i clienti e le operazioni di recupero crediti.
  • In particolare, nel primo caso, sta cambiando il contenuto dell’analisi predittiva che, da strumento di marketing, si sta trasformando in mezzo volto a individuare potenziali problemi del cliente e, sulla base dell’esame del suo storico, e decidere se e come intervenire per risolverli.

Qual è, oggi, la relazione tra le tecniche che fanno capo all’ambito di studi dell’intelligenza artificiale – in particolare il machine learning – e i servizi finanziari nell’ambito di banche e società finanziarie? Qual è il contributo delle prime a un settore (quello degli Istituti di credito) storicamente poco incline alle innovazioni tecnologiche, da sempre più attento alle questioni inerenti alla sicurezza e alla tutela dei beni, materiali e immateriali, di cui si occupa, e meno predisposto a innovare i processi che scandiscono le proprie attività?

Un sondaggio realizzato da Deloitte subito dopo la prima grave emergenza sanitaria da Covid, per conto dell’Institute of International Finance (IIF) – Associazione con sede a Washington, che riunisce le Istituzioni finanziarie internazionali – rileva che, a livello globale, la pandemia ha contribuito a rimuovere molte di quelle barriere che il settore bancario e delle società finanziarie ha sempre avuto nei confronti della digital trasformation, innescando un cambiamento che, attualmente, è difficile arrestare e che, in futuro, è destinato ad accelerare e – come per molteplici altri settori – a lasciare indietro chi non sarà in grado di tenervi il passo.

Machine learning e servizi finanziari negli Istituti di credito: l’analisi predittiva si trasforma in strumento che anticipa (e risolve) i potenziali problemi del cliente

In un altro sondaggio, realizzato da Cornerstone Advisors a dicembre 2020 dal titolo “What’s going on in banking 2021” – frutto di interviste a 260 dirigenti presso Istituti di credito di medie dimensioni con sede negli Stati Uniti (di cui il 55% banche e il restante 45% società finanziarie) – si legge che, negli USA, seppur lentamente rispetto ad altre tecnologie, un numero sempre maggiore di Istituti di credito sta adottando le tecniche di intelligenza artificiale (tra cui il machine learning) per due tipologie di applicazioni: la gestione delle relazioni con i clienti e le operazioni di recupero crediti.

Se diamo uno sguardo ai dati riportati nella Tabella sottostante, relativi alle tecnologie emergenti adottate (o in procinto di esserlo) dalle banche coinvolte nella survey, troviamo ai primi posti il Cloud Computing (40%) e le APIs – Application Programming Interface (30%), seguiti dai software per Video Conferencing (28%) e dalle soluzioni RPA – Robotic Processo Automation (14%). Machine learning e AI occupano, invece, la seconda metà della classifica, con, rispettivamente, il 6% e il 4% degli intervistati che affermano di averli già inseriti all’interno del proprio Istituto. Tuttavia, sono ottimistici i numeri che indicano la pianificazione di un investimento futuro per la loro adozione (13% e 12%) e la loro presa in esame dal board della società (37% e 38%).

Tabella che illustra le tecnologie emergenti nel settore bancario USA. Fonte: Survey “What’s going on in banking 2021”, a cura di Cornerstone Advisors
Le tecnologie emergenti nel settore bancario USA. Fonte: Survey “What’s going on in banking 2021”, a cura di Cornerstone Advisors (https://www.crnrstone.com/hubfs/2021_Whats-Going-On-In-Banking_Cornerstone-Advisors.pdf)

In tema di machine learning e servizi finanziari, questi ultimi dati – sottolineano gli autori del sondaggio – ci confermano che, ormai, negli Stati Uniti, la grande maggioranza dei professionisti del settore ha imparato a conoscere i benefici che provengono dall’utilizzo dell’intelligenza artificiale e dell’apprendimento automatico. In particolare, per “costruire” servizi sempre più personalizzati, a misura di cliente, grazie all’analisi predittiva. Approccio, questo, di cui banche e Istituti finanziari già si avvalgono, col fine di anticipare, di prevedere, futuri bisogni ed esigenze dei clienti – ad esempio ricorrendo all’analisi dello storico dei loro movimenti bancari o all’esame dei dati riguardanti loro attività precedenti (la data dell’ultimo acquisto importante oppure il numero di rate del finanziamento col quale l’acquisto è stato reso possibile) – e di vendergli nuovi servizi. Ma ora qualcosa sta cambiando. Non nell’approccio, ma nel suo fine.

Dall’analisi predittiva per fini di marketing, infatti, si assiste – e sempre più si assisterà in futuro, osservano gli analisti di Cornerstone Advsiors – al passaggio che conduce all’analisi predittiva per individuare potenziali problemi del cliente e, sulla base dell’esame del suo storico, decidere se e come intervenire per trovare una soluzione. Un esempio è quello che vede il sistema di machine learning «decidere se la banca debba rinunciare a una commissione di scoperto di un cliente che, dall’analisi e dall’incrocio di tutti i suoi dati, emerge come particolarmente ‘fedele’».

Si investe sempre di più sui chatbot AI, ma solo nei grandi Istituti di credito

Oltre alla tendenza che vede un maggiore impiego delle tecniche di machine learning nei servizi finanziari, in generale, negli Istituti di credito, sta aumentando l’uso di chatbot che sfruttano l’intelligenza artificiale per il supporto real time al cliente, al quale sono in grado di rispondere in merito a domande relative, ad esempio, a determinate operazioni, al conto corrente, alla linea di credito e alle scadenze. Non si tratta, però, di un uso diffuso.

Al riguardo, si fa strada la tesi in base alla quale, certamente, è cresciuta, negli ultimi anni, la popolarità dei chatbot di questo tipo, ma essi non godono ancora di un uso diffuso, capace cioè di andare oltre l’utilizzo che ne fanno gli Istituti di credito di più grandi dimensioni, attratti dal risparmio dei costi e dall’ottimizzazione delle risorse interne correlati all’uso degli assistenti virtuali

Dalla Tabella in alto, emerge, infatti, che solo l’8% delle banche di medie dimensioni intervistate (oltre al 18% delle società finanziarie di medie dimensioni, non presenti però, nel prospetto) afferma di utilizzare i chatbot nel proprio Istituto. Tuttavia, i dirigenti del 15% delle banche e del 18% delle società finanziarie hanno dichiarato di aver pianificato la loro adozione nel 2021, con un aumento del 3% rispetto al 2018.

Non sembra, però, esserci solo una questione di risparmio e di ottimizzazione delle risorse alla base dell’impiego dei chatbot da parte degli Istituti di credito di grandi dimensioni. Per arrivare a fornire al cliente una customer experience di questo tipo, significa avere fatto, prima, un grosso lavoro di analisi dei dati, avere investito sull’individuazione dei concreti bisogni del cliente per mezzo di tecniche di intelligenza artificiale.

L’assistente virtuale in banca, infatti, non ha il ruolo di semplice sostituto dell’impiegato addetto all’assistenza clienti, ma di colui che coadiuva questa figura professionale, rendendo più rapido e più puntuale il lavoro di gestione delle richieste in entrata, che vengono vagliate e selezionate in base alle specifiche tematiche toccate dagli utenti. C’è un lavoro di analisi e di selezione svolto dalla macchina che, negli Istituti di credito di piccole medie dimensioni, viene ancora demandato all’elemento umano.

Machine learning e servizi finanziari: l’apprendimento automatico in aiuto al processo di recupero crediti

In tema di machine learning e servizi finanziari negli Istituti di credito, dai due sondaggi presi in esame la riscossione dei pagamenti su un prestito in sofferenza emerge come ulteriore ambito di applicazione. Dall’analisi e dall’incrocio dei dati del cliente provenienti da diverse fonti (altre banche, altri servizi e Istituti) è possibile ricavare, innanzitutto, il suo “profilo creditizio”, con dettagli che riguardano scadenze e importi relativi a più carte di credito e ad altri prestiti.

Sulla base di queste informazioni – aggregate grazie a sistemi di intelligenza artificiale – la banca o la società finanziaria, anziché demandare ad agenzie esterne di riscossione (il cui grosso limite è quello di non conoscere le persone che vanno a contattare e, dunque, di agire seguendo modelli standard di recupero crediti), possono decidere di pianificare, insieme al cliente in ritardo con le rate, un diverso sistema di pagamento, una strategia di riscossione personalizzata. L’obiettivo è giungere a “comprendere” meglio il cliente, ad avere chiara la sua la fotografia creditizia e, in linea con questa, intervenire.

Le strategie proattive, invece, comprendono l’utilizzo di algoritmi di machine learning per l’analisi predittiva finalizzata alla valutazione del rischio, individuando in anticipo quei clienti che, sulla base dello storico, dimostrano criticità e problematiche nel rispettare in modo puntuale un eventuale programma di pagamento. Questo non significa necessariamente negare loro una futura richiesta di mutuo o di prestito ma, avvalendosi dell’AI, mettere a punto preventivamente un piano personalizzato, che tenga conto del rischio rilevato e e che metta l’Istituto di credito nella condizione di poterlo gestire insieme al cliente.

Scritto da:

Paola Cozzi

Giornalista Leggi articoli Guarda il profilo Linkedin