Sebbene l’inflazione stia gradualmente diminuendo in alcune aree geografiche, i suoi effetti sul costo della vita restano con ogni probabilità significativi, almeno nel breve periodo. Per questo, la maggior parte delle banche centrali continua a mantenere alti i tassi di interesse, generando così ulteriore pressione finanziaria sui consumatori. Secondo i risultati dell’ultimo Osservatorio sui tassi di interesse di Experian, in Italia i tassi di interesse dei prestiti personali hanno raggiunto un picco del 12,85% a novembre, 1,03 punti percentuali in più dall’inizio dell’anno, mentre i mutui si sono stabilizzati attorno al 4,7%; solo i tassi dei prestiti finalizzati hanno registrato un trend discendente da aprile, arrivando fino al 7% a novembre.
Per orientarsi in questo scenario, fornitori di servizi finanziari e operatori nel settore delle telecomunicazioni devono avere accesso ai più ampi set di dati possibili, integrando il più possibile le informazioni creditizie comuni con dati non tradizionali. Un’integrazione che non va intesa come mero accesso ai dati, ma piuttosto con la capacità di individuare connessioni non lineari tra di essi, che può essere abilitata solo dall’analisi avanzata offerta dall’intelligenza artificiale.
Una recente ricerca sugli effetti trasformativi dell’AI, condotta da Forrester Consulting per conto di Experian, dimostra che quasi 4 senior business leader su 5 (79%) considerano l’adozione di analytics avanzati con capacità di AI/ML come una priorità assoluta per i prossimi 12 mesi. Nell’ultimo anno, infatti, c’è stata un’impennata delle nuove richieste di credito (per il 70% da nuovi clienti e per 66% da clienti esistenti) ma anche un significativo aumento delle insolvenze: il 62% degli intervistati ha registrato un aumento del numero di clienti insolventi e costretti alla riscossione forzosa. Allo stesso tempo, il 65% degli intervistati ha registrato un aumento dei costi di riscossione, mentre uno su due ha segnalato un incremento del livello di crediti inesigibili.
Molte aziende riconoscono che questa situazione costituirà probabilmente un ostacolo importante per la valutazione del rischio di credito. Quasi due terzi (65%) prevedono che l’impatto dell’inflazione comprimerà il reddito e provocherà un aumento delle insolvenze nei prossimi tre anni.
L’aumento della pressione finanziaria spinge un numero maggiore di consumatori a chiedere prestiti, creando nuove opportunità. Una gestione efficace del rischio diventa fondamentale per sostenere questi potenziali clienti in questo momento difficile: il modo migliore per comprendere e mitigare questo rischio è analizzare un’ampia gamma di fonti di dati con l’AI/ML.
Perché l’intelligenza artificiale sta diventando fondamentale per le decisioni di credito
Comprendere la situazione finanziaria specifica di ogni cliente è fondamentale per garantire un accesso al credito responsabile e sostenibile. La disponibilità di set di dati alternativi permette di effettuare una valutazione più precisa dell’affidabilità creditizia, con un vantaggio che si può concretizzare solo grazie alle capacità analitiche dell’AI. Per questo motivo, molte imprese in ambito finanziario e nel settore delle telecomunicazioni stanno effettuando investimenti significativi nei dati di customer insights e nei servizi basati su AI/ML, aree che hanno registrato aumenti di budget anno su anno pari rispettivamente al 46% e al 45% del totale.
Prendiamo ad esempio i dati sulle abitudini di spesa: attraverso l’open banking, i clienti possono scegliere se condividere i dati transazionali relativi ai loro acquisti; a loro volta, un’analisi di questi dati, alimentata dal machine learning, consente alle aziende di migliorare l’accuratezza nella valutazione del rischio di credito, dando al contempo maggiore controllo ai consumatori che vogliono dimostrare una buona gestione finanziaria. Inoltre, il processo di valutazione del credito può avvenire molto più rapidamente rispetto all’underwriting tradizionale ed essere completamente automatizzato, per fornire al cliente una decisione quasi immediata.
Le capacità predittive dell’AI possono prevenire il rischio di insolvenza
Oltre alle decisioni sul credito, l’intelligenza artificiale può anche contribuire ad individuare in maniera precoce e più accurata i segnali di allerta relativi a potenziali clienti insolventi. Dalla ricerca Experian emerge come il rilevamento delle vulnerabilità mediante l’utilizzo di alert alimentati dall’IA rappresenta una priorità centrale per il 62% degli intervistati, da colmare nei prossimi tre anni.
Utilizzando l’intelligenza artificiale per analizzare dati alternativi, come informazioni estratte dal web, previsioni economiche e analisi della voce dei clienti nelle conversazioni dei call center, le aziende possono identificare e coinvolgere in modo proattivo i clienti prima che entrino nel registro dei debitori.
Oltre a tutelare il consumatore, un approccio proattivo di questo tipo, può ridurre le perdite di credito per le imprese, in quanto permette di offrire soluzioni di rimodulazione e ristrutturazione personalizzate ai clienti vulnerabili prima che diventino morosi. Si tratta di un vantaggio non indifferente, tanto che il 34% delle aziende intervistate sta già utilizzando l’AI/ML nell’ambito del monitoraggio del portfolio clienti per identificare ritardi nei pagamenti e il 39% prevede di investire in questo settore nei prossimi 12 mesi.
I dati come fattore abilitante dell’IA
Le aziende che intendono investire nell’IA nel prossimo futuro devono assicurarsi di avere accesso a dati sufficienti per alimentare analytics avanzate: il 42% degli intervistati ha dichiarato che la mancanza di dati per la valutazione del merito creditizio dei clienti limita il successo dei loro programmi di analisi. Di conseguenza, il 75% sta dando priorità agli investimenti in nuove fonti di dati per comprendere meglio il rischio e le possibilità di accesso al credito già nell’ambito delle iniziative di onboarding.
Il reperimento e la combinazione di una serie di set di dati alternativi stanno consentendo alle organizzazioni di risolvere un problema di lunga data legato alla mancanza di dati. Tuttavia, un’opzione interessante e relativamente nuova per migliorare l’accuratezza dei modelli è l’uso di dati sintetici creati con l’IA generativa, che possono essere utilizzati per colmare le lacune nei set di dati e per simulare scenari ipotetici di modellazione del rischio.
Naturalmente, l’utilizzo dell’IA non può prescindere da metodologie accurate per permettere l’explainability dei modelli e per provare l’eliminazione di “bias”, al fine di garantire l’equità assoluta dei risultati. Anche in questo ambito, è necessario affidarsi a tecnologie e consulenti esperti in grado di implementare meccanismi adeguati e le necessarie garanzie.