Dati e algoritmi sono sempre stati elementi chiave nel gestire banche e fondi d’investimento. L’intelligenza artificiale nella finanza rappresenta solo la trasformazione finale di un settore che ha sempre puntato su efficienza e predizione.

Le banche tradizionali si trovano nella situazione di essere minacciate dalle start-up del mondo fintech che, potendo contare un business completamente digitale dalla nascita, hanno un forte vantaggio di costi e personalizzazione.

Proprio per sua natura l’intelligenza artificiale è una tecnologia che permette di risolvere i problemi che le grandi organizzazioni finanziarie incontrano. Ad esempio:

La realtà è che ci sono decine di case study di applicazioni dell’intelligenza artificiale nella finanza. Con questo approfondimento cercherò di analizzare 4 applicazioni e altrettanti case study per dimostrare come questa tecnologia, se approcciata con strategia, abbia la capacità di creare ROI e cambiamento in questo complesso settore.

  1. Robot Process Automation (RPA)
  2. Case study: l’RPA in Patelco, una comunità di credito cooperativo
  3. AI Chatbot nella finanza
  4. Case study: il chatbot di PayPal
  5. Intelligenza artificiale nella finanza: loan prediction
  6. Case study: SalaryDost
  7. Intelligenza artificiale e antiriciclaggio
  8. Case study: Ayasdi
  9. Pensieri finali
intelligenza artificiale nella finanza

Robot Process Automation (RPA)

Con l’aumentare del numero di clienti, dei servizi offerti e, sopratutto, dal grado di personalizzazione di questi ultimi, è inevitabile la formazione di un bottleneck operativo.

Nel 2020, quello che la finanza sta proponendo è di fornire a qualsiasi persona il livello di customer experience dei grandi clienti, a prescindere da quanto egli sia facoltosa o dall’ammontare di transazioni che opera durante l’anno.

Per le organizzazioni che propongono servizi finanziari, l’unica soluzione per mantenere un buon livello di costi di gestione è automatizzare quei processi ripetitivi che tengono bloccati interi reparti.

La robot process automation (RPA) è quella tecnologia che, grazie alla programmazione manuale di regole ben definite, riesce a creare percorsi automatici su desktop accorciando così interi flussi di lavoro.

Alcuni esempi dal mondo finanziario possono essere:

Per approfondire il discorso e capire bene come si integrano machine learning e RPA, consiglio di leggere l’articolo sulle applicazioni di machine learning nel business (sezione hyperautomation).

Case study: l’RPA in Patelco, una comunità di credito cooperativo

rpa case study nella finanza

Patelco è una comunità di credito cooperativo fondata nel 1936. I suoi possedimenti (assets) ammontano a oltre 8 miliardi di dollari, con un totale di 380.000 membri e 6.000 filiali nell’intero territorio statunitense.

Negli ultimi 5 anni dalla data di riferimento del case study, Patelco ha registrato una crescita di oltre l’11% all’anno in termini di numero di membri, prestiti e volume delle transizioni.

Con un’espansione così significativa e rapida, la compagnia aveva bisogno di una soluzione che garantisse due obbiettivi primari: (1) assicurare che la qualità dei servizi rimanesse alta, e (2) che le spese operative non avrebbero raggiunto livelli insostenibili.

L’RPA si è dimostrata un ottimo modo per migliorare l’efficienza delle operazioni senza aumentare in un modo drammatico le spese. Nella fine del 2019, Patelco ha siglato un accordo con Automation Anywhere, che ha garantito alla comunità una soluzione cloud per implementare l’RPA: la Enterprise A2019 Platform.

Usando una strategia test-and-learn, sono stati sviluppati in soli pochi giorni soluzioni nel campo dei prestiti ai consumatori e prevenzione o individuazione di frodi: tutti processi eseguiti frequentemente e che richiedevano operazioni manuali ed estremamente ripetitive.

Nel dettaglio, per quanto riguarda i prestiti ai consumatori (“10-day loan payoffs“): quando un membro voleva rifinanziare o pagare un vecchio veicolo per acquistarne uno nuovo, doveva saldare il prestito originale.

Per farlo, l’unione cooperativa avrebbe dovuto calcolare il bilancio da saldare includendo, tra le varie cose, anche ogni tasso d’interesse, risultando così in un lungo lavoro attraverso diversi sistemi.

Data la grande mole di lavoro, erano necessari dalle 24 alle 48 ore per concludere l’intera operazione e fornire i dati necessari al cliente. Dopo l’implementazione dell’RPA, un impiegato avrebbe dovuto semplicemente inviare la richiesta di payoff al sistema, e il bot si sarebbe occupato di effettuare tutti i calcoli necessari e mandare i dati al cliente. Quanto tempo richiedeva questo processo? Solo due minuti.

Per quanto riguarda invece l’individuazione di frodi, prima dell’RPA la verifica dei dati e delle informazioni richiedeva fino a 6 ore, mentre con l’implementazione del Robot process automation il tutto si è ridotto ad appena 40 minuti, ovvero una diminuzione dell’88%.

La nostra priorità è la salute finanziaria dei nostri membri. L’RPA ci ha aiutato a migliorare il nostro servizio, a combattere le frodi e a mantenere sempre attivo il flusso dei soldi dei nostri membri.

Kevin Landel, Senior Vice President di Patelco

AI Chatbot nella finanza

Ritornando al discorso iniziale, aumentare la qualità dell’interazione con il cliente è una delle caratteristiche fondamentali di una banca moderna e attenta alla customer experience.

Chatbot e robot process automation sono alleati vincenti per collegare le volontà del cliente a un processo automatico che restituisce in maniera immediata l’informazione richiesta o il percorso da intraprendere.

Tutto questo porta due principali benefici all’azienda:

Ci sono tanti chatbot quanti sono le possibili interazioni dei clienti con il servizio finanziario, alcuni esempi possono essere:

Per scendere nel dettaglio di questa tecnologia, scoprire l’implementazione strategica, il ROI e case study dettagliati consiglio di leggere l’approfondimento sui chatbot.

Case study: il chatbot di PayPal

chatbot paypal

PayPal offre un servizio clienti gestito da un chatbot AI che può funzionare tramite Facebook Messanger. Previa richiesta d’accesso per motivi di sicurezza, il chatbot può rispondere a praticamente qualsiasi domanda riguardo al proprio account PayPal. Ad esempio:

PayPal, inoltre, dichiara anche di fare uso del Machine Learning per la rivelazione delle frodi. Ad ogni transazione vengono effettuati numerosi controlli per assicurare che nessuna azione fraudolenta venga eseguita. Questo può richiedere anche l’utilizzo del chatbot, che andrebbe a porre all’utente una serie di domande in un certo lasso di tempo.

È estremamente difficile accedere alle metriche di successo dei case study di Paypal, per questo motivo non sono riuscito a riportare direttamente il ROI come negli altri casi ma, solo le applicazioni dietro all’implementazione dei chatbot.

Intelligenza artificiale nella finanza: loan prediction

Un altro lato fondamentale delle applicazioni dell’intelligenza artificiale nella finanza è l’analisi predittiva: dal momento che interi servizi sono basati proprio su calcolo del rischio e interessi è facile intuire quanto questa tecnologia possa rilevarsi interessante.

Prestiti e mutui ad esempio sono una fonte di entrate molto importanti per i classici istituti finanziari, nonché una delle differenze fondamentali tra banche tradizionali e start-up nel mondo fintech.

Se da una parte sono un’ottima fonte di reddito e un servizio di grande importanza per i clienti che devono scegliere tra una start-up e una banca, dall’altra sono un grande rischio.

Come dicevo saper bilanciare al meglio rischi e tassi d’interesse è una caratteristica importante per massimizzare il ROI dei propri servizi e non incappare in seri problemi finanziari e reputazionali.

L’intelligenza artificiale, come ho spiegato durante il mio speech per l’Applied Artificial Intelligence Day, è capacità di predizione. L’analisi predittiva rispetto alle classiche valutazioni del rischio sono soluzioni innovative e dal grande potenziale economico.

La differenza è palese: i classici sistemi di valutazione del rischio tengono in considerazione un numero di variabili estremamente limitato (ad esempio: stipendio, patrimonio, insoluti e famiglia).

D’altra parte, i sistemi intelligenti accedono a migliaia, o spesso, a decine di migliaia di variabili oltre a:

algoritmi intelligenza artificiale nella finanza
Foto 1: linear vs non linear model
intelligenza artificiale prestiti finanziari
Foto 2: Data dominance loan prediction

Case study: SalaryDost

SalaryDost è una piattaforma di lending che punta a rivoluzionare il mercato dei mutui in India. Le piattaforme di lending si sono dimostrate essere uno dei modi più facili e veloci per ricevere soldi in prestito, ma cosa succede quando a questi servizi viene implementata l’AI?

SalaryDost usufruisce di un sistema di punteggio del credito (credit scoring) che aiuta il profiling dei consumatori, e l’applicazione mobile della piattaforma consente di ottenere prestiti in un batter d’occhio.

La visione dell’azienda è di stabilire una linea di credito per ogni cittadino indiano e “incrementare i salari” dei propri clienti. Fino ad oggi, la piattaforma ha versato più di 150.000 prestiti digitali, e punta a una riduzione del 3% nel numero di crediti in sofferenza.

La profilazione dei clienti e l’analisi del punteggio del credito è sempre stata una grande sfida per le operazioni di prestito. In poche parole: più veloce è il profiling, più rapido diventa il processo del prestito. Quindi, per raggiungere la sua vision, SalaryDost aveva bisogno di trovare un modo per migliorare la profilazione dei propri clienti.

Le operazioni di lending, per funzionare, richiedono una grande quantità di dati dei clienti. Sebbene il processo sia automatizzato, con l’aumentare dei clienti, il servizio diventa lento e il tempo d’attesa aumenta.

Per velocizzare le proprie operazioni, la compagnia aveva bisogno di implementare una soluzione potente e all’avanguardia, che gli avrebbe consentito di ricavare informazioni dai dati in tempo reale.

Come ha fatto SalaryDost a migliorare l’esecuzione del proprio profiling? Si è affidata a CredoLab, una compagnia AI di Singapore che ha implementato la sua soluzione: CredoSDK.

CredoSDK consente di utilizzare metadati, dati non-intrusivi e dati non-personali provenienti dallo smartphone del richiedente del prestito per calcolare in pochi secondi un punteggio.

L’algoritmo basato sull’AI analizza migliaia di caratteristiche per trovare i pattern comportamentali. Questo ha permesso alla piattaforma di lending di eseguire analisi dei clienti in modo incredibilmente granulare.

Da quanto afferma l’azienda, i clienti di CredoLab hanno registrato un aumento del 20% nel numero di approvazione di nuovi clienti, una riduzione del 15% dei crediti in sofferenza, e una diminuzione del 22% nel numero di frodi.

Dopo l’implementazione di CredoSDK, SalaryDost ha registrato una maggiore accuratezza nelle proprie analisi dei clienti e anche un significativo aumento della rivelazione di attività o comportamenti fraudolenti.

loan prediciton

Intelligenza artificiale e antiriciclaggio

L’anti money laundering (antiriciclaggio) è considerata una vera e propria piaga per ogni istituto finanziario dal punto di vista di costi e tempi operativi.

Giusto per fare un esempio, si stima che i costi annuali di conformità per Stati Uniti e Canada ammontano a quasi 32 miliardi di dollari.

Ancora una volta l’intelligenza artificiale nella finanza si rivela un’arma potente per contrastare il riciclaggio di denaro, e al contempo diminuire i costi operativi che stanno dissanguando le istituzioni.

Ci sono diversi use cases che stanno piano piano avanzando in questo settore:

Case study: Ayasdi

Ayasdi è una compagnia che sviluppa software nel campo dell’intelligenza artificiale. I suoi prodotti aiutano le organizzazioni a usufruire di accurate analisi predittive dei big data.

In questo case study vedremo come una delle più grandi istituzioni finanziarie del mondo, o almeno così dichiara Ayasdi, abbia usato i suoi software per migliorare la propria efficienza.

La banca in questione voleva trovare un modo per diminuire il carico dei falsi positivi senza intaccare i falsi negativi e rischiare di essere sanzionati.

Come prima cosa, Ayasdi ha raccolto dati esterni provenienti dal mercato, e ha trasformato quelli interni all’azienda per renderli più utili alla predizione.

Con le informazioni ricavate, una serie di algoritmi unsupervised e semi-supervised di machine learning sono stati eseguiti per riconoscere le operazioni criminali (evasione di tasse, riciclaggio e corruzione).

Gli algoritmi sono stati in grado di ricavare pattern e comportamenti altrimenti impossibili di individuare per un essere umano. Questo ovviamente per via dell’enorme quantità di dati da analizzare

Dopo 8 settimane la banca ha registrato una riduzione del volume investigativo del 56% (falsi positivi) portando ad un aumento del 20% nel numero di nuove attività fraudolente rilevate (falsi negativi recuperati).

intelligenza artificiale e finanza: ayasdi
Topological data analysis

Pensieri finali su intelligenza artificiale e finanza

Questi 4 case study mostrano con chiarezza quanto possa essere dirompente l’impatto dell’intelligenza artificiale nella finanza per aumentare l’efficienza e raggiungere gli obiettivi strategici.

Non resta che individuare i business case e ragionare in un’ottica di medio e lungo termine per migliorare nel profondo interi processi finanziari.

Per implementare l’AI nel tuo business questi sono i 5 step da seguire, mentre nel link seguente puoi organizzare una consulenza con me.