Perché nel Finance il modello data-driven vincente è AI-Powered

#ArtificialIntelligence       #impresoftgroupnews

Da molti anni, gli operatori finanziari sono in prima linea nell’evoluzione verso un modello data-driven o, in altri termini, verso un paradigma decisionale indirizzato dall’analisi e dalla valorizzazione dei dati.  

Complice un panorama competitivo molto frizzante, dominato da realtà agili e innovative (fintech, insurtech, regtech), tutte le aziende del settore stanno investendo nella trasformazione data-driven che, com’è noto, non riguarda solo l’abilitazione tecnologica, ma deve essere necessariamente sorretta da un’evoluzione culturale (data-culture) adeguata.  

Quest’ultima rappresenta la principale sfida degli operatori finanziari, cui si aggiungono ulteriori fattori tecnici legati alla tradizionale gestione dei dati a silos, che oggi deve fare spazio a un paradigma sistemico e centralizzato. 

Finance: aumentano gli investimenti in Intelligenza Artificiale 

Limitando l’osservazione al mercato italiano, le premesse di cui sopra spiegano perché lo scorso anno siano fortemente aumentati gli investimenti in soluzioni di AI e perché quello finanziario (Banking, Finance & Payment) sia il principale settore di mercato con una quota del 21% (fonte: Osservatorio AI, PoliMI).  

Gli investimenti sono stimolati da dinamiche e, soprattutto, da finalità strategiche differenti: per gli incumbent, essere sempre più vicini a un modello data-driven significa modernizzarsi, perfezionare la employee e la customer experience, la retention, abilitare nuovi modelli di business come la data monetization, attrarre talenti e, in definitiva, restare fortemente competitivi in un mondo che cambia velocemente.  

I nuovi player, dal canto loro, basano il proprio vantaggio competitivo proprio sulla capacità di valorizzare il dato, fornendo così servizi innovativi ai clienti finali o, in un’ottica di open finance, agli altri operatori del mercato con cui si trovano ad operare sinergicamente.  

Il ruolo di AI nel modello data-driven e i casi d’uso più significativi 

Nel percorso verso una finanza guidata dai dati, l’Intelligenza Artificiale ha un ruolo da protagonista. La sua capacità nativa di elaborare immense quantità di dati rilevando pattern invisibili alle osservazioni manuali e anticipando comportamenti futuri ha un valore inestimabile in questo settore, che infatti sta adottando metodologie di AI in diversi ambiti. 

• Asset & Investment Management 
  L’AI può indirizzare le decisioni di investimento attraverso l’analisi e la correlazione di grandi volumi e varietà di dati, migliorando gli esiti di tutte le operazioni. 
  
• Automazione dei processi di back office 
  L’AI consente agli operatori finanziari di andare oltre l’automazione dei processi ripetitivi e rule-based. Grazie a tecnologie come IPA (Intelligent Process Automation) o approcci di Hyperautomation, l’azienda può fare un passo avanti enorme verso l’automazione smart.  
  
  
• Soluzioni antifrode
  L’analisi in tempo reale di svariate fonti permette agli algoritmi di AI di rilevare pattern, comportamenti e segnali sospetti, anche sconosciuti fino a quel momento. Questo è alla base dei sistemi antifrode moderni, che oltre a una maggior precisione sono in grado di ridurre progressivamente la quota di falsi positivi, principale criticità dei sistemi rule-based. L’obiettivo è coniugare la sicurezza dell’operatore (e del cliente) con la migliore customer experience possibile.
   
• Conversational Banking e Robo Advisor
  L’ecosistema finanziario è stato uno dei primi a utilizzare i virtual agent per la relazione con il cliente (caso di rilevanza mondiale fu Erica, il Virtual Financial Assistant di Bank of America). Oggi, tecnologie di Conversational AI (NLP, NLU, Machine Learning) sono adottate da quasi tutti gli operatori al fine di ottimizzare l’efficienza dei processi, ridurre i tempi di attesa e migliorare l’esperienza complessiva. La capacità dell’Intelligenza Artificiale di migliorare progressivamente le performance e di fornire un servizio personalizzato sono alla base di un’adozione in costante crescita. Oggi, i bot si spingono fino a raccomandazioni personalizzate sugli investimenti (Robo Advisor), in funzione degli obiettivi e della propensione al rischio soggettiva.  
  
  
• Credit scoring innovativo 
  Grazie all’intelligenza artificiale, le banche e gli altri operatori possono adottare un nuovo approccio al credit scoring e, più in generale, al risk management. Rispetto a un tempo, non aumentano solo la quantità e la varietà di informazioni, ma anche le logiche decisionali, che si basano sui segnali evidenziati dall’AI.   

Tutti casi evidenziati, e molti altri su cui gli operatori stanno investendo, sono finalizzati a creare un perfetto bilanciamento tra l’efficienza della struttura, l’innovazione e il perfezionamento dell’esperienza. Motivo per cui le fattispecie d’uso aumenteranno ulteriormente nei prossimi anni. 

Il ruolo di AI nell’evoluzione data driven e la Decision Intelligence 

Nell’evoluzione verso un modello data-driven, occorre avere le idee molto chiare sul ruolo di AI nei processi decisionali. 

Una disciplina accademica applicabile in quest’ambito è la Decision Intelligence, che parte dal presupposto che le strategie decisionali basate sulla pura razionalità matematica sono solitamente underperforming, mentre quelle legate alla discrezionalità umana risentono dei nostri limiti naturali, tra cui quello di ambire a soluzioni soddisfacenti, ma imperfette.  

Solo unendo due modelli decisionali diversi, e quindi i punti di forza di entrambi, le aziende possono ottenere il massimo valore dai progetti di AI, che di conseguenza potenzia le naturali capacità decisionali umane facendo perno sull’elaborazione di immensi volumi di dati e sulla rilevazione di segnali deboli che possono indirizzare decisioni strategiche e dare un vantaggio competitivo tangibile. Soltanto così gli operatori del settore potranno dire di aver adottato un modello data-driven solido ed efficace, in grado di accompagnarli verso il futuro.