Advanced Analytics nel Credit Scoring L evoluzione dei modelli per la misurazione del rischio di controparte www.pwc.com/it
Le applicazioni di sistemi basati su Intelligenza Artificiale si stanno ampliando e anche per i Financial Services si concretizzano opportunità per l utilizzo di approcci basati su Machine Learning $15,7Tln 55% 58% Si stima che, su scala mondiale, il contributo all economia globale derivante dall applicazione di Intelligenza Artificiale si attesti intorno ai $ 15,7 Tln entro il 2030 1 Gli incrementi di produttività da lavoro rappresenteranno oltre il 55% del contributo dell Intelligenza Artificiale sull aumento del GDP al 2030 1 L adozione delle nuove tecnologie e il conseguente aumento della domanda dei consumatori nei confronti di prodotti evoluti contribuirà per il 58% sull aumento del GDP al 2030 1 e nel mondo Financial Services Segmentazione della clientela a fini commerciali Opportunità di utilizzo Machine Learning Misurazione dei rischi Reputazionale Credito Operativo Focus per Credit Risk Management Intercettazione frodi in fase di onboarding 1. Fonte: PwC Sizing the prize - What s the real value of AI for your business and how can you capitalise? 2
Con specifico riferimento al Risk Management, concepiamo un percorso di innovazione fondato su tre principali driver Dati Nuove basi dati possono ampliare il patrimonio informativo dei modelli di Credit Scoring basati su algoritmi Machine Learning. «All data is credit data» Il perimetro di valutazione della clientela si amplia, è tuttavia necessario considerare implicazioni di carattere normativo e di data quality. Algoritmi Gli approcci metodologici al calcolo del merito creditizio della controparte si evolvono, diventano dinamici, si migliorano autonomamente nel continuo e riescono a individuare nuovi pattern di dati e relazioni fra variabili, non esplorati da modelli tradizionali. La predittività dei modelli migliora ma allo stato attuale è opportuno considerare un utilizzo parallelo ai modelli tradizionali, in ambito esclusivamente gestionale. Tecnologia Evoluzioni in termini di capacità computazionali e di storage. Minori costi di implementazione e performance maggiori in grado di garantire run a elevato effort di macchina anche in modalità real-time. 3
Riteniamo siano due gli approcci che consentono alle banche di avvicinarsi al mondo del Machine Learning nel Credit Scoring, valutando sia l apporto esterno da Fintech che lo sviluppo interno Apporto esterno da Fintech Intelligenza Artificiale e Machine Learning sono le principali tecnologie utilizzate dalle Fintech per valutare in maniera innovativa il merito creditizio di individui e imprese. Si vanno delineando diversi e variegati modelli di collaborazione e integrazione tra banche e Fintech. Sviluppo in-house Lo sviluppo in-house di modelli di Credit Scoring basati su Machine Learning vedrà il rilevante coinvolgimento del Risk Management e della Validazione, nonché l integrazione dei modelli nei framework di Model Risk Management. Modello Descrizione Fase di sviluppo Coinvolgimento Risk Management Interfacce di programmazione/ sandbox Fintech joint venture/ venture builder Start-up corporate accelerator La banca offre alle Fintech accesso limitato ad alcune delle loro infrastrutture o servizi tramite Open API, consentendo costruire e testare nuovi prodotti e servizi La banca crea la propria start-up indipendente per indirizzare una specifica nicchia di mercato Le Fintech presentano applicazioni alle banche che ne selezionano alcune per identificare e capitalizzare le innovazioni più promettenti. Le Fintech selezionate ottengono accesso a competenze, supporto e base clienti Model design Identificazione delle basi dati Raccolta delle basi dati Trasformazione delle basi dati Partizione dataset Applicazione degli algoritmi Applicazione human judgement Specificazione finale modello Consulted Informed responsabilità Area IT Consulted responsabilità Area Crediti Accountable Merger & acquisition Attraverso fusioni e acquisizioni le banche acquistano delle Fintech per garantirsi l'accesso a nuove innovazioni o accelerare transizioni strategiche Sourcing di prodotti Fintech La banca seleziona un prodotto specifico sviluppato da una Fintech e avvia un POC per testarne la validità (white-label o co-branded). In caso di esito positivo, la banca lo porta in produzione, testando nuove proposte e prodotti riducendo tempi e costi di sviluppo 4
Contatti Pietro Penza Partner +39 348 2740422 pietro.penza@pwc.com Romina Vignotto Partner +39 346 0220090 romina.vignotto@pwc.com Cinzia Amandonico Director +39 335 7414119 cinzia.amandonico@pwc.com Gianluca Dall Arche Director +39 344 3474117 gianluca.dallarche@pwc.com Carlo Bandera Senior Manager +39 348 8505011 carlo.bandera@pwc.com www.pwc.com/it 2019 PricewaterhouseCoopers Advisory SpA. All rights reserved. PwC refers to PricewaterhouseCoopers Advisory SpA and may sometimes refer to the PwC network. Each member firm is a separate legal entity. Please see www.pwc.com/structure for further details. This content is for general information purposes only, and should not be used as a substitute for consultation with professional advisors.