In Italia se ne fa un gran parlare ma ancora poche aziende e tra queste le Banche italiane investono realmente nello sviluppo dei Big Data.

“Big data”, o meglio “Big data analytics”, si riferisce al processo di raccogliere, organizzare ed analizzare grandi insiemi di dati allo scopo di scoprire degli schemi, tendenze, correlazioni  di dati ed altre informazioni utili alla crescita del business.

 

big data, Analysieren, anwachsend, auswerten, auswertung, big, datenvolumen, RFID, data, datei, datenbank, datenmenge, datenverarbeitung, digital, erfassen, film, Logdateien, gb, gross, Marktforschung, handel, konzept, management, mb, mensch, mp3, mpeg, musik, organisieren, produktion, protokoll, nsa, riesig, sensor, speichern, daten, speicherung, steigend, verknŸpfung, vernetzen, vernetzung, versicherung, verteilen, verteilung, video, viel, visualisieren, visualisierung, vlc, weblog

 

Con i Big Data le Banche possono fare offerte personalizzate ai propri clienti grazie ad una migliore profilazione e conoscenza delle loro esigenze- passioni e abitudini di consumo, individuare frodi tramite alert sui sistemi di pagamento come le carte di credito e debito e sulle apparecchiature Atm, creare un miglior profilo di rischio credito del proprio cliente e dei prospect , effettuare previsioni sui trend dei  consumi dei loro clienti, ridurre le inefficienze e favorire l’interazione banca-cliente nella creazione di nuovi prodotti/servizi (Crowdsoursing)

L’analisi dei Big Data parte dall’incrocio e valorizzazione di dati interni strutturati provenienti dalle  transazioni delle carte di pagamento, dagli investimenti finanziari e immobiliari, dall’anagrafica generale interna della banca, dall’ elenco fidi e affidamenti attuali e storici, da dati esterni tradizionalmente utilizzati dalle banche come Crif ed Experian e dati non strutturati come post sui social media, registrazioni telefonate al Call Center della Banca.

Con un unico obiettivo: “ facilitare e velocizzare le decisioni strategiche” nella gestione del business e nel miglioramento della relazione banca clienti.

 

Nordea: Leveraging Data Driven Finance to Enhance Data Quality

Posted on: August 13th, 2014 by TCSET

 

L’utilizzo di dati sensibili pone in maniera evidente  problematiche sulla privacy e sulla proprietà di tali dati personali raccolti.

Negli Usa  già nel 2009 Bank of America ha registrato il brevetto di un metodo che consente ai consumatori di monetizzare l’utilizzo dei propri dati. Le informazioni sarebbero raccolte in una “banca delle informazioni” e chi volesse utilizzarle pagherebbe una tariffa direttamente al possessore, che avrebbe anche traccia del loro utilizzo.

Problema privacy dunque  affrontato direttamente dalle banche americane pagando gli utenti per l’utilizzo dei loro dati sensibili.

Ma gli istituti finanziari non si accontentano della mera raccolta dei dati sensibili ma li utilizzano anche come fonte ulteriore di ricavi tramite la rivendita degli stessi a vari livelli ad altre aziende di servizi.

Alcune della maggiori banche retail e società emittenti di carte di credito per esempio vendono i dati grezzi relativi ai propri clienti attraverso intermediari specializzati come Cardylitcs.

 

american express

American Express commercializza invece studi di marketing basati sui propri dati clienti tramite una sua società specializzata, American Express Business Insights

In altri casi le istituzioni finanziarie collaborano strettamente con altre aziende.

Una banca australiana per esempio collabora con una catena di supermercati utilizzando i dati dei suoi clienti per capire dove vivono, quando e dove fanno acquisti e quando spendono. Le informazioni vengono usate dalla catena di supermercati  per raffinare la sua strategia di collocazione dei negozi.

Fornire servizi finanziari innovativi e competitivi e’ la Sfida principale delle Banche Condividi il Tweet

 

 

Dall’ analisi integrata dei Big Data  si possono individuare tendenze, elaborare strategie per  reagire ai fenomeni di concorrenza proveniente da nuovi players non Bancari come le Fintech, anticipare esigenze e ridurre i rischi credito di clienti privati e imprese

 

bank data


Se pensiamo che in un anno solo gli operatori delle carte di credito hanno registrato 118,9 miliardi di transazioni. Nel mondo sono stati scambiati 25 miliardi di future e opzioni.

In tutti i paesi le banche conservano traccia di miliardi di transazioni dei clienti e di contratti di mutui ipotecari e crediti al consumo.

Questa gigantesca massa di informazioni si autoalimenta dal flusso quotidiano di input provenienti dai social media, blog, tweet e e-mail, che contribuisce a incrementarne il valore e l’immenso potenziale.

Pertanto Le Aziende Bancarie hanno un grande  interesse a utilizzare al meglio  tali dati.

Purtroppo nella realtà questa enorme mole di dati e’ statica, a volte raccolta sporadicamente e parzialmente  in una logica di silos e sistemi informativi separati , spesso utilizzati solo da alcune funzioni aziendali.

I dati pertanto non sono aggiornati in tempo reale e sono di difficile gestione e integrazione mentre con un approccio Big Data si fornirebbe valore aggiunto alla raccolta e analisi di questi dati per fini di ritorni di business.

Il controllo sistematico dei dati relativi alle transazioni, unito all’ azione di algoritmi atti a individuare  comportamenti sospetti nelle operazioni di pagamento, nel prelevamento di contanti o nella negoziazione di titoli, consentirebbero di integrare i processi di compliance degli istituti di credito evitando, con il tempo, il riciclaggio di denaro e altri atti illeciti.

Mentre l’analisi in tempo reale del flusso interno di comunicazioni, ad esempio e-mail, telefonate e messaggeria istantanea, potrebbe aiutare sensibilmente la prevenzione di comportamenti fraudolenti e, dunque ridurre i rischi e i costi di eventuali controversie e migliorare la customer  satisfaction

 

nordea banca

 

Nordea è il principale gruppo di servizi finanziari nel Nord Europa attraverso un utilizzo integrato dei data tramite innovative soluzioni di Big Data e’ riuscita a beneficiare di una migliore segmentazione e redditività dei clienti attraverso un approccio multicanale nelle forme di contatto commerciale e assistenza in una ottica di miglioramento della customer experience.

 

La Banca ha altresì utilizzato l’integrazione dei dati per misurare la redditività comprensiva del costo del capitale, liquidità e il rischio per tutti i suoi clienti. Questo ha permesso  alla banca di conoscere il valore di ciascun cliente prima di iniziare un dialogo interattivo.

Il Data Warehouse, che gestisce le informazioni da fonti commerciali locali eterogenee, fornisce una singola fonte di dati omogenei per tutti i manager di linea, controllori, manager e specialisti per i report specifici per paese. Questa capacità di sintesi  assicura che tutti in azienda utilizzino gli stessi dati, che sono funzionali  a una  visione integrata del business.

I Rating di credito sociale e le offerte personalizzate sono due esempi del modo in cui la tecnologia dei Big Data potrebbe incrementare la competitività.

L’utilizzo congiunto delle informazioni finanziarie desumibile da Banche dati Pubbliche (Crif e Experian) unite alle info desunte dai Big Data sul richiedente del prestito-mutuo consentirebbe alla banca di effettuare una valutazione più completa e precisa del suo profilo di rischio.

 

fintech

 

Le piattaforme di social lending di maggior successo come “Lending Club”  quando devono concedere un prestito , assegnano un rating (punteggio) ad ogni utente e di conseguenza assegnano un mercato per ogni prestito.

Il punteggio viene calcolato tenendo conto di diversi fattori: storia creditizia, reddito, situazione familiare, area geografica, età, ecc.

Accade molto spesso che un richiedente prestito non abbia una storia creditizia o sia limitata  o che gli utilizzi delle carte di credito non siano registrate nelle varie Banche dati pubbliche .

In mancanza di dati finanziari attendibili quindi  il merito di credito potrebbe addirittura basarsi esclusivamente sul rating di credito social frutto della raccolta dei dati dei profili social del richiedente incrociati con i pagamenti mobile,stile di vita, relazioni, desideri e acquisti con carte di credito

 

fintech

 

Lenddo, un pioniere Fintech del settore, utilizza  algoritmi in grado di fornire una valutazione esatta della solvibilità dell’eventuale debitore esaminando la sua attività sui social media e le raccomandazioni di amici e parenti.

Tale modello operativo basato sulla comunità registra una crescita esponenziale sui mercati emergenti. Fondata nel 2011, Lenddo ha mosso i primi passi nelle Filippine con una comunità di 100 persone di fiducia che nel giro di soli due anni erano già diventate 150’000.

Abbinando le tecniche di microcredito all’analisi di dati ricavati dai social media, l’azienda assegna un rating di credito sociale in base al quale concede prestiti al ceto medio in ascesa

 

Mettendo a punto un sistema più sofisticato di analisi dei dati le banche avrebbero la possibilità di conoscere in maniera più completa e attendibile il comportamento del singolo cliente o della clientela in generale, il che permetterebbe non solo di migliorare il controllo del rischio e il relativo pricing ma anche  la compliance e la capacità di previsione di rimborso oltre a fornire un servizio personalizzato e centrato sulle reali esigenze del cliente.

 

fintech big data

 

Una Fintech americana di nome Zestfinance creata nel 2009 da ex dipendenti Google da’ informazioni sulla capacità degli individui di ripagare i debiti mediante strumenti di Big Data analysis con funzione di auto-apprendimento.

Attraverso l’analisi di migliaia di variabili che vanno dai dati finanziarie all’ uso dei social network del richiedente del prestito, gli algoritmi e i modelli predefiniti sono in grado mediamente di determinare il rischio di insolvenza del soggetto con un indice di efficacia superiore al 40% rispetto ai metodi tradizionali di scoring con costi inferiori del 30%

Analogamente sul lato della gestione dei risparmi un consulente che conosce le abitudini di spesa attraverso la raccolta dei dati sulle transazioni di pagamento  e la propensione al rischio di un cliente sarà in grado di proporgli prodotti capaci di rispondere meglio alle sue esigenze

 

banca intesa

 

Su tale linea  si e’ mossa anche Banca Intesa SanPaolo che tramite soluzioni di Big Data, ha cercato di migliorare la qualità del servizio e accrescere il grado di fidelizzazione spostando il Focus principale dal successo nelle vendite alla Qualità della Relazione.

La tecnologia ha di fatto reso possibile misurare la qualità della relazione mediante  un indice tangibile, attraverso specifici modelli analitici che monitorano  la frequenza, l’intensità e l’efficacia del rapporto con il cliente.

In altri termini la banca si e’ attrezzata per comprendere in maniera oggettiva come e quanto sta curando i propri clienti.

banca unicreditAnche l’altro big player italiano UniCredit Banca  si è dotata di tecnologie di analisi del dato per predeterminare offerte e condizioni contrattuali per i prestiti personali, proprio al fine di personalizzare ulteriormente i propri servizi

 

loyalty

Dal lato della fidelizzazione e loyalty verrebbero personalizzati  i sistemi di prestazioni e di premi che oggi spesso sono standardizzati per creare valore aggiunto per i clienti, proponendo, ad esempio, ai cultori della  moda un programma fedeltà per gli acquisiti su determinati siti fashion su Internet oppure invitando chi ha donato ingenti somme a organizzazioni senza scopo di lucro a partecipare a una video conferenza in cui vengono presentati investimenti sostenibili.

 

In conclusione i principali protagonisti del mondo della finanza devono quindi trasformarsi rapidamente investendo nei Big Data per rimanere competitivi e per  essere  in grado di soddisfare la domanda dei clienti di oggi sempre piu’ digitali e interconnessi e dei clienti di domani (Millenians)

 

Se l’Articolo ti è piaciuto lascia un Commento o Condividilo sui tuoi Social Network

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *