L'intellingenza artificiale cambia il mercato degli NPL

In una fase complicata come quella che stiamo vivendo, l'economia e soprattutto la finanza non si sono fermate. In questo scenario, c'è una startup del settore FinTech che ha scovato un'area di mercato interessante, quella degli NPL (Non Performing Loans), cogliendo opportunità e soprattutto velocizzando le scelte grazie all'intelligenza artificiale. Ne abbiamo parlato con Luca Bonacina, co-founder e responsabile Tech di Cherry NPL.

Da dove nasce l'idea?
Siamo partiti da una constatazione molto semplice, ossia che le applicazioni dell'intelligenza artificiale sono ormai nella quotidianità di tutti noi, che consciamente o meno le utilizziamo. La facciamo sia in ambito professionale che in ambito personale, basti pensare agli algoritmi di riconoscimento facciale che sono ormai largamente presenti anche nei cellulari di fascia medio bassa. Questi algoritmi mangiano dati a colazione, è largamente noto che imparino da esempi. Quanto più sono questi esempi sono buoni e quanto più informazioni contengono e tanto migliore sarà la performance dell'algoritmo. In Cherry quello che facciamo è applicare modelli di intelligenza artificiale per il mondo del credito deteriorato, con l'obiettivo di dare una stima del tempo e del valore di recupero di un portafoglio di credito deteriorato.

Un mestire certamente non semplice.
Infatti, il credito deteriorato e una bestia particolare, tipicamente molto lontana da chi viene dalla tecnologia e merita quindi una brevissima introduzione. Intanto un credito si deteriora progressivamente con l'impossibilità del debitore di restituire la finanza che gli è stata erogata. Quindi, quando il debitore non può sostituire il debito, il credito si deteriora, ma questo ovviamente è un problema sotto diversi aspetti per l'istituto finanziario che lo ha erogato. Il creditore, che quindi si trova a dovere fare delle scelte, tra cui il dover capire qual è effettivamente la probabilità di recupero in termini di valore di quella linea di credito che ha erogato e quanto velocemente quella linea di credito potrà essere recuperata. L'istituto finanziario non lo deve fare per una sola linea di credito, ma ovviamente per tutto l'insieme di linee di credito che si sono deteriorate nel tempo. La stima di questo valore passa necessariamente per un'analisi di dati molto voluminosa, molto intensa, che ad oggi viene fatta completamente a mano. Le dimensioni di analisi sono varie e decisamente non standard, si devono guardare le proprietà immobiliari, si devono guardare la presenza di lavoro del debitore e ci sono davvero tante altre dimensioni.

L'intellingenza artificiale aiuta davvero?
La cosa importante è che oggi questo processo è fatto a mano e si porta dietro tutti gli errori del lavoro umano che conosciamo: da una parte gli errori banali, dall'altra parte la qualità dell'analisi approfondita ma che necessariamente, come sappiamo, non può scalare e quindi l'operazione ad oggi costa parecchio. Tutto questo può essere fatto con i computer. Analizzando un solo un sottoinsieme delle linee di credito dei vari portafogli che questi istituti finanziari hanno ''in pancia'', diventa effettivamente utile l'applicazione nei modelli di intelligenza artificiale. Questo è quello che facciamo noi in Cherry. Raccogliamo automaticamente questa grossa mole di dati, la riconciliamo e la rendiamo di qualità.
E come fate?

Prendiamo questi dati di qualità, raccogliamo gli esempi informativi e allineiamo questi modelli con l'intelligenza artificiale per fornire la stima del quando sia il tempo di recupero. Ma anche quale sia il valore di recupero delle linee di credito deteriorate ancora presenti. Il mercato del credito deteriorato si rivela essere molto particolare, in effetti i player di questo mercato sono pochi e sono tutti provenienti da grandi a grandissimi istituti, basti pensare alle alle grandi banche italiane.
Quanto conta essere una FinTech italiana?
Aiuta molto. Per ora la chiave è nell'organizzazione agile, che è una chiave di successo perché per fare quello che facciamo noi internamente in una struttura più grande significherebbe muovere una macchina operativa mastodontica, con tutti i problemi che questo si porterebbe dietro. I tempi di lavoro, per noi, sono accorciati e i cicli operativi non richiedono tempi lunghi di validazione come capiterebbe in aziende strutturate e burocratizzate. In questo mercato conta essere veloci nel muoversi e nel prendere le decisioni e, non ultimo, cambiano le normative e, come vediamo, anche i momenti storici. Per esempio, in questo momento storico tristemente particolare, sappiamo che ci sarà un grande impatto su questo mercato e quindi bisognerà necessariamente essere veloci, agili e flessibili su come procedere. Noi collaboriamo con i nostri colleghi di business per adattare i nostri servizi che vengono erogati tramite una piattaforma software alle reali esigenze di business che giorno per giorno riusciamo a identificare. Per questo siamo una piccola FinTech italiana in questo mercato, ma con una capacità di manovra molto ampia.