L’utilizzo di indici di sentiment e popolarità come Early Warning Indicators per le PMI italiane

Il 2023 si delinea come un anno di svolta per il monitoraggio del rischio di credito e per la definizione di nuovi Early Warning Indicators.

Il contesto macroeconomico caratterizzato dalla pandemia e dalla guerra in Ucraina, oltre alla conclusione del “phase-in period” per adeguarsi alle disposizioni delle EBA Guidelines on Loans Origination and Monitoring, mostrano con chiarezza qual è l’obiettivo a cui devono mirare gli istituti finanziari:

Aggiornare al più presto i processi e le metodologie di monitoraggio del rischio creditizio, oggi basati su indicatori prevalentemente backward-looking inadatti a cogliere tutte le relazioni tra le variabili che impattano sulla solvibilità delle PMI.

Il framework del monitoraggio del rischio di credito dovrà essere arricchito con nuove informazioni e indicatori, per analizzare e valutare i rischi con sempre maggiore anticipo e proattività.

Gli intermediari si stanno quindi muovendo verso una nuova frontiera che prevede l’integrazione di fonti dati alternative capaci di offrire una visione più ampia ed aggiornata delle imprese finanziate, e di nuove metodologie di analisi che facciano leva su tecniche di Advanced Analytics e Machine Learning.

Gli Early Warning Indicators al centro dell’evoluzione

Elementi imprescindibili per costruire una valutazione del rischio creditizio più efficace, sono gli Early Warning Indicators (“EWI”), definiti dal regulator come “tutti quegli elementi quantitativi e qualitativi che si rilevano con largo anticipo rispetto al manifestarsi del deterioramento delle condizioni di merito creditizio del cliente”.

Questi strumenti di fatto stanno subendo una duplice trasformazione:

  • Dati e tecnologie: i sistemi di Early Warning “tradizionali”, spesso basati su informazioni non esaustive, come quelle andamentali interne e quelle di centrale rischi, vengono arricchiti passando a nuovi modelli che sfruttano nuove metodologie di analisi e nuove fonti dati. Tra queste possiamo citare dati transazionali, come quelli del conto corrente, e modelli di Machine Learning.

  • Applicazione: gli Early Warning Indicator vengono sempre più utilizzati per la definizione di strategie di “azione” sul debitore interessato. Sfruttando questi indicatori è infatti possibile:
    • identificare tempestivamente le posizioni in cui si è già realizzato un significativo aumento del rischio di insolvenza;
    • intervenire sulle posizioni per mitigare il rischio crescente.

Per gli intermediari diventa dunque sempre più indispensabile disporre di dataset strutturati che registrino tutte le principali caratteristiche del debitore raccolte nella fase di origination e nelle fasi successive, in funzione dell’andamento dell’attività del cliente e delle garanzie poste in essere.

Quali Alternative Data possono contribuire agli Early Warning Systems

Tra i molti nuovi dati a disposizione degli istituti finanziari, gli alternative data di tipo qualitativo si candidano ad essere naturalmente integrati nei sistemi di Early Warning.

Si tratta infatti di informazioni “non tradizionali” relative alle imprese e alla loro presenza sui territori (dati geo-localizzati), sul web, sui social network professionali, sulle piattaforme di e-commerce che, focalizzandosi sulla controparte oggetto di analisi, contribuiscono ad accrescere l’accuratezza dei modelli di monitoraggio di rischio credito.

Dati aggiornati in tempo reale che garantiscono un’elevata stratificazione temporale e affidabilità, soprattutto quando riconducibili a fonti statistiche e/o statali accreditate, sotto forma di open data, ossia disponibili pubblicamente.

L’inclusione di questi dati, combinata con le nuove metodologie basate, garantisce un migliore presidio delle imprese finanziate, e consente di monitorarne efficacemente l’attività nel corso del tempo.

Va comunque sottolineato che non è sufficiente disporre degli Alternative Data per sfruttarne appieno il potere predittivo, ma è necessario che questi vengano riorganizzati e combinati con altre tipologie di informazioni. È fondamentale partire dal patrimonio informativo originariamente disponibile e costruire indicatori di sintesi affidabili e significativi rispetto ai fenomeni che gli intermediari vogliono osservare.

La collaborazione di Data Appeal con diversi istituti di credito italiani va esattamente in questa direzione: il data lake che l’azienda ha costruito, analizza circa 5 milioni di contenuti online ogni ora, attraverso oltre 130 fonti dati. Il valore delle informazioni raccolte viene massimizzato mediante la costruzione di specifici KPI, ossia indicatori proprietari che sintetizzano alcune delle caratteristiche delle imprese che i creditori intendono osservare.

Questi KPI sono di fatto per loro natura conformi alle indicazioni fornite dal regulator in precedenza descritte, perché sono aggiornati in tempo reale, forward-looking e con una lunga stratificazione temporale (fino a 5 anni).

Gli indicatori che hanno dimostrato maggiore efficacia predittiva come Early Warning Indicators sono quelli che esprimono la “qualitative performance” delle PMI italiane e che ne descrivono la reputazione, la popolarità e la percezione basandosi sull’esperienza diretta dei clienti.

Stiamo parlando di:

  • Sentiment Score: esprime la reputazione di un’impresa, analizzando il livello di soddisfazione espresso online dai propri clienti. L’algoritmo si basa su un modello di machine learning nell’ambito NLP (Natural Language Processing) che analizza le conversazioni online e fornisce uno score positivo, negativo e neutro di qualsiasi testo.
  • Footfall Index: indica il livello di frequentazione, e dunque di popolarità, di un’impresa. Riflette la popolarità e le potenzialità in termini di vendita delle attività e delle aree urbane, utile in ottica di investimento immobiliare e di valutazione del credit risk. Permette di misurare non solo l’affluenza di clientela ma anche gli orari di punta di ogni specifico luogo.

Inserire questi KPI nel set di Early Warning Indicators può aiutare ad avere una visione più esaustiva delle performance delle imprese finanziate: un loro progressivo deterioramento di fatto ha spesso una stretta correlazione con i volumi di fatturato, che inevitabilmente si ripercuotono sulla capacità di solvenza.

Vuoi approfondire questo argomento?

Scarica il nostro eBook gratuito “Smart lending: come usare gli Alternative Data per velocizzare l’erogazione dei finanziamenti e ridurre i rischi”.

Share:

Condividi su facebook
Condividi su twitter
Condividi su linkedin

Siamo qui per te!

Il nostro team è a disposizione per rispondere ai tuoi dubbi, alle tue domande e fornirti tutto il supporto possibile.

RELATED POSTS

Il 2023 si delinea come un anno di svolta per il monitoraggio del rischio di credito e per la definizione di nuovi Early Warning Indicators.

Il contesto macroeconomico caratterizzato dalla pandemia e dalla guerra in Ucraina, oltre alla conclusione del “phase-in period” per adeguarsi alle disposizioni delle EBA Guidelines on Loans Origination and Monitoring, mostrano con chiarezza qual è l’obiettivo a cui devono mirare gli istituti finanziari:

Aggiornare al più presto i processi e le metodologie di monitoraggio del rischio creditizio, oggi basati su indicatori prevalentemente backward-looking inadatti a cogliere tutte le relazioni tra le variabili che impattano sulla solvibilità delle PMI.

Il framework del monitoraggio del rischio di credito dovrà essere arricchito con nuove informazioni e indicatori, per analizzare e valutare i rischi con sempre maggiore anticipo e proattività.

Gli intermediari si stanno quindi muovendo verso una nuova frontiera che prevede l’integrazione di fonti dati alternative capaci di offrire una visione più ampia ed aggiornata delle imprese finanziate, e di nuove metodologie di analisi che facciano leva su tecniche di Advanced Analytics e Machine Learning.

Gli Early Warning Indicators al centro dell’evoluzione

Elementi imprescindibili per costruire una valutazione del rischio creditizio più efficace, sono gli Early Warning Indicators (“EWI”), definiti dal regulator come “tutti quegli elementi quantitativi e qualitativi che si rilevano con largo anticipo rispetto al manifestarsi del deterioramento delle condizioni di merito creditizio del cliente”.

Questi strumenti di fatto stanno subendo una duplice trasformazione:

  • Dati e tecnologie: i sistemi di Early Warning “tradizionali”, spesso basati su informazioni non esaustive, come quelle andamentali interne e quelle di centrale rischi, vengono arricchiti passando a nuovi modelli che sfruttano nuove metodologie di analisi e nuove fonti dati. Tra queste possiamo citare dati transazionali, come quelli del conto corrente, e modelli di Machine Learning.

  • Applicazione: gli Early Warning Indicator vengono sempre più utilizzati per la definizione di strategie di “azione” sul debitore interessato. Sfruttando questi indicatori è infatti possibile:
    • identificare tempestivamente le posizioni in cui si è già realizzato un significativo aumento del rischio di insolvenza;
    • intervenire sulle posizioni per mitigare il rischio crescente.

Per gli intermediari diventa dunque sempre più indispensabile disporre di dataset strutturati che registrino tutte le principali caratteristiche del debitore raccolte nella fase di origination e nelle fasi successive, in funzione dell’andamento dell’attività del cliente e delle garanzie poste in essere.

Quali Alternative Data possono contribuire agli Early Warning Systems

Tra i molti nuovi dati a disposizione degli istituti finanziari, gli alternative data di tipo qualitativo si candidano ad essere naturalmente integrati nei sistemi di Early Warning.

Si tratta infatti di informazioni “non tradizionali” relative alle imprese e alla loro presenza sui territori (dati geo-localizzati), sul web, sui social network professionali, sulle piattaforme di e-commerce che, focalizzandosi sulla controparte oggetto di analisi, contribuiscono ad accrescere l’accuratezza dei modelli di monitoraggio di rischio credito.

Dati aggiornati in tempo reale che garantiscono un’elevata stratificazione temporale e affidabilità, soprattutto quando riconducibili a fonti statistiche e/o statali accreditate, sotto forma di open data, ossia disponibili pubblicamente.

L’inclusione di questi dati, combinata con le nuove metodologie basate, garantisce un migliore presidio delle imprese finanziate, e consente di monitorarne efficacemente l’attività nel corso del tempo.

Va comunque sottolineato che non è sufficiente disporre degli Alternative Data per sfruttarne appieno il potere predittivo, ma è necessario che questi vengano riorganizzati e combinati con altre tipologie di informazioni. È fondamentale partire dal patrimonio informativo originariamente disponibile e costruire indicatori di sintesi affidabili e significativi rispetto ai fenomeni che gli intermediari vogliono osservare.

La collaborazione di Data Appeal con diversi istituti di credito italiani va esattamente in questa direzione: il data lake che l’azienda ha costruito, analizza circa 5 milioni di contenuti online ogni ora, attraverso oltre 130 fonti dati. Il valore delle informazioni raccolte viene massimizzato mediante la costruzione di specifici KPI, ossia indicatori proprietari che sintetizzano alcune delle caratteristiche delle imprese che i creditori intendono osservare.

Questi KPI sono di fatto per loro natura conformi alle indicazioni fornite dal regulator in precedenza descritte, perché sono aggiornati in tempo reale, forward-looking e con una lunga stratificazione temporale (fino a 5 anni).

Gli indicatori che hanno dimostrato maggiore efficacia predittiva come Early Warning Indicators sono quelli che esprimono la “qualitative performance” delle PMI italiane e che ne descrivono la reputazione, la popolarità e la percezione basandosi sull’esperienza diretta dei clienti.

Stiamo parlando di:

  • Sentiment Score: esprime la reputazione di un’impresa, analizzando il livello di soddisfazione espresso online dai propri clienti. L’algoritmo si basa su un modello di machine learning nell’ambito NLP (Natural Language Processing) che analizza le conversazioni online e fornisce uno score positivo, negativo e neutro di qualsiasi testo.
  • Footfall Index: indica il livello di frequentazione, e dunque di popolarità, di un’impresa. Riflette la popolarità e le potenzialità in termini di vendita delle attività e delle aree urbane, utile in ottica di investimento immobiliare e di valutazione del credit risk. Permette di misurare non solo l’affluenza di clientela ma anche gli orari di punta di ogni specifico luogo.

Inserire questi KPI nel set di Early Warning Indicators può aiutare ad avere una visione più esaustiva delle performance delle imprese finanziate: un loro progressivo deterioramento di fatto ha spesso una stretta correlazione con i volumi di fatturato, che inevitabilmente si ripercuotono sulla capacità di solvenza.

Vuoi approfondire questo argomento?

Scarica il nostro eBook gratuito “Smart lending: come usare gli Alternative Data per velocizzare l’erogazione dei finanziamenti e ridurre i rischi”.