Luciano Bruccola, Conectens – Vitilio Chionna, Bper Leasing Sardaleasing

Pubblicato su Leasenews il 14/1/2026 link

Nel quadro del framework regolamentare del rischio di credito e del sistema di rating di capogruppo, Bper Leasing Sardaleasing ha manifestato l’esigenza di misurare e monitorare la congruità e la specificità dei diversi strumenti di valutazione del rischio atteso nonché valorizzare eventuali scostamenti che possono dare luogo ad alert di sorveglianza.

Con questi obiettivi Bper Leasing Sardaleasing ha implementato la soluzione Conectens per la realizzazione di un sistema strutturato di integrazione sistematica dei flussi di informazione che riguardano l’indebitamento complessivo dei clienti. La soluzione combina (i) le informazioni interne sui contratti, (ii) il flusso di ritorno di BDCR Assilea che aggiunge l’informazione di esposizione dei propri clienti con altri operatori leasing, (iii) il flusso di ritorno della CR Banca d’Italia che apporta – per i clienti sopra soglia segnalati – l’informazione di esposizione nei confronti dell’intero sistema bancario.

L’integrazione dei flussi informativi consente quindi di valutare in modo continuativo e strutturato le stime di rischio atteso provenienti in primis dal Rating di capogruppo BPER e dal Bureau Score Comportamentale Conectens costruito sui dati di BDCR Assilea.

Tavola 1 – Schema di sintesi della soluzione Conectens

Il sistema prevede la selezione delle informazioni ritenute di maggiore interesse per ciascun flusso, costruisce nuove variabili derivate e sintetizza il tutto a livello cliente. L’output integra circa 100 dati in un file excel che ne consente un utilizzo più semplice e diretto, permettendo ad esempio, la pronta selezione di nominativi, liste, sottoinsiemi di interesse per analisi, approfondimenti e azioni.

La storicizzazione degli output periodici così sistematizzati consente di monitorare l’evoluzione delle dinamiche di rischio tra i diversi periodi e di predisporre alert per i clienti il cui profilo di rischio atteso risulta in peggioramento.

I benefici risiedono quindi nella capacità di cogliere prontamente segnali di early warning e nell’aumentare la capacità di conoscenza sui clienti che possono potenzialmente presentare problemi di rimborso.

Secondo gli alert identificati, sono definite ed estratte le specifiche liste di clienti di interesse per le attività di sorveglianza preventiva. L’evoluzione del comportamento dei clienti interessati viene monitorato periodo per periodo.

Ad ogni rilevazione è prevista inoltre la disponibilità di un package di analisi preimpostate che consentono una visione integrata dei diversi parametri di rischio e una valutazione immediata e costante delle relazioni tra questi.

Infine, la realizzazione del sistema ha rappresentato anche l’occasione per fare un assessment dei dati gestiti dai diversi flussi ed una valutazione complessiva della qualità dell’informazione.

In sintesi il sistema così strutturato consente:

• il pieno utilizzo del patrimonio informativo disponibile delle diverse fonti di informazione in modo sistematico,
• la disponibilità in output di flussi standard di informazioni selezionate più rilevanti, di fruibilità immediata e di confronto intertemporale semplificato,
• la disponibilità a corredo di un set di analisi preimpostate,
• una visione integrata dei diversi parametri di rischio,
• l’estrazione di liste di sorveglianza.

Le prime rilevazioni disponibili fanno apprezzare una complementarità degli strumenti di valutazione del rischio atteso, ognuno dei quali sintetizza e fa risaltare il diverso contenuto informativo sui quali si basa.

Se da un lato emerge una generale coerenza di valutazioni, l’identificazione dei disallineamenti tra le stesse può generare alert di sorveglianza con valore predittivo, la cui efficacia sarà misurata progressivamente nel tempo.

Luciano Bruccola, Conectens – Vitilio Chionna, Bper Leasing Sardaleasing. Proprietà riservata (2026)

L'articolo Integrazione delle fonti informative sul credito proviene da Conectens.

Luciano Bruccola, Conectens

Pubblicato su Leasenews il 11/6/2024 link

L’esercizio annuale di validazione dei Bureau Scores realizzati da Conectens sui dati di BDCR Assilea, oltre a misurare la capacità discriminante degli strumenti, fornisce anche un quadro complessivo del rischio di credito nel leasing ed offre spunti di riflessione per la previsione dell’evoluzione.

Le analisi di validazione 2024 si sono basate su una verifica delle performance dei modelli sui dati di chiusura 2023 e sono state svolte sul perimetro completo dei clienti censiti in BDCR Assilea.

In sintesi possiamo riassumere le evidenze nel modo seguente:

• si osserva un lento e continuativo aumento del rischio di credito nel leasing che si mantiene comunque al di sotto dei livelli pre-pandemia. Le previsioni sono nel segno di una prosecuzione di moderata crescita;

• il Bureau Score Comportamentale conferma la propria stabilità e la capacità di differenziare i clienti per livello crescente di rischiosità attesa. Il Bureau Score di Collection si conferma essere uno strumento utile nel differenziare la capacità dei clienti che presentano insoluti di rientrare in bonis ovvero di peggiorare il proprio stato;

• l’evoluzione in recupero del rischio di credito implica ancor di più la necessità di un monitoraggio puntuale di portafoglio. I contenuti informativi di BDCR Assilea sulla parte di clientela compartita con gli altri operatori sono valorizzati appieno dai Bureau Scores Conectens, i quali aiutano ad identificare preventivamente il deteriorarsi del profilo di rischio dei clienti misurandone il posizionamento rispetto al mercato leasing complessivo.

In dettaglio percorriamo le analisi e gli elementi alla base della sintesi esposta. La Tavola 1 presenta, a partire dal 2013, la dinamica del tasso di default a livello cliente, la cui definizione è il raggiungimento di 3 segnalazioni mensili consecutive di insoluto oppure almeno un contratto posto in contenzioso dalla società di leasing.

Tavola 1

Con riferimento alla spezzata in rosso che presenta il tasso di clienti classificati come nuovi default, possiamo riconoscere 4 fasi: 

• un drastico contenimento del rischio di credito sino al 2017,
• un relativo consolidamento dello stesso negli anni 2017-2019 prima della pandemia,
• un rallentamento consistente nel periodo di presenza delle misure di contenimento messe in atto per arginare gli effetti economici della crisi pandemica, con minimo toccato nel 2021,
• un successivo progressivo aumento, rispetto al minimo storico, con livelli comunque ancora inferiori

a quelli che si registravano prima della pandemia.

Infine va considerato che il numero di clienti in default a inizio 2024 per la prima volta da 10 anni è in modesta crescita rispetto all’anno precedente.

Altri elementi di interesse vengono evidenziati dalle analisi di classificazione dei clienti attraverso ciascuno dei due Bureau Scores.

La valutazione della transizione tra classi di score comportamentale tra il 2022 e il 2023, consente di misurare come evolve il rischio di credito di portafoglio dei clienti in BDCR. In particolare si evidenzia una misura di deterioramento del portafoglio in termini di numero clienti che subiscono un passaggio di classificazione da classi meno rischiose a classi più rischiose nel corso dell’anno. Se si raffronta questa misura con quanto registrato negli ultimi anni, Il numero di clienti in peggioramento di classificazione è in aumento rispetto alle rilevazioni immediatamente precedenti.

Le analisi specifiche relative al Bureau Score di Collection e quindi sull’insieme dei clienti che presentano almeno un contratto in insoluto, restituiscono ulteriori evidenze.

Tra i diversi momenti di osservazione temporale nel corso del 2023 si apprezza: (i) un aumento del numero assoluto dei clienti con contratti in insoluto, (ii) un aumento dei clienti in stallo che rimangono in insoluto con lo stesso ammontare a 6 mesi di distanza, (iii) l’aumento dei clienti classificati nelle classi 8, 9 o 10 del Bureau Score di Collection considerate a maggior difficoltà di rientro in bonis.

L’insieme di queste indicazioni suggerisce che le previsioni di andamento del rischio di credito nel leasing sono nel segno di una prosecuzione di moderata crescita.

Per quanto riguarda la capacità discriminante dei modelli, questa si conferma in linea a quella osservata negli anni precedenti, testimoniando la robustezza degli stessi. A questo proposito viene presentata in Tavola 2 una analisi comparata della capacità del modello comportamentale di differenziare ex ante i clienti in base al rischio successivamente osservato. Per questa analisi le classi di score vengono raggruppate in 6 insiemi: classi 1-3, classi 4-5, classi 6-7 e infine le classi 8, 9, 10 vengono mantenute separate.

Tavola 2

La stabilità del modello è evidente percorrendo le osservazioni riferite dal 2019 al 2023: ad esempio un cliente di classe 10 è generalmente 40 volte più rischioso di un cliente di classe 1-3 ed un cliente di classe 9 è generalmente 20 volte più rischioso di un cliente di classe 1-3.

Sulla base di queste evidenze si può dedurre che il Bureau Score Comportamentale sia uno strumento stabile e capace di differenziare i clienti per livello di rischiosità relativa crescente anche in presenza di shock economici e mutamenti dei livelli di rischio di credito ai quali si è assistito soprattutto nel biennio 2020-2021.

Dal canto suo, nel momento in cui si registrano degli insoluti, il Bureau Score di Collection si dimostra essere uno strumento capace di valutare la probabilità che un dato cliente rientri in bonis ovvero peggiori il proprio stato, utilizzando appieno il contributo informativo delle diverse società di leasing contributrici dei dati.

La valutazione del portafoglio clienti attraverso i contenuti informativi di BDCR Assilea beneficia dell’apporto informativo di comportamento di rimborso nei confronti degli altri operatori, sempre più rilevante se si considera l’elevato tasso di sovrapposizione di clientela tra i diversi operatori.

I Bureau Scores Conectens valorizzano appieno tale patrimonio informativo e, attraverso il monitoraggio mensile, evidenziano early warning capaci di identificare, preventivamente, il possibile deterioramento del profilo di rischio dei clienti al fine di valutare l’approccio di pre-collection più consono alla maggiore o minore probabilità di registrare un rientro in bonis.

Luciano Bruccola, Conectens. Proprietà riservata (2024)

L'articolo Bureau Scores ed evoluzione del rischio di credito nel leasing proviene da Conectens.

Luciano Bruccola, Conectens                                       

Pubblicato su Leasenews.it il 7/6/2023: link

All’uscita dal biennio 2020-2021, caratterizzato dalla crisi economica conseguente la pandemia e dalle misure di contenimento degli effetti quali moratorie e facilitazioni all’accesso al credito, si temeva che il rischio di credito nel leasing avrebbe subito una impennata una volta venute meno tali misure.

Le analisi condotte da Conectens sul perimetro dei contratti e clienti leasing, attraverso i dati di BDCR Assilea, per il 2022 e per le prime evidenze del 2023, ritornano invece un impatto contenuto e inferiore alle attese: il rischio di credito nel leasing sembra assestarsi a livelli decisamente inferiori rispetto a quelli registrati pre-pandemia.

La Tavola 1, nella curva in nero, mostra l’andamento dei contratti in contenzioso nel periodo 2019 sino alle prime osservazioni riferite al 2023. A partire dal livello abbastanza stabile che si aveva nel 2019 alla vigilia della crisi pandemica, si è assistito – grazie proprio alle misure di contenimento messe in atto per arginarne gli effetti economici – ad un progressivo rallentamento del tasso di contratti segnalati in contenzioso dalle società di leasing. La definitiva uscita dalle misure ha comportato un aumento del tasso di contenzioso che è durato lo spazio di pochi mesi iniziali del 2022 per poi assestarsi a livelli decisamente più contenuti se comparato al 2019. Pur in presenza di qualche valore altalenante, le prime evidenze mensili del 2023 confermano tale andamento.

Tavola 1 – Andamento contenzioso e default tra il 2019 e il 2023

Se dalla visione contratto, ci spostiamo alla visione cliente, considerando quindi per ciascun cliente l’insieme dei contratti che questi conduce per le diverse tipologie, non muta la valutazione del contenimento del rischio di credito associato e testimonia il grande sforzo messo in campo dalle società di leasing in termini di controllo della qualità del credito sia in fase di erogazione sia in fase di gestione del proprio portafoglio.

Sempre in Tavola 1 per il periodo 2019-2023 è mostrato, con la spezzata in rosso, la percentuale di clienti classificabili in default a inizio di ciascun anno: risulta evidente la progressiva ed importante diminuzione a cui si è assistito negli ultimi anni, il cui trend comunque parte da lontano. Anche il tasso di clienti classificati come nuovi default nel corso del 2022, in leggero aumento rispetto all’anno precedente (minimo storico), si assesta a fine anno a livelli di almeno un terzo inferiori a quelli che si registravano prima della pandemia.

Il perdurare del conflitto in Europa con le conseguenze economiche già in parte sperimentate, la ripresa del ciclo inflattivo e il conseguente aumento dei tassi di interesse pongono degli interrogativi sulle ripercussioni possibili sulle aziende clienti e quindi sul livello di rischio di credito. D’altro canto, la crescita attesa dell’economia italiana e i livelli di partenza così contenuti del rischio di credito sembrano controbilanciare o quanto meno attenuare i timori di una ripresa dello stesso.

Una misura più contenuta del rischio di credito, in termini di contratti e di clienti coinvolti, non esclude la necessità di un monitoraggio attento dell’evoluzione dello stesso. Le analisi annuali di valutazione delle performance dei Bureau Scores realizzati da Conectens sulla base del patrimonio informativo disponibile in BDCR Assilea, confermano che questi strumenti possono essere un valido supporto per identificare preventivamente il deteriorarsi del profilo di rischio dei clienti misurandone il posizionamento rispetto al mercato leasing complessivo.

In particolare il Bureau Score Comportamentale, le cui performance sono presentate in Tavola 2, si conferma capace di discriminare ex ante i livelli di rischio associati ai diversi clienti, mantenendo un differenziale di rischio di 1 a 70 tra fascia 1 (minor rischio) e fascia 10 (maggior rischio).

Nel dettaglio la tavola presenta la suddivisione di tutti i clienti censiti in BDCR Assilea con almeno un contratto attivo per classe di score a seconda dei dati e delle informazioni presenti a inizio periodo (1 1 2022). I clienti già classificati in default a tale data vengono esclusi da questa analisi. Le performance rappresentate (default cliente) si riferiscono alle osservazioni del comportamento nei 12 mesi successivi alla classificazione. Gli istogrammi rappresentano la quota di clienti che cadono nelle diverse classi al 1 1 2022, la curva in nero rappresenta la parte di clienti che a fine periodo (31 12 2022) vengono classificati in default.

Tavola 2 – Performance Bureau Score Comportamentale nel 2022

Risulta evidente l’ordinamento di rischiosità da classe 1 a classe 10 e come quest’ultima, in corrispondenza delle classi 9 e 10, raggiunga i livelli relativamente più importanti. La capacità discriminante del modello si conferma in linea a quella osservata negli anni precedenti, testimoniando la robustezza del modello sottostante.

La possibilità quindi di seguire con cadenza mensile (periodicità di aggiornamento dello score) l’evoluzione di classificazione di un dato cliente permette, ad esempio, di valutare il passaggio da una classe meno rischiosa ad una più rischiosa: tale eventualità costituisce un alert di peggioramento di classificazione utile per valutare l’andamento del rischio e, se rilevante, prendere iniziative di contenimento.

Nel momento in cui si registrano degli insoluti invece, il Bureau Score di Collection si dimostra essere uno strumento capace di valutare la probabilità che un dato cliente rientri in bonis ovvero peggiori il proprio stato. Rilevante anche in questo contesto è la possibilità di beneficiare del contributo informativo di come i propri clienti si rapportano con le altre società di leasing.

Nella Tavola 3 sono presentate le performance relative a questo strumento. A inizio periodo, in questo caso il 30 6 2022, i clienti con insoluti vengono raggruppati nelle classi di score da 1 a 10 (contrassegnate con il prefisso Ins nella tavola) sulla base delle info presenti a quella data. L’osservazione delle performance a 6 mesi di distanza, sino al 31 12 2022, fa emergere la capacità dello strumento di ordinare i clienti in modo decrescente per l’evento rientro in bonis e, al contrario, in modo crescente per il perdurare o l’aggravarsi dello stato di insoluto.

Tavola 3 – Performance Bureau Score di Collection nel 2022

Anche in questo caso la possibilità di monitorare mensilmente il proprio portafoglio clienti, offre l’opportunità di inquadrare il grado di complessità delle situazioni da affrontare e di scegliere quindi, l’approccio di pre-collection o di recupero più consono alla maggiore o minore probabilità di registrare un rientro in bonis.

In conclusione, l’osservazione dei dati mostra come questi strumenti, misurando il posizionamento dei clienti rispetto al mercato leasing complessivo, possono essere un valido supporto per identificare preventivamente il deteriorarsi del profilo di rischio e nell’affrontare l’eventuale processo di recupero nel modo più appropriato: in definitiva possono contribuire a mantenere il controllo del rischio di credito ai livelli virtuosi che ha raggiunto.

Luciano Bruccola, Conectens. Proprietà riservata (2023)

L'articolo Evoluzione e controllo del rischio di credito nel leasing proviene da Conectens.

La possibilità di accedere ad informazioni che consentano di vedere il comportamento dei clienti rispetto agli altri crediti detenuti rende possibile misurare il livello di esposizione complessivo del cliente, l’esperienza di rimborso che ha avuto in passato, verificare il ricorso a diverse forme tecniche di finanziamento e quanto ampia sia la ricerca di nuovi finanziamenti;  tutti fattori che hanno una relazione importante con la performance creditizia e che consentono di prevedere ed anticipare un eventuale deterioramento

Luciano Bruccola, Conectens

Pubblicato su La lettera di Assilea numero 2 anno 2015

Una corretta gestione del rischio di credito non si esaurisce certo con un’attenta valutazione al momento dell’assunzione di rischio in accettazione: seguire il finanziamento lungo tutto il ciclo di vita permette di cogliere quei segnali che consentono di capire se il deterioramento è più o meno probabile, ovvero è iniziato, quali sono gli scenari che si prospettano e, di conseguenza, intraprendere azioni di contrasto delle insolvenze e in generale di mitigazione del rischio di credito stesso.

Volendo approcciare il tema da un punto di vista generale, il processo sistematico e costante di controllo delle performance dei finanziamenti in portafoglio, consente di informare e gestire le diverse opportunità di azioni per migliorare in senso lato i risultati aziendali, sicuramente dal punto di vista di gestione del credito e del contenimento di eventuali perdite ed anche da un punto di vista di indirizzo della relazione più propriamente commerciale.

Il ventaglio delle opportunità di azioni, infatti, va dalla valutazione di azioni di rafforzamento della presenza commerciale, alla individuazione preventiva dei clienti che possono manifestare difficoltà di rimborso – rendendo quindi possibile prepararsi con anticipo ad affrontare le difficoltà ed individuare da subito l’approccio di relazione più opportuno, alla decisione del piano di azioni più efficace per gestire i clienti con crediti in deterioramento.

I dati e le informazioni interne, ossia relativi al comportamento di utilizzo dei propri crediti concessi alla clientela, rappresentano la fonte primaria e più importante da cui attingere indicazioni e sulla quale costruire modelli interpretativi e previsionali. Giocano in questo quadro un ruolo altrettanto importante i dati e le informazioni di valutazione del comportamento creditizio nei confronti degli altri operatori creditizi sul mercato.

La possibilità di accedere ad informazioni che consentano di vedere il comportamento dei clienti rispetto agli altri crediti detenuti rende possibile, ad esempio, misurare il livello di esposizione complessivo del cliente, di valutarne in modo compiuto la credit history – ossia l’esperienza di rimborso che ha avuto in passato sia questa positiva sia questa in qualche modo negativa, verificare il ricorso a diverse forme tecniche di finanziamento e, infine, quanto ampia sia la ricerca di nuovi finanziamenti. Gli aspetti citati sono tutti fattori che hanno mostrato, in linea generale, di avere una relazione importante con la performance creditizia e che consentono di prevedere ed anticipare un eventuale deterioramento.

Anche quando ci si confronta con la gestione di crediti già deteriorati assume un valore specifico il monitoraggio costante del comportamento dei propri clienti rispetto agli altri crediti detenuti a livello di sistema: essere a conoscenza del fatto che il cliente abbia o meno crediti anche con altre istituzioni finanziarie – e se questi siano o meno problematici – è un’informazione rilevante che guida sia la valutazione qualitativa del singolo asset per addivenire ad una misura del valore del portafoglio crediti detenuti sia l’approccio operativo da porre in essere: la probabilità che si riesca ad ottenere un risultato positivo dalle azioni di recupero ha anch’esso una relazione rilevante con l’esposizione finanziaria complessiva del cliente e con la qualità creditizia della esposizione stessa.

Una presentazione schematica può aiutare ad individuare le aree e gli spazi di manovra che si possono presentare grazie ad un processo costante di monitoraggio basato sui propri dati a confronto con il posizionamento dei propri clienti a sistema.

Nella figura seguente si suddivide il portafoglio clienti con credito in tre aree: clienti con comportamento di rimborso regolare, clienti con crediti che mostrano segnali di deterioramento, clienti con crediti in fase più avanzata di deterioramento. In riga si vede il portafoglio attraverso i crediti detenuti con la propria società (visione interna), in colonna gli stessi clienti attraverso i crediti detenuti sul resto dell’intero sistema (visione esterna). L’incrocio delle due macro informazioni consente di evidenziare quattro aree principali: un’area dove cogliere opportunità per un rafforzamento commerciale, un’area di clienti in osservazione sui quali definire preventivamente azioni di collection (Pre-collection), un’area di clienti sui quali attivare prontamente le azioni per un recupero immediato dei primi insoluti registrati (Early collection), e infine un’area propriamente indirizzata ad azioni di recupero.

Proviamo a analizzare con più dettaglio le quattro aree di opportunità rappresentate in figura:

• Rafforzamento commerciale: l’insieme dei clienti che presenta una valutazione sia attuale che prospettica di comportamento creditizio virtuoso con la società ed anche sul mercato, rappresenta la base sulla quale investire le proprie risorse per il rafforzamento della relazione commerciale al fine di rispondere positivamente alle istanze di finanziamento dell’azienda, senza ovviamente comprometterne la stabilità e alterare gli equilibri di esposizione della stessa;
• Pre-collection: è la parte di clientela che pur non manifestando alcun deterioramento nei confronti dell’istituto in esame, mostra di avere un deterioramento in atto o prospettico a livello di sistema. L’individuazione di questi clienti consente di valutare – in via preventiva – le azioni da mettere in atto per contrastare il deterioramento dei crediti con il dato istituto, nel caso in cui questo si renda manifesto;
• Early collection: è la parte di clientela che comincia a manifestare segnali di deterioramento ed è a sistema o regolare o con segnali di deterioramento in atto ovvero prospettici. La conoscenza del comportamento rispetto agli altri operatori, consente di affinare la valutazione e modulare l’approccio più efficace per contrastare adeguatamente il deterioramento in atto e porre le condizioni per aumentare la possibilità di un pronto rientro;
• Recupero: la valutazione del comportamento di rimborso con gli altri operatori sui propri clienti con crediti deteriorati, supporta la definizione completa del posizionamento dei clienti e consente di affinare la capacità di individuare le azioni più appropriate: dalla scelta di gestione interna ad esempio, alla scelta di un’eventuale cessione del credito sottostante.

Sia i portafogli di crediti più virtuosi sia quelli meno virtuosi beneficiano dell’opportunità di monitorare le perfomance dei propri clienti sul complesso dei crediti detenuti. Il ricorso a diversi operatori e il livello di rischiosità complessiva del mercato da fronteggiare rende possibile che a fronte di un comportamento assai virtuoso nei confronti di alcuni crediti si riscontrino, per lo stesso soggetto azienda, segnali di deterioramento su altri crediti detenuti presso operatori diversi

Per gli istituti finanziari che detengono portafogli crediti più virtuosi, il focus principale è nell’evidenziare aree di possibile deterioramento non individuabili attraverso le indicazioni provenienti dal comportamento sui propri crediti detenuti dai clienti. E quindi nell’essere capace di fronteggiare repentini segnali di deterioramento nel modo più efficace grazie ad una adeguata e tempestiva preparazione.

Per gli altri, il focus principale sarà nel valutare compiutamente quantità e qualità dell’esposizione ai fini della scelta del processo più opportuno per contrastare e minimizzare le perdite.

Nell’ambito dei patrimoni informativi a disposizione per valutare appieno la presenza e il comportamento di rimborso creditizio delle proprie aziende clienti nei confronti di impegni detenuti con altri operatori (tra i quali va citata in primis la Centrale Rischi Banca d’Italia che come noto raccoglie le sofferenze e le esposizioni superiori alla soglia di 30.000 euro), assumono un ruolo preminente le informazioni gestite dalla BDCR Assilea per l’ampiezza del patrimonio informativo e il grado di finezza delle informazioni contenute in primo luogo e, in secondo luogo, per il ruolo che generalmente svolge il finanziamento leasing.

Per il primo punto è opportuno rilevare che le informazioni in BDCR sono a livello di contratto e si ha accesso quindi a tutte le informazioni di questo rilevanti: il tipo di bene, il valore finanziamento, l’importo dell’anticipo e del riscatto, il debito residuo, gli impegni finanziari alle diverse scadenze, esistenza e misura di insoluti e contenziosi, la presenza di sinistri, la eventuale cessione di contratto, la presenza di garanti e garanzie. A titolo di esempio, il recepimento mensile del flusso di informazioni di BDCR Assilea sul proprio portafoglio, consente di verificare l’andamento dei propri clienti rispetto al sistema leasing complessivo e di valutare: l’insorgenza di nuovi contratti in capo al cliente, eventuali nuovi importi deliberati, l’insorgenza di insoluti, sinistri o contenziosi con altre società di leasing, la eventuale cessione di contratto o variazioni finanziarie, gli impegni finanziari del cliente sino alla conclusione dei contratti di leasing attraverso una dettagliata rilevazione temporale, la storia creditizia pregressa e la soluzione di eventuali insoluti manifestati nel passato.

Sul secondo punto c’è un aspetto che va evidenziato: di norma il finanziamento leasing è rivolto specificatamente ai fattori produttivi dell’azienda – senza i quali viene meno la capacità stessa dell’impresa di lavorare. Monitorare nel dettaglio il comportamento rispetto a questa tipologia di finanziamento consente quindi di cogliere elementi fondamentali della vita dell’azienda, anche in prospezione, che vanno al di là della pur fondamentale performance creditizia corrente.

In sintesi l’integrazione sistematica delle fonti di informazioni rilevanti per cogliere ampiezza e qualità dell’esposizione creditizia dei propri clienti, consente di misurare e monitorare costantemente il valore attuale e prospettico del portafoglio, di definire i segmenti sui quali porre in essere strategie appropriate di gestione, di informare e guidare i conseguenti processi operativi dal rafforzamento della relazione commerciale all’individuazione delle strategie ottimali di prevenzione degli insoluti e di recupero.

Luciano Bruccola, Conectens. Proprietà riservata (2015)

L'articolo Integrazione delle fonti di informazione per il monitoraggio dei finanziamenti proviene da Conectens.

Il sistema delle informazioni complessivamente disponibili in Italia per gestire in modo appropriato la relazione cliente, già all’avanguardia per completezza e certezza di individuazione beneficerà, allorquando le iniziative passate in rassegna saranno operative, di una base di informazioni condivise ed accessibili ancora più ampia, puntuale ed affidabile

Luciano Bruccola, Conectens

Pubblicato su La lettera di Assilea numero 5 anno 2014

Nel 2014 hanno visto la luce molte iniziative volte a ridefinire e ad ampliare l’insieme dei dati di sistema disponibili per la gestione della relazione con i clienti utilizzatori di servizi finanziari e di telecomunicazione.

Sulle pagine di questa rivista abbiamo già tracciato un quadro delle basi dati disponibili[1] e condiviso alcune esperienze di utilizzo di informazioni originarie di un dato settore, in un settore diverso quale, ad esempio, l’utilizzo dei dati di pagamento dei servizi telefonici per predire il rimborso del credito[2].

In continuità con i precedenti interventi, in questo articolo, passiamo in rassegna le principali iniziative che contribuiranno a modificare (nella più parte dei casi ad ampliare) l’insieme delle informazioni di sistema accessibili.

Dapprima è opportuno segnalare due attività promosse dall’Autorità Garante della Privacy[3]: la prima riguarda il settore delle telecomunicazioni, la seconda la revisione del codice deontologico dei Sic.

Con deliberazione del 27 marzo 2014, il Garante ha avviato una consultazione per la costituzione di una banca dati dei morosi per il settore delle Telecomunicazioni (Sit – Sistema informatico integrato) che potrà essere consultata dagli operatori per verificare l’affidabilità dei clienti, prima di procedere alla stipula di nuovi contratti.

Tale banca dati, secondo quanto sostenuto da ASSTEL (associazione di categoria che rappresenta le imprese della tecnologia dell’informazione esercenti servizi di telecomunicazione fissa e mobile) promotrice dell’iniziativa, permetterebbe agli operatori di settore di condividere le informazioni sui comportamenti debitori dei clienti delle società telefoniche, consentendo all’operatore ricevente di conoscere, in occasione della presentazione di una richiesta da parte di un nuovo cliente, eventuali posizioni di indebitamento nei confronti dell’operatore cedente. Secondo quanto riferito, la costituzione del Sit sarebbe resa urgente dall’intervenuto processo di liberalizzazione avviato in Italia nel settore della telefonia che consente agli utenti di passare direttamente da un operatore ad un altro.

Il trattamento effettuato nell’ambito del Sit avrà ad oggetto solo le informazioni di carattere negativo connesse all’inadempimento dell’interessato verso i partecipanti: il dato relativo al mancato pagamento sarà inserito nel SIT solo nel caso in cui, dopo tre mesi dalla cessazione del contratto, sussista una morosità (parziale o totale) superiore a 100 euro.

Su questo tema va ricordato infine che il legislatore era già intervenuto nel settore della telefonia stabilendo che possono avere accesso ai Sistemi di informazione creditizia (Sic) anche i fornitori di servizi di comunicazione elettronica e di servizi interattivi associati (art. 6-bis del d.l. 13 agosto 2011, n. 138; convertito con modificazioni dalla legge 14 settembre 2011, n. 148).

La seconda iniziativa del Garante della Privacy afferisce al Provvedimento per promuovere la revisione del codice di deontologia e di buona condotta per i sistemi informativi gestiti da soggetti privati in tema di crediti al consumo, affidabilità e puntualità nei pagamentidel 17 aprile 2014.

Come si legge nella nota, il codice deontologico attualmente in vigore ne stabilisce il periodico riesame e l’eventuale adeguamento alla luce del progresso tecnologico, dell’esperienza acquisita nella sua applicazione o di novità normative.Il Garante ha ritenuto quindi di dover procedere alla revisione dello stesso e, a tale fine, ha invitato a partecipare ai lavori i soggetti pubblici interessati, i soggetti privati che hanno sottoscritto il codice adottato nel 2004, le associazioni rappresentative di partecipanti e consumatori, le associazioni rappresentative di soggetti già autorizzati ad accedere ai Sic.

La definizione della prima versione del Codice ha consentito di operare nel contesto di un framework regolamentato comune agli operatori e ai diversi stakeholders. Sarà interessante vedere la portata dei cambiamenti e delle novità che questa seconda versione apporterà.

Anche la Banca d’Italia – attraverso il documento di consultazione di luglio 2014 Obbligo di partecipazione degli intermediari finanziari al servizio di centralizzazione dei rischi gestito dalla Banca d’Italia[4] – ha promosso un cambiamento delle regole di contribuzione alla Centrale Rischi, in termini di allargamento della base delle posizioni da segnalare. Come si legge nel documento, sono individuati quali partecipanti alla Centrale dei rischi, tutti gli intermediari finanziari di cui all’art. 106 del TUB. Viene meno sia il principio, oggi vigente, dell’esclusività o prevalenza nell’attività di “concessione di finanziamenti sotto qualsiasi forma”, sia l’esonero, pure oggi previsto, degli intermediari per i quali l’attività di credito al consumo rappresenti più del 50 per cento dell’attività di finanziamento. In considerazione del limitato contributo informativo, degli oneri da sostenere e del beneficio informativo che potrebbero ricevere, gli operatori che presentino una quota segnalabile in Centrale dei rischi pari o inferiore al 20 per cento del totale dei finanziamenti per cassa e di firma da loro concessi hanno comunque facoltà di non partecipare alla Centrale dei rischi.

L‘obiettivo di Banca d’Italia è chiaramente quello di rendere il più possibile esaustiva la raccolta dei dati riguardanti le esposizioni sopra soglia di segnalazione e le sofferenze. D’altro canto il beneficio per gli operatori è altrettanto evidente in termini di maggiori informazioni ottenibili sia in caso di prima consultazione sia nel flusso di ritorno.

Da ultimo, il 2014 ha visto il compimento del percorso di analisi in sede di Ministero dell’economia e delle finanze, che renderà possibile l’istituzione di un Sistema pubblico di prevenzione delle frodi nel settore del credito al consumo, con specifico riferimento al furto d’identità (meglio conosciuto come SCIPAFI)[5]

Il Sistema pubblico di prevenzione consente il riscontro dei dati contenuti nei principali documenti d’identità e dei dati fiscali e contributivi con quelli registrati nelle banche dati degli enti di riferimento, quali l’Agenzia delle Entrate, il Ministero dell’Interno, il Ministero delle Infrastrutture e dei Trasporti, l’INPS e l’INAIL. Nelle intenzioni, questo riscontro si configura quindi come efficace strumento di prevenzione per i “furti d’identità” sia totali che parziali.

L’accesso al Sistema è previsto per banche, intermediari finanziari, fornitori di servizi di comunicazione elettronica, fornitori di servizi interattivi o servizi ad accesso condizionato.  È inoltre previsto che a partire dal 16 luglio 2015 aderiscano al Sistema anche le compagnie di assicurazione.

Il Sistema verrà consultato per le richieste di finanziamento o di servizi a pagamento differito con la possibilità di avvalersene a prescindere dalla natura della prestazione fornita al cliente, consentendo la richiesta di verifica dell’autenticità dei dati per, a titolo di esempio, apertura di conto corrente o conto di deposito, cambio degli assegni allo sportello da parte di soggetti differenti dalla platea dei clienti dell’istituto bancario, fideiussioni, finanziamenti in generale, adeguata verifica della clientela in ambito antiriciclaggio.

Le disposizioni riguardanti le informazioni di frode (informazioni trasmesse dagli aderenti relative alle frodi subite o ai casi che configurano un rischio di frodi) si applicano decorsi diciotto mesi dall’entrata in vigore del regolamento di attuazione (16 luglio 2014).

Le analisi che saranno condotte sulla base dati di utilizzo del servizio e sulla base dati costituenda delle frodi accertate o presunte, offriranno una valutazione sull’impatto dell’utilizzo di queste informazioni sulla relazione con i propri clienti.

In conclusione, il sistema delle informazioni complessivamente disponibili in Italia per gestire in modo appropriato la relazione cliente, già all’avanguardia per completezza e certezza di individuazione (basti pensare all’utilizzo del codice fiscale come elemento univoco di identificazione, elemento non comunemente diffuso nelle diverse esperienze europee[6]), beneficerà, allorquando le iniziative passate in rassegna saranno operative, di una base di informazioni condivise ed accessibili ancora più ampia, puntuale ed affidabile.

Non a caso nel corso dell’articolo abbiamo parlato di gestione della relazione cliente e non di credit risk management ovvero di fraud management. Sebbene la maggiore disponibilità di dati ed informazioni – di cui abbiamo trattato – offra un contributo inequivocabile e non eccepibile alla valutazione del profilo di rischio e del pericolo di frode dei propri clienti, sarà interessante vedere se e quanto tale capacità di valutare meglio il profilo di rischio contribuisca a spostare la competizione sul tema della capacità di offrire condizioni migliori ai propri clienti. In tale ottica l’allargamento del perimetro dei dati di sistema disponibili riguarda quindi il complesso della relazione con i propri clienti e non solo la gestione del rischio di credito.

[1] Credit Scoring e Banche Dati: Introduzione ai concetti e stato dell’arte in Italia (L. Bruccola, Lettera Assilea n.2 2013)

[2] Dati non convenzionali per la valutazione di rischio dei clienti – Esperienze di utilizzo e riflessioni (L. Bruccola, Lettera Assilea n.6 2013)

[3] Si rimanda al sito della autorità www.garanteprivacy.it per i documenti integrali

[4] Documento consultabile sul sito www.bancaditalia.it

[5]  I dettagli sono consultabili sul sito del Dipartimento de Tesoro MEF www.dt.tesoro.it

[6] Su questo tema si veda l’interessante ricerca di Accis: An analysis of credit bureaus in Europe, Accis 2012 Survey of members, June 2013

L'articolo Allargamento dei dati di sistema per gestire la relazione con i clienti proviene da Conectens.

Luciano Bruccola, Conectens

Pubblicato su APBNews n.1 2014

Studi e ricerche condotte recentemente dalle società di consulenza internazionali al fine di individuare i trend e le priorità nel mondo dei servizi finanziari si focalizzano su due aspetti interdipendenti e connessi alle dinamiche di comportamento dei clienti e alla necessità di intercettare tali dinamiche per una comprensione delle stesse e per indirizzare opportunamente le politiche e le azioni di relazione cliente.

Le strategie e le priorità identificate dalle banche e dagli istituti finanziari di fronte al rallentamento economico complessivo rilevano il focus sul cliente – la capacità di attrarre, di fidelizzare e di sviluppo commerciale aggiuntivo – come elemento centrale della strategia da porre in essere per attenuarne l’impatto. L’appannamento della fiducia verso le banche comporta una diminuzione del grado di fidelizzazione ed una spinta a fenomeni di multibancarizzazione e l’accresciuta presenza del web (sia come disponibilità delle informazioni, sia come condivisione di customer experiences), congiunta ad una maggiore presa di coscienza dei clienti, impone una attenzione maggiore nel cogliere gli insights necessari a gestire i propri clienti [i], anche in ottica di diversificazione dei canali per aumentare fidelizzazione e capacità di retention [ii].

L’altro grande elemento presente nel dibattito internazionale, di interesse in questo contesto, è quello generalmente chiamato Big Data e che fa riferimento alla possibilità di accesso a nuovi dati – resi disponibili dal processo tecnologico – per aumentare la capacità di comprensione dei propri clienti. Grazie soprattutto alle tecnologie digitali, le aziende e le organizzazioni raccolgono un volume crescente di informazioni transazionali sui clienti, sui fornitori, sui servizi e generano un immenso ammontare di dati digitali come parte dei processi, il cui potere informativo non è ancora utilizzato pienamente. Basti pensare ai social media, agli smartphone e ai pc che consentono agli utilizzatori di generare una mole impressionante di dati, oppure agli strumenti come i telefoni cellulari, le automobili, i rilevatori di consumo energetico che creano e comunicano dati in modo automatico. La disponibilità dei dati associata a spinte capacità analitiche impatta tra le altre cose una maggiore facilità di condurre sperimentazioni, la possibilità di realizzare segmentazioni ancora più fini e specifiche per identificare prodotti e servizi che incontrano i bisogni dei clienti, l’innovazione di nuovi prodotti e servizi, migliorando i modelli di business esistenti ovvero inventandone di nuovi[iii].

In sintesi da un lato la situazione economica complessiva enfatizza ancor di più la centralità del cliente, dall’altro la ricerca e la potenziale disponibilità di fonti informative innovative, le accresciute capacità informatiche di gestione di moli di dati, la maggiore facilità di utilizzo delle capacità Analytics per tradurre queste in elementi sui quali fondare strategie e azioni operative enfatizza l’approccio data driven al customer management che consente di utilizzare ancor più il contenuto informativo disponibile.

Obiettivo di questo articolo è di riprendere in esame i concetti base di un approccio alla relazione cliente nei servizi finanziari guidato dai dati e dalle informazioni disponibili e esaminare quanto questo sia coerente e funzionale al momento e ai temi di Customer Retention e Big Data qui brevemente descritti.

Le informazioni disponibili sui clienti

L’obiettivo della raccolta di dati e informazioni sul cliente è di coglierne quanto più possibile la complessità rispetto ai temi di interesse per la propria offerta (esempio per i clienti privati: attitudini a risparmio ed al consumo, maturità finanziaria e prodotti di investimento, utilizzo crediti, carte, servizi, canali) secondo il paradigma che quanto più si conosce del cliente tanto più si è in grado di offrire prodotti e servizi che incontrino il suo favore.

La fonte primaria dei dati cui fare riferimento nelle analisi sui clienti e, in particolare sul modo in cui questi approcciano i prodotti e servizi che una banca o una società finanziaria distribuisce, è l’insieme dei dati interni alla organizzazione e raccolti generalmente per fini amministrativi e contabili.

L’importanza dei dati interni varia da settore a settore a seconda del livello di engagement del cliente con l’istituto finanziario, che è condizionato in primis dal ventaglio dei prodotti distribuiti dalla banca o dalla società finanziaria, dalla frequenza di relazione tra il cliente e l’istituto e dal livello di fidelizzazione del cliente stesso.

La complessità catturata dai dati interni della banca sui propri clienti è generalmente elevata perché misurata su diversi prodotti (risparmio, investimento, credito, servizi pagamento), dalla frequenza di relazione (numero elevato di contatti annuali) e dal mix di canali utilizzati (gestore, dipendenza, telefono, web). La complessità catturata dai dati interni di una società finanziaria specializzata che distribuisce credito ai propri clienti è meno elevata perché misurata su 1 o 2 prodotti (esempio: prestito e carta revolving per i privati, leasing e factoring per le aziende) e caratterizzata da una frequenza di relazione contenuta (più elevata comunque per le carte revolving). Il ricorso a dati esterni è tanto più importante quanto più si ha una relazione debole con il cliente (livello di engagement e fidelizzazione basso) e quanto meno frequenti sono le occasioni di contatto. Nel caso poi di sviluppo commerciale su liste esterne i dati generalmente disponibili non consentono di catturare un livello soddisfacente di complessità e il ricorso a dati e strumenti esterni è ancora più necessario.

Una volta raccolto il patrimonio informativo disponibile è necessaria un’analisi attenta dello stesso che consenta di misurarne la copertura e la qualità dei dati, nonché il contenuto e valore informativo apportato. D’altro canto più dati si raccolgono più diventa pressante costruire delle opportune visioni di sintesi che consentano di utilizzare operativamente le informazioni.

La ricchezza del patrimonio disponibile condiziona e modula sia gli indicatori di sintesi che si possono costruire sui dati e ancor più l’utilizzo operativo che se ne può fare. In sintesi se il patrimonio informativo interno è rilevante (nel caso delle banche) i modelli di classificazione sono costruiti sulla base dei dati interni disponibili, hanno per obiettivo la classificazione e segmentazione della base clienti per comportamento, per propensity ai diversi prodotti, per il grado di retention, per il livello di credit risk e sono utilizzati per le azioni di customer management, per le campagne di cross/up selling, per la prevenzione dell’attrition e per il credit risk management.

Figura 1

Nel caso invece di un patrimonio interno di informazioni non soddisfacentemente ampio da coprire una porzione importante di “complessità” da gestire (nel caso delle società finanziarie) i modelli di classificazione sono costruiti utilizzando i dati interni e dati provenienti da indagini specifiche sui propri clienti che consentano di colmare tale gap informativo. Se questo è possibile allora sia gli indicatori di sintesi sia gli utilizzi operativi sono paragonabili al caso delle banche.

Infine, nel caso di scarso contenuto informativo dei dati interni disponibili è necessario raccogliere dall’esterno informazioni che condizionano anche la possibilità di utilizzo operativo delle stesse. In particolare i modelli di classificazione sono costruiti utilizzando soprattutto dati territoriali e dati da indagini specifiche, la classificazione e la segmentazione dei clienti è volta ad inquadrare la propensity per un dato prodotto e – nel caso di prodotti di credito – ad inquadrare il livello di rischio connesso per un primo prescreening, gli utilizzi operativi sono volti quindi a classificare prospects.

Gli approcci al customer profiling

La classificazione della clientela (customer profiling) trova il presupposto nell’avere a disposizione modelli interpretativi che facilitino la rappresentazione della complessità della clientela e che, quindi, guidino l’individuazione dell’approccio commerciale (offerta) e di relazione (canale e marketing) più consono per ciascuna tipologia di cliente, o meglio di gruppo di clienti. Ciascun cliente viene quindi assegnato ad uno specifico gruppo per la individuazione dei quali, ci si affida ad uno o più elementi presenti nella base ovvero reperiti all’esterno.

Si possono distinguere 3 grandi famiglie di approccio al customer profiling: l’utilizzo di una o più variabili/informazioni di base, la sintesi di più variabili per prevedere particolari eventi (scoring) ovvero per definire cluster diversi (segmentazioni), l’utilizzo di segmentazioni esterne riconducibili al singolo cliente.

L’utilizzo di una o più informazioni di base

Nel primo approccio ricoprono un ruolo fondamentale le variabili socio demografiche a disposizione: le segmentazioni per età e per professione hanno rappresentato il primo step (semplice da realizzare e semplice da comunicare ed utilizzare) che ha guidato i processi di costituzione di prodotti/offerta per segmenti specifici. Una caratteristica importante di questi modelli, che deriva appunto dalla semplicità di costruzione, è che si possono facilmente applicare ai clienti e ai non-clienti grazie alla compilazione immediata del formulario anagrafico che raccoglie le informazioni necessarie alla classificazione nel segmento di età e/o di professione corrispondente. È quindi possibile indirizzare, sin da subito, l’offerta studiata per il segmento specifico. Un’altra applicazione importante della segmentazione ad una sola variabile è la cosiddetta segmentazione patrimoniale secondo cui si classifica un cliente per l’ammontare della raccolta che ha presso la banca in esame sommando il saldo sul c/c, il saldo sui libretti e depositi di risparmio, il saldo sul conto titoli. Fondamentalmente si riconoscono tre macro segmenti di clientela: i clienti Private, gli Affluent, i Mass. Il salto concettuale è evidente: la classificazione è guidata dal livello di relazione che il cliente ha con la specifica banca e non dalle caratteristiche complessive del cliente stesso. In altre parole esistono (e non sono pochi) clienti di più banche che possono essere Private per una data banca e Mass per un’altra. I pro dell’approccio risiedono nella semplicità di calcolo e di assegnazione al segmento, nella univocità d’interpretazione (non c’è soggettività), nella semplicità di confronti con altre realtà. È il modello di segmentazione che – a partire dagli anni 90 – ha guidato e guida il riconoscimento dei clienti importanti e la costituzione di portafogli di clienti da gestire in modo diretto e non attraverso la classica rete di filiali.

La sintesi di più variabili

Nei modelli di scoring le informazioni disponibili vengono sintetizzate in una unica variabile per predire un dato evento/comportamento (tipicamente acquisto di un dato prodotto, utilizzo di un dato canale distributivo e, nel mondo credit risk, rispetto delle regole di rimborso). È il frutto della applicazione di un modello statistico, in cui la variabile risposta (dicotomica: acquisto non acquisto di un determinato prodotto) è messa in relazione con l’insieme delle informazioni disponibili al momento in cui si è effettuata l’azione. Per la costruzione di questo modelli è necessario quindi avere delle esperienze di azioni commerciali passate per le quali sia possibile costruire l’esercizio di collegare le informazioni disponibili al momento di messa in opera della azione con le successive risposte ottenute: proposta di acquisto di un prodotto e reazione del cliente (acquisto, non acquisto). A completamento dell’esercizio è possibile assegnare a priori a ciascun cliente la probabilità di acquisto di un determinato prodotto. Sinteticamente si può rappresentare nel seguente modo: Prob acquisto prodotto A = f (x1, …, xn); ove la variabile dipendente è una variabile che assume valori 0 (non acquisito prodotto A) ovvero 1 (acquisito prodotto A), x1, …, xn rappresentano le informazioni disponibili al momento in cui è stata lanciata la campagna.

Negli approcci di segmentazione, l’obiettivo non è quello di individuare il target per uno specifico prodotto ma quello di classificare i clienti in gruppi dal comportamento e dalle attese omogenei per i quali mettere a punto una offerta (prodotti, canali, comunicazione) specifica. Nella realizzazione di modelli di segmentazione comportamentale, le informazioni interne a disposizione sui clienti vengono utilizzate cercando di sfruttarne al massimo il contenuto informativo e prendendo in considerazione tutte le dimensioni del rapporto cliente-banca. Le variabili di segmentazione non sono soggettivamente predefinite, ma sono costruite attraverso tecniche di analisi multivariata tese a sintetizzare il potere informativo delle variabili di base.

I modelli esterni

I modelli di segmentazione di mercato sono basati su interviste ovvero su rilevazioni dirette di atteggiamenti, di bisogni e di attese, rispetto ai prodotti finanziari su un campione rappresentativo della particolare realtà che si vuole analizzare. L’utilizzo di tecniche statistiche, generalmente di analisi multivariata e di cluster, consente di identificare e quantificare i diversi segmenti, che hanno uno specifico approccio alla offerta di prodotti e servizi oggetto dell’indagine. Di fatto quest’approccio descrive bene le caratteristiche complessive di mercato e le tendenze, consentendo anche di misurare il grado di competizione tra le diverse aziende. Gli evidenti benefici possono essere così sintetizzati: possibilità di scegliere i temi d’interesse attraverso la costruzione di interviste ad hoc, possibilità di raccogliere non solo fatti ma anche atteggiamenti, opinioni e dichiarazioni di comportamento, possibilità di avere un quadro del mercato non alterato dalla particolare relazione del cliente con l’azienda specifica. A dispetto dei benefici sopraelencati esistono dei limiti che possono essere ricondotti alla necessità di contenere il numero delle interviste a causa soprattutto di ragioni di costo e alla impossibilità (o meglio la grande difficoltà) a assegnare ciascun cliente della propria base clienti a ciascuno dei segmenti individuati attraverso l’indagine (venendo meno la disponibilità delle informazioni strettamente necessarie per l’assegnazione al dato segmento).

La segmentazione geodemografica ha l’obiettivo di studiare e di classificare i consumatori attraverso le caratteristiche del territorio in cui questi vivono. L’unità statistica di riferimento è quindi rappresentata da celle o zone territoriali per le quali sono disponibili dati sulla composizione demografica, sociale ed economica delle persone residenti. Lo studio e la classificazione di queste zone territoriali, permette di connotare l’insieme delle persone che vivono in ciascuna zona attraverso un indicatore che ne sintetizza appunto il profilo sociale, economico e culturale. I censimenti della popolazione rappresentano generalmente, nei vari paesi in cui questo approccio è stato sviluppato, sia la fonte delle delimitazioni delle partizioni territoriali (che arrivano ad essere qualche centinaia di migliaia) sia la base informativa prioritaria sulla quale costruire i modelli. Nelle realizzazioni più avanzate le informazioni di base sono arricchite attraverso indagini esterne ovvero incrociando altre fonti informative. Una volta realizzati i modelli si assegna ciascun cliente sulla base del proprio indirizzo di residenza. I punti di forza di quest’approccio possono essere così sintetizzati: disponibilità di un unico modello di segmentazione applicabile sia ai clienti che ai non clienti, possibilità di condurre facilmente degli esercizi di benchmarking, semplicità di implementazione. È evidente che il grado di efficacia di questi modelli dipende strettamente dalla quantità e dalla qualità, in sintesi dalla ricchezza, delle informazioni sulle quali sono costruiti.

La domanda su quale sia l’indicatore che meglio rappresenta la complessità del cliente non può trovare una riposta univoca: come brevemente accennato ogni indicatore ha i propri punti di forza e i propri punti di debolezza e va usato soppesandone, evidentemente, pregi e difetti nel quadro dell’azione o della strategia da porre in essere. Solo a titolo di esempio e senza velleità di essere esaustivo:

• se si vuole inquadrare l’approccio complessivo di un cliente storico ai prodotti e servizi distribuiti si farà riferimento alla segmentazione comportamentale,
• al contrario se si vuole capire la potenzialità di un cliente appena acquisito o da acquisire i modelli di segmentazione geodemografica possono essere il migliore strumento,
• se si vuole pianificare una campagna di cross selling su un prodotto specifico esistente lo scoring di propensity potrà essere il migliore strumento a disposizione,
• se si vuole fare un prescreening dei clienti per un approccio wealth management la valutazione del patrimonio è forse lo strumento più adatto.

Meglio ancora un utilizzo combinato dei diversi indicatori, può produrre una migliore definizione del target a cui puntare superando i limiti di ogni singolo elemento.

Test, learn and store

Da questa sommaria analisi risulta chiaro che per rendere operativo un approccio di tipo data-driven al customer relationship management gli elementi che risultano fondamentali sono la qualificazione di ciascun data asset disponibile che è esercizio fondamentale per comprenderne l’impatto di utilizzo e opportune metodologie di sintesi che consentano di esplodere il contenuto informativo dei dati.

Il terzo aspetto che consente di fare il salto di qualità nell’utilizzo di un così imponente sistema informativo realizzato risiede in quell’insieme di strumenti che consente di progettare, testare, implementare e monitorare le strategie e le azioni di customer relationship management.

E’ attraverso gli esercizi di test&learn che – rispetto ad una data azione obiettivo come la proposta di un prodotto avvero una azione di retention – si misura il grado di efficacia delle basi dati disponibili, dei particolari indicatori di sintesi prescelti per segmentare il target di riferimento e per modulare l’azione di contatto (in termini di contenuti, di comunicazione, di canale).

Figura 2

La messa in opera di una o più azioni test – su un target ristretto – consente di misurare l’impatto delle diverse azioni di contatto e di scegliere quella con ritorno più alto al fine di implementarla su larga scala.

La raccolta successiva dei ritorni – a livello di singolo cliente coinvolto nella azione – permette di aumentare la dimensione degli insights disponibili sul dato cliente: la storicizzazione di questi elementi consente quindi di arricchire ancor di più la base di dati disponibili sui clienti ed utilizzabile in ogni fase del processo di customer management – per qualsiasi altra azione si voglia mettere in opera.

Conclusioni

La richiamata rinnovata centralità del cliente, la necessità di fidelizzazione in un momento di cambiamento di attese ed atteggiamenti dei clienti e l’utilizzo di nuove fonti innovative che possano consentire di esplodere il contenuto informativo disponibile sui clienti non impatta il quadro di riferimento presentato.

Le aziende che hanno costruito nel corso del tempo un’infrastruttura come quella descritta possono essere nelle condizioni di valutare rapidamente l’impatto della disponibilità di nuove fonti informative così come l’impatto di un approccio diverso dei clienti (minore retention, processi di attrition più rapidi, diminuzione numero prodotti e relazioni, …) identificandone in anticipo bacino e segmento di provenienza e quindi anche le contromisure da adottare per contrastare il fenomeno.

Da un certo punto di vista le aziende che non hanno, ovvero hanno intrapreso parzialmente, la strada di sviluppo dei sistemi a supporto del customer management, possono paradossalmente beneficiare delle opportunità offerte da un terreno complessivamente più fertile in termini di disponibilità dei dati, aumentate efficienze informatiche, accresciute capacità analytics che consentono di colmare il gap ed anche di porsi all’avanguardia nel processo, puntando da subito sul patrimonio informativo più rilevante e differenziante, nonché di focalizzarsi sugli aspetti prioritari per accrescere la fidelizzazione del cliente e la capacità di retention.

Luciano Bruccola, Conectens. Proprietà riservata (2014)

[i] vedi Ernst & Young, The customer takes control – Global Consumer Banking Survey 2012

[ii] Bain & Company, Customer loyalty in retail banking Global edition 2012

[iii] vedi McKinsey Global Insitute, Big data: The next frontier for innovation, competition, and productivity 2011 e IBM Institute for Business Value in collaboration with Saïd Business School at the University of Oxford, Analytics: The real-world use of big data – How innovative enterprises extract value from uncertain data 2012

L'articolo <a></a>Impatto dei temi <em>Customer Retention</em> e <em>Big Data</em> sui dati e sugli strumenti a supporto del Customer Relationship Management nei servizi finanziari proviene da Conectens.

Esempi di utilizzo di dati non convenzionali nei processi di credit risk management nei diversi settori e segmenti di clientela, corredati da una valutazione e misurazione dell’impatto osservato e dei benefici ottenibili sia dalle aziende sia da parte dei clienti

Luciano Bruccola, Conectens

Pubblicato su La lettera di Assilea numero 6 anno 2013

Un elemento fortemente presente nel dibattito internazionale intorno all’evoluzione dei sistemi di supporto alle decisioni, è la possibilità di accesso – da parte delle aziende – ai nuovi dati resi disponibili dal processo tecnologico al fine di aumentare la capacità di comprensione dei comportamenti e delle attitudini dei propri clienti. Tale dibattito, generalmente conosciuto come Big Data, si impernia sul fatto che, grazie soprattutto alle tecnologie digitali, le aziende e le organizzazioni raccolgono oramai un volume crescente di informazioni transazionali e generano un immenso ammontare di dati digitali come parte dei processi, il cui potere informativo non è ancora utilizzato pienamente. Basti pensare ai social media, agli smartphone e ai pc che consentono agli utilizzatori di generare mole di dati, oppure agli strumenti come i telefoni cellulari, le automobili, i rilevatori di consumo energetico che addirittura creano e comunicano dati in modo automatico. La disponibilità di tali dati associata a spinte capacità analitiche, può impattare tra le altre cose una maggiore facilità di condurre sperimentazioni, la possibilità di realizzare segmentazioni ancora più fini e specifiche per identificare prodotti e servizi che incontrano i bisogni dei clienti, l’innovazione di nuovi prodotti e servizi, il miglioramento dei modelli di business esistenti ovvero l’individuazione di nuovi.[1]

Molte aziende a livello internazionale dichiarano di portare avanti progetti e sperimentazioni in questo campo e, in modo pragmatico, concentrano le attenzioni sui dati non utilizzati più facilmente accessibili – in primis fonti interne non sufficientemente sfruttate – e con l’ausilio di tecniche analytics sempre più facilmente disponibili, si pongono l’obiettivo di conoscere più approfonditamente le preferenze e il comportamento dei propri clienti attuali e potenziali al fine di trovare modi nuovi per gestire al meglio le relazioni con reciproca soddisfazione.[2]

Nel contesto del quadro di accelerazione tecnologica e incrementate capacità analitiche di trarre informazioni dai dati, per i processi di credit risk management questi temi si traslano nella opportunità di considerare se esistano dati non convenzionali e non ancora utilizzati (ovvero sia di più facile realizzazione l’accesso) che possano consentire un miglioramento della capacità di valutazione del profilo di rischio del cliente.

L’articolo presenta alcuni esempi di utilizzo di dati non convenzionali nei processi di credit risk management nei diversi settori e segmenti di clientela, corredati da una valutazione e misurazione dell’impatto osservato e dei benefici ottenibili (sia dalle aziende sia da parte dei clienti).  Elementi che sorreggono una riflessione sulla possibilità e opportunità di sistematizzazione dell’accesso ad un più ampiospettro di informazioni nei confronti dell’utilizzo dei servizi in senso lato, al fine di migliorare le capacità di analisi delle aziende e offrire un migliore livello di servizio ai clienti.

L’utilizzo dei dati di pagamento dei servizi telefonici per valutare il rischio di credito dei clienti privati

La Banca centrale del Belgio ha pubblicato nel 2011 un interessante studio mettendo in relazione i dati di utilizzo dei servizi telefonici e i dati relativi alle performance creditizie.[3]

Lo studio si è basato sull’incrocio dei dati relativi ai mancati pagamenti dei servizi telefonici GSM registrati nel database di tipo negativo Preventel (con mancato pagamento maggiore di 50 euro) e dei dati CICR (Central Individual Credit Register) gestito dalla Banca Centrale del Belgio che registra dati e performance sia positive che negative su prestiti personali e mutui ai privati. 

I risultati dello studio mostrano che:

• nel caso di clienti con mancati pagamenti GSM, oltre il 46% di questi ha registrato anche un evento negativo lato credito; di contro, per i clienti senza mancati pagamenti GSM, i clienti che hanno registrato un evento negativo lato credito sono di poco superiore al 5%;
• in caso di default sul credito, la percentuale di clienti con più di un credito in default è sensibilmente più alta per coloro che hanno una registrazione negativa su Preventel rispetto a coloro che non hanno tale registrazione;
• infine – al contrario – le persone che hanno avuto un default su credito registrano anche una frequenza maggiore di uno ad avere mancati pagamenti dei servizi telefonici.

L’esistenza di un legame significativo tra mancati pagamenti dei servizi telefonici GSM e mancati pagamenti sul credito è una condizione necessaria affinché il dato sul default telefonico sia un elemento predittivo per il default su credito. Perché questo possa essere stabilito con accuratezza, due altre condizioni sono richieste: la prima è che ci sia una cronologia tra i 2 default – nel senso che quello telefonico anteceda quello su credito – e la seconda è che il contenuto informativo sul mancato pagamento telefonico consenta un miglior grado di predittività del rischio di credito.

Per il primo punto lo studio evidenzia che nel 68% dei casi la registrazione di mancati pagamenti dei servizi telefonici abbia preceduto il default sul credito – e in particolare per circa la metà si è riscontrato che questi clienti non avevano credito, quindi l’informazione negativa sui servizi telefonici sarebbe stata disponibile al momento della concessione di tale credito. Infine sul secondo punto lo studio rileva come l’inclusione della variabile di presenza in Preventel nel modello di score porti ad un incremento significativo della capacità discriminante del modello.

L’insieme di questi risultati suggerisce che l’informazione sui mancati pagamenti dei servizi telefonici può apportare un valore aggiunto nella previsione del rischio di credito per i clienti privati e quindi tale informazione potrebbe essere inclusa nel range delle variabili generalmente utilizzate in fase di valutazione.

L’utilizzo dei dati di performance sul credito per valutare il rischio assicurativo

Negli Stati Uniti il comparto assicurativo relativo ai prodotti auto e casa utilizza diffusamente le informazioni di comportamento di credito ai fini della valutazione del rischio assicurativo attraverso appositi modelli chiamati credit-based insurance scores.

L’obiettivo delle società di assicurazione è quello di predire in modo più accurato possibile il rischio che ogni cliente pone e costruire il prezzo in funzione di tale rischio. Accanto all’utilizzo di variabili classiche quali età, sesso, stato civile, luogo residenza e storia degli incidenti, a partire dagli anni novanta le società di assicurazione hanno implementato in modo completo e integrato un utilizzo formale delle informazioni sulla performance di credito derivate dai credit bureau e sintetizzate in appositi modelli di score. Le informazioni di credito utilizzate coprono le dimensioni classiche di un bureau score: performance sui finanziamenti in corso, tipologia ed utilizzo del credito, richieste di finanziamento e lunghezza della storia creditizia.

Uno studio della Federal Trade Commission del 2007 ripercorre la storia di questo processo ed offre – quello che interessa in questo contesto – alcune interessanti evidenze sul grado di rilevanza di queste variabili nel contribuire a spiegare le caratteristiche di rischio assicurativo.[4]

L’analisi condotta dalla FTC ha messo in relazione le risultanze di un credit-based insurance score costruito sulla base dei dati creditizi, con i dati sulle richieste di risarcimento e relativi rimborsi per il ramo auto declinato nelle diverse componenti: danni alle cose, alle persone, danni propri, furto e incendio.

Una volta ordinati i clienti per fasce di valori di credit-based insurance score (a score più basso corrisponde un rischio più alto), sono state misurati per ciascuna classe il numero di richieste di risarcimento e l’ammontare del risarcimento riconosciuto registrato dalle assicurazioni su una finestra temporale di un anno.

Per ciascuna delle quattro componenti della assicurazione auto menzionate, i numeri mostrano una relazione forte tra lo score e il rischio risarcimento. Ad esempio – per il comparto danni alle cose – l’ammontare del risarcimento riconosciuto dalle assicurazioni è circa il doppio per i clienti con lo score più basso rispetto a quelli con lo score più alto. Quindi lo score assicurativo costruito sui dati di credito è predittivo dell’ammontare di risarcimento che le assicurazioni pagano ai propri clienti. E questa relazione non viene meno anche se nei modelli vengono integrate le informazioni classiche di rischio assicurativo (età e storia degli incidenti).

La possibilità di utilizzo delle informazioni di credito – attraverso lo score – nel classificare i potenziali clienti assicurativi porta ad una migliore valutazione del rischio collegato e ad una migliore capacita di modulare il pricing in funzione del rischio. Sempre secondo lo studio citato, si registrerebbe la possibilità di un minore costo per il 59% dei clienti con il restante 41% invece che vedrebbe incrementati i propri costi assicurativi auto.

Interessante è da ultimo l’ipotesi avanzata sull’interpretazione delle cause di questa evidente correlazione, che riporta a temi quali stile di vita e coerenza di comportamento: chi è prudente nell’utilizzo di credito manifesta tale prudenza anche a più ampio spettro nei propri comportamenti.

L’utilizzo dei dati di esposizione leasing per la valutazione di rischio degli affidamenti bancari delle imprese

I dati di esposizione leasing delle imprese sono raccolti e gestiti da Assilea per conto delle società di leasing in Italia e coprono sostanzialmente la totalità del mercato leasing. Recentemente Assilea ha iniziato un percorso di apertura dell’accesso della banca dati anche a soggetti bancari che non distribuiscono direttamente leasing. Unicredit ha per primo condotto alcune analisi propedeutiche per l’integrazione dei dati di BDCR Assilea nel modello di Rating per il segmento Corporate e i risultati di tali analisi sono stati resi disponibili. [5]                             

Da un certo punto di vista si potrebbe obiettare che questi dati non siano da considerare propriamente dei dati non convenzionali, afferendo proprio all’esposizione creditizia delle imprese. Dato il mancato utilizzo sino ad ora da parte delle banche sono però di fatto non-convenzionali in quanto non utilizzati.

Le indagini condotte sul portafoglio imprese corporate di Unicredit (aventi un fatturato o total assets da 5 a 250 milioni di euro) mostrano risultati interessanti sul grado di contribuzione che i dati di BDCR Assilea possono apportare alla classificazione di Rating nel senso di un potenziale miglioramento ovvero di un potenziale peggioramento della classe di appartenenza. Ad esempio dall’analisi risulta che il 22% dei clienti classificati in Medium Risk beneficerebbero potenzialmente di una classificazione migliorativa e d’altro canto si osserva che il 17% degli stessi clienti classificati in Medium Risk vedrebbero un potenziale peggioramento della classificazione. Il contributo dei dati di esposizione leasing è quindi non solo in senso negativo ma apporta elementi utili anche nel senso di una valutazione al rialzo del profilo di rischio.

L’analisi di performance – in particolare i default – inoltre rivela come le stime di PD possano essere riviste, verso l’alto o verso il basso, grazie al contributo della fonte dati supplementare, attraverso l’identificazione di sotto segmenti per i quali il tasso di default osservato varia ad esempio da un minimo di 50% ad un massimo di 185% rispetto a quello medio di classe sempre per il Medium Risk.

In definitiva si riscontra quindi la possibilità di affinare la classificazione e conseguentemente le stime di PD e sono confermate tutte le aspettative secondo le quali l’integrazione dei dati di BDCR Assilea porti ad un miglioramento della capacità dei Rating di Unicredit di rappresentare al meglio il profilo di rischiosità della propria clientela corporate e alla possibilità di modulare concordemente offerta e pricing.

Conclusioni

Gli esempi presentati, ancorché non esaustivi delle possibilità, coprono uno spettro ampio di prodotti e segmenti di clientela (prestiti personali, mutui, servizi telefonici, assicurazioni auto per privati, leasing, finanziamenti bancari delle imprese) e mostrano inequivocabilmente il contributo che l’utilizzo di dati, comunque generalmente connessi alla sfera di modalità di utilizzo dei servizi e di rispetto delle regole contrattuali di servizio, apporta a ciascuno settore di business (Banche, Società finanziarie, Società di leasing, Assicurazioni, Società telefoniche).

Un quadro chiaro di condivisione con i clienti dei benefici di accesso ai dati – come peraltro suggerito nelle esperienze presentate – potrebbe essere l’elemento in grado di consentire il superamento delle obiezioni rappresentate dal diritto alla privacy soprattutto per i clienti privati. Una chiave di lettura più ampia indica nella possibilità di utilizzo di fonti dati alternative quali in particolare i dati utilities (energia, gas, acqua) e telefonici, il modo per sopperire alla mancanza di informazioni classiche di profilo creditizio e consentire di estendere il perimetro della popolazione che accede, attraverso i canali appropriati, ai servizi finanziari ed in particolare al credito.[6]

Considerazioni simili possono essere espresse anche per il segmento imprese ove peraltro la barriera privacy può essere meno rilevante e, nella maggior parte dei casi, i dati in questione sono già disponibili all’accesso ovvero – grazie all’evoluzione tecnologica – di relativamente semplice sistematizzazione per l’accesso. L’utilizzo o meno di una fonte non convenzionale e supplementare dipende, oltre che da un piano di test che ne misuri l’impatto sulla operatività specifica, dai benefici che questa apporta ai processi in comparazione ai costi di accesso ed integrazione.

Luciano Bruccola, Conectens. Proprietà riservata (2013)

[1] Big data: The next frontier for innovation, competition, and productivity, McKinsey Global Institute, 2011

[2] Analytics: The real-world use of big data – How innovative enterprises extract value from uncertain data, IBM Institute for Business Value in collaboration with Saïd Business School at the University of Oxford, 2012

[3] The link between mobile telephony arrears and credit arrears, Working paper document March 2011 No 212, Helga De Doncker, National Bank of Belgium

[4] Credit-based insurance scores: impacts on consumers of automobile insurance, A Report to Congress by the Federal Trade Commission, July 2007

[5] L’utilizzo della BDCR Assilea per gli affidamenti bancari delle imprese in Unicredit, Luciano Bruccola e Emanuele Giovannini, La Lettera di Assilea n.5 2013

[6] Give Credit Where Credit is Due: Increasing Access to Affordable Mainstream Credit Using Alternative Data, Michael A. Turner, Alyssa Stewart Lee, Ann Schnare, Robin Varghese, and Patrick D. Walker, Policy and Economic Research Council and The Brookings Institution Urban Markets Initiative (2006)

L'articolo Dati non convenzionali per la valutazione del profilo di rischio dei clienti proviene da Conectens.

Luciano Bruccola, Conectens

Pubblicato su La lettera di Assilea numero 2 anno 2013

Obiettivo del presente articolo è fornire un quadro di riferimento dei sistemi di informazioni esterne, accessibili nelle diverse fasi del processo di credito e dello stato dell’arte dei sistemi di scoring, in uso presso le aziende come strumento di sintesi delle informazioni e di supporto alle decisioni e nei processi Basilea.

La complessità del cliente, le informazioni e l’interpretazione

Uno degli aspetti critici nella analisi di un cliente che richiede credito – sia questi un individuo piuttosto che un’impresa – risiede nella possibilità di accedere ad informazioni che consentano di disegnare un quadro chiaro ed esaustivo della propria capacità di rispetto delle regole contrattuali di rimborso.

Il compito è gravoso ed impari in quanto le informazioni disponibili rappresentano sempre un quadro parziale della complessità del cliente che si valuta: un individuo che possiamo classificare simile ad un altro per una moltitudine di aspetti reagisce in modo diverso agli stessi input, cosi come la capacità di un’azienda di reagire a shock esogeni non è allo stesso livello a parità di localizzazione geografica, attività economica, struttura finanziaria, …

L’esigenza di cogliere quanti più aspetti possibili spinge verso la ricerca di un più vasto insieme di informazioni. Peraltro quanto più si spinge per coprire detta complessità, tanto più diventa rilevante l’interpretazione e la sintesi delle stesse informazioni: l’aumentare delle fonti informative e dei dati disponibili pone un problema di analisi – per evidenziare gli elementi più rilevanti – e di sintesi delle stesse per rendere intellegibile la mole delle informazioni.

Nel quadro della ricerca di informazioni ricopre un ruolo centrale l’esigenza di accedere ad un insieme di informazioni il più puntuale possibile, che permetta di inquadrare soprattutto il comportamento di rimborso tenuto nei confronti di precedenti finanziamenti, conclusi ovvero in corso, e con altri operatori.

Le Banche Dati

Quando si parla di banche dati per il credito il primo elemento da considerare è la Centrale dei Rischi di Banca d’Italia, sistema informativo sull’indebitamento della clientela verso le banche e le società finanziarie. Queste ultime comunicano mensilmente alla Banca d’Italia i crediti verso i propri clienti pari o superiori a 30.000 euro ed i crediti in sofferenza di qualunque importo. La Banca d’Italia fornisce mensilmente agli intermediari le informazioni sul debito totale verso il sistema creditizio di ciascun cliente segnalato. Inoltre gli intermediari finanziari che fanno richiesta di “prima informazione” su un potenziale cliente ricevono i dati aggiornati al momento della richiesta.

Accanto alla Centrale dei Rischi di Banca d’Italia, negli ultimi 20 anni si sono sviluppati delle banche dati private – regolamentate dal Codice di deontologia e buona condotta per i sistemi informativi gestiti da soggetti privati in tema di credito al consumo, affidabilità e puntualità nei pagamenti entrato in vigore nel 2005 – che definisce un “Sistema di informazioni creditizie” come ogni banca di dati concernenti richieste/rapporti di credito, gestita in modo centralizzato da una persona giuridica, un ente, un’associazione o un altro organismo in ambito privato e consultabile solo dai soggetti che comunicano le informazioni in essa registrate e che partecipano al relativo sistema informativo. Il sistema può contenere informazioni creditizie di tipo negativo, che riguardano soltanto rapporti di credito per i quali si sono verificati inadempimenti; informazioni creditizie di tipo positivo e negativo, che attengono a richieste/rapporti di credito a prescindere dalla sussistenza di inadempimenti registrati nel sistema al momento del loro verificarsi (Codice di deontologia e di buona condotta per i sistemi informativi gestiti da soggetti privati in tema di crediti al consumo, affidabilità e puntualità nei pagamenti – Provvedimento del Garante n. 8 del 16 novembre 2004).

I SIC operativi in Italia – quali Crif, CTC, Experian – raccolgono e gestiscono soprattutto – ma non solo – le informazioni relative a finanziamenti destinati a privati, quali credito al consumo, carte di credito, prestiti personali e mutui.

Il SIC gestito da Assilea – la Banca Dati Centrale Rischi del Leasing (BDCR) – è un servizio rivolto alle Società Leasing Associate e a coloro che esercitano attività creditizia. Le informazioni raccolte mensilmente da ciascuna Associata riguardano la persona fisica o giuridica o qualsiasi altro ente o soggetto che ha stipulato un contratto di leasing o  ha prestato garanzia in un contratto di leasing.

Un’altra ampia base dati di riferimento è rappresentata dai dati ufficiali delle camere di commercio, in particolare il Registro Imprese che raccoglie informazioni quali statuto, attività, bilanci, soci, amministratori, procedure concorsuali e il Registro Protesti che consente di individuare protesti per mancato pagamento di cambiali, vaglia cambiari o assegni bancari. La dimensione del patrimonio informativo è rappresentata da 6 milioni di imprese, 10 milioni di persone, 900.000 bilanci depositati l’anno, 7 milioni di protesti.

Non esistono statistiche ufficiali che consentano di valutare copertura specifica delle banche dati e livelli di sovrapposizione: al di là dei dati distribuiti di Banca d’Italia sulla Centrale dei Rischi e dai dati puntuali distribuiti da Assilea, generalmente i Sic non forniscono dati sulla propria copertura.

Banca d’Italia censisce circa 8 milioni di affidamenti di cui oltre 2 milioni cointestati, per una valutazione di 10 milioni di soggetti censiti, Assilea riporta oltre 1 milione di soggetti censiti, il 12% delle famiglie italiane detentrici di mutuo immobiliare comporta una valutazione di  circa 5 milioni di soggetti censiti per questa tipologia di prodotto, il credito al consumo esprime un numero di operazioni annuali nell’intorno di 6 milioni (carte escluse): scontando durata, cointestazioni e ripetizioni di acquisto, possiamo azzardare una valutazione di circa 12 milioni di soggetti censiti ed infine bisogna considerare circa 30 milioni di carte di credito in circolazione e relativi titolari. L’analisi non è né esaustiva né puntuale ma ci aiuta a inquadrare a grandi linee la dimensione e copertura delle banche dati.

Con buona dose di approssimazione si può raffigurare copertura e sovrapposizione come mostrato in figura: i SIC si concentrano soprattutto su privati e credito al consumo e mutui, la BDCR esclusivamente sulle operazioni leasing, la Centrale dei Rischi di Banca d’Italia su tutte le operazioni maggiori della soglia. I più grandi insiemi di sovrapposizione tra i Sic e la Centrale dei Rischi riguarda il comparto dei mutui immobiliari, la sovrapposizione tra la BDCR e Centrale dei rischi afferisce alle operazioni leasing maggiori della soglia di 30.000 euro.

Figura 1

La potenza di fuoco espressa dalle banche dati suddette permette di affermare che verosimilmente ogni credito – concesso da un istituto finanziario – in mano ad un privato ovvero ad una azienda è censito e catturato dai dati contenuti nelle diverse banche dati e di conseguenza ne viene registrato il relativo comportamento di rimborso.

L’utilizzo, l’inclusione, lo sfruttamento di una banca dati risiede quindi nella capacità di rispondere positivamente ad uno schema di valutazione i cui elementi si possono sintetizzare come di seguito: l’accessibilità della informazione, relativa alle eventuali regole di accesso e contribuzione delle informazioni; la tempestività delle informazioni in termini di aggiornamento delle stesse; il livello di automazione come inclusione diretta nei processi decisionali; il valore come misura del contributo informativo ed infine il costo inteso come accesso ed implementazione.

Il Credit Scoring

Abbiamo già accennato alla necessità di sintetizzare il contenuto delle banche dati informative per permettere di coglierne in modo più immediato il potere informativo. Un altro aspetto da considerare è che comunque ogni informazione collezionata sulla performance creditizia è un’osservazione di comportamento passato – più o meno prossimo – e nulla dice su quello che sarà o potrà essere il comportamento futuro – più o meno prossimo. Le metodologie di credit scoring consentono di dare una risposta ad entrambe queste riserve.

Il credit scoring è un sistema statistico automatizzato che quantifica il rischio di credito associato ad un richiedente – oppure ad un già detentore di credito – rispetto agli altri detentori e calcola una sintesi numerica “credit score” per ogni individuo diretta a fornire una rappresentazione, in termini predittivi o probabilistici, del suo profilo di rischio, affidabilità o puntualità nei pagamenti.

I modelli di credit scoring si differenziano secondo tre distinte dimensioni: i dati utilizzati per prevedere il comportamento, il tipo di performance creditizia il modello andrà a prevedere, la popolazione utilizzata per stimare il modello.

Il set minimo di dati utilizzati per prevedere è derivato dalle informazioni gestite dalle agenzie di credit reporting (credit bureau). I modelli che sono basati su questi dati sono normalmente chiamati credit history scoring models. Tali modelli generici di bureau sono ampiamente usati dalle aziende a supplemento e supporto di diversi aspetti del processo di concessione del credito, come sintesi della storia creditizia degli individui.

I modelli di credit scoring generalmente utilizzati in azienda si basano su un più vasto set di dati, come le informazioni registrate in application (molte delle quali non sono contenute nei credit bureau) se in fase di acquisizione, sui dati interni a disposizione della azienda sulle esperienze con i propri clienti sui dati provenienti dalle banche dati interrogate.

Il credit scoring è utilizzato nelle varie fasi del ciclo di vita del cliente, a supporto delle azioni e delle decisioni che l’azienda assume per: individuare target per campagne commerciali (prescreening che si avvale simultaneamente di propensity e credit scoring); personalizzare l’offerta di prodotto e di prezzo sulla base delle caratteristiche del richiedente; monitorare il comportamento del cliente (per modificare i limiti di credito o altre condizioni, incluso il tasso di interesse, sia per iniziativa della’azienda oppure in risposta and una richiesta da parte del cliente); personalizzare azioni di precollection (al fine di evitare il default e minimizzare le perdite), identificare in anticipo possibili utilizzi fraudolenti (Report to the Congress on Credit Scoring and Its Effects on the Availability and Affordability of Credit, Board of Governors of the Federal Reserve System, August 2007).

Un’indagine specifica di Banca d’Italia del 2008 traccia l’introduzione delle tecniche di scoring nelle banche italiane avvenuta nel corso degli anni duemila – nel 2006 queste si erano diffuse alla maggioranza degli intermediari – in particolar modo nel contesto dei finanziamenti alle imprese piccole e medie.

Si sottolinea come l’introduzione delle tecniche di scoring ha permesso di integrare fonti informative esterne e interne alle banche – facilitato anche dalla riduzione dei costi legati al trattamento – sfruttando appieno questo patrimonio informativo, integrando e accorpando i diversi dati al fine di utilizzarli in modo sistematico e replicabile. La bontà dei dati raccolti e la loro profondità temporale sono, d’altra parte, precondizioni per garantire l’affidabilità delle previsioni formulate dai modelli.

Le tecniche statistiche di scoring hanno assunto principalmente una posizione di rilievo nel processo di erogazione del credito, in particolare nella decisione circa la concessione del finanziamento e – per le imprese più piccole – anche nel determinare le garanzie accessorie richieste. Coerentemente con l’evoluzione delle tecniche di gestione e controllo dei rischi, tali metodologie sono state invece impiegate di frequente per il monitoraggio dell’evoluzione della situazione dell’impresa e dello stato del rapporto.

Infine l’accelerazione nell’utilizzo delle tecniche di scoring registrata negli ultimi anni è, verosimilmente, riconducibile al processo di adozione del Nuovo Accordo sul capitale (Basilea 2), che lega in modo più diretto i requisiti di capitale al livello di rischiosità della clientela, incentivando una valutazione più accurata della qualità del portafoglio crediti (L’organizzazione dell’attività creditizia e l’utilizzo di tecniche di scoring nel sistema bancario italiano, Questioni di Economia e Finanza, Banca d’Italia, aprile 2008).

Nel testo che recepisce l’accorda sul capitale viene stressato il ruolo del sistema di valutazione statistica: ruolo centrale è coperto dal sistema di rating, attraverso il quale la banca attribuisce al debitore il grado interno di merito creditizio (rating), ordinando le controparti in relazione alla loro rischiosità.

Il rating rappresenta la valutazione, riferita a un dato orizzonte temporale, effettuata sulla base di tutte le informazioni ragionevolmente accessibili – di natura sia quantitativa sia qualitativa – ed espressa mediante una classificazione su scala ordinale, della capacità di un soggetto affidato o da affidare di onorare le obbligazioni contrattuali.

Ed è importante sottolineare come il sistema di rating non costituisce soltanto uno strumento per il calcolo dei requisiti patrimoniali, ma deve svolgere un importante ruolo gestionale: le banche possono essere autorizzate ad adottare il metodo basato sui rating interni per il calcolo dei requisiti patrimoniali solo se il sistema dei rating riveste una funzione essenziale nella concessione dei crediti, nella gestione del rischio, nell’attribuzione interna del capitale e nelle funzioni di governo della banca (Nuove disposizioni di vigilanza prudenziale per le banche, Circolare n. 263 del 27 dicembre 2006, Banca d’Italia).

Figura 2

A fine 2012 i maggiori gruppi bancari italiani hanno adottato almeno per una parte del portafoglio la metodologia avanzata di internal rating. I rispettivi report Pillar 3 pubblicati e diffusi dalle banche stesse forniscono informazione estesa sui processi implementati e sull’impatto dell’adozione stessa. Peraltro, considerando la parte di portafoglio retail, la differenza di capitale richiesto tra metodologia standard e avanzata risulta generalmente nell’ordine dei 3-4 punti percentuali delle esposizioni di riferimento, fornendo largo margine addizionale di giustificazione del business case per l’adozione delle metodologie stesse e dei processi associati.

L’ampia disponibilità di basi dati puntuali e l’introduzione degli strumenti metodologici per sfruttarne le capacità informative testimonia il grado di maturità raggiunto nei processi di valutazione del rischio di credito. E’ presumibile che l’attenzione si focalizzi su un affinamento ed anche un ampliamento nella scelta delle basi dati, guidato da una analisi critica dell’apporto informativo di ciascuna in ogni fase del ciclo di vita del credito, e su una spinta ulteriore ad ottimizzare – attraverso gli strumenti metodologici – i processi di gestione della relazione cliente legati al percorso di vita del credito.

Luciano Bruccola, Conectens. Proprietà riservata (2013)

L'articolo Credit Scoring e Banche Dati: introduzione ai concetti e stato dell’arte in Italia proviene da Conectens.