Il lending si fa digitale ma servono anche modelli avanzati di credit scoring che sappiano sfruttare al meglio i dati sulla clientela nell’era dell’open finance. McKinsey, nel suo report “ Designing next-generation credit decisioning models” spiega proprio come sistemi decisionali per il credito di nuova generazione possano offrire un vantaggio competitivo alle banche.
Secondo il report, infatti, le banche che hanno già incorporate modelli avanzati di credit scoring nella propria offerta di prestiti digitali hanno registrato un aumento del fatturato tra il 5% e il 15% (dati globali) grazie a tassi di accettazione delle richieste di credito più alti, un minor costo a livello di onboarding del cliente e anche una migliore customer experience.
Conoscere meglio il cliente
Grazie a modelli capaci di determinare la probabilità di inadempienza dei clienti, le banche registrano inoltre una diminuzione del 20-40% delle perdite sui crediti.
Più efficienza
Infine, l’efficienza viene premiata da questi nuovi sistemi decisionali per il credito, portando a un aumento dell’efficienza tra il 20% e il 40% grazie a una combinazione di più elementi: l’automazione dell’estrazione dei dati, la possibilità di dare la priorità a precisi casi (a basso o ad alto rischio, ad esempio, per concentrarsi in modo più approfondito su case specifici) e lo sviluppo di nuovi modelli appunto.
Dov’è la svolta?
Sulla base di questi dati, il report rileva che in media una banca che gestisce 50 miliardi di euro in asset da piccole e medie imprese potrebbe ottenere fino a 200 milioni di euro in profitti aggiuntivi tramite l’implementazione di nuovi modelli decisionali per il credito.
Le quattro buone prassi
McKinsey ha identificato quattro best practice nella progettazione di nuovi modelli di decisione del credito:
1. implementazione di un'architettura modulare
Avere a disposizione un’architettura modulare consente alle banche di reagire rapidamente a una serie di imprevisti, che portano a interruzioni economiche come accaduto con la pandemia da Covid-19, così da raccogliere informazioni più allineate con la realtà, oppure di affinare i moduli per ogni segmento di clientela;
2. ampliare le fonti di dati
L’open banking pone le basi per un’analisi dei dati di nuova generazione: informazioni strutturate (come i dati transazionali) e non, provenienti da fonti interne ed esterne possono essere utilizzati per ottenere nuovi parametri di credit scoring
3. estrarre i dati per ottenere nuove informazioni legate al credito
Oltre ad appoggiarsi all’open banking per raccogliere una maggiore quantità di dati, le banche possono applicare tecnologie di machine learning e intelligenza artificiale per catalogare e affinare i dati raccolti sulla clientela e quindi conoscere meglio il cliente per valutare in modo più puntuale il suo merito creditizio;
4. sfruttare le competenze aziendali
La tecnologia aiuta, ma non è sufficiente. Per un modello veramente solido e ad alte prestazioni, le banche devono sfruttare le proprie competenze aziendali interne durante il processo di sviluppo del modello. Questo le aiuterà a capire meglio dove c’è una mancanza di informazioni relative al credito e convalidare anche nuove informazioni.
