Tecnologie come AI, machine learning e RPA affiancate a dati di qualità possono guidare strategie e pricing nel mondo della gestione del credito, per una gestione giudiziale evoluta.
«Nel 2015 lo stock di NPL ammontava a 360 miliardi di euro, di questi 350 pesavano sulle banche e il resto sui servicer – racconta Vanes Bolandrini, CEO di RAD Informatica, dal 2023 parte dell’Hub Finance & Data di Dedagroup.
Ora la situazione è invertita e complessivamente rimangono 300 miliardi di euro di stock, di cui soli 50 sui bilanci delle banche. Stiamo dirigendo da tempo la nostra attenzione sugli Stage 2, l’asset class che rappresenta la prossima sfida di mercato, senza dimenticare la necessità di aiutare i servicer a ridurre i 250 miliardi di crediti che hanno in carico».
Aggiornamento automatico delle informazioni
I tempi della giustizia non sono modificabili ma la tecnologia può portare efficienza.
«Da 25 anni le nostre soluzioni consentono una gestione granulare dell’approccio giudiziale al recupero, attraverso la mappatura di tutte le procedure del Codice di procedura civile. Nel tempo, abbiamo ridotto l’intervento umano e sfruttato le evoluzioni normative, prima tra tutte quella del Processo Civile Telematico, per automatizzare l’aggiornamento del patrimonio informativo sulla nostra piattaforma, riducendo la necessità di data entry da parte degli studi legali – precisa Bolandrini.
La presenza di una base dati statistica molto estesa, ci permette di determinare in anticipo i costi di un approccio giudiziale, simulando l’iter procedurale più probabile, per definire il pricing dello scenario di recupero.
La parola d’ordine è “semplificazione”: la complessità dei procedimenti giudiziari nell’ordinamento italiano è nascosta a quegli attori che hanno bisogno di una vista gestionale di alto livello, che mostri le informazioni necessarie a valutare a colpo d’occhio lo stato della posizione».
Intelligenza artificiale e robot lavorano insieme
L’AI e l’RPA sono le leve d’innovazione nella gestione della componente stragiudiziale degli NPE.
«La tecnologia permette di identificare i crediti a rischio, oltre che di automatizzare i processi di raccolta delle informazioni.
Inoltre, l’AI lavora sulle previsioni analizzando i dati del debitore, mentre l’RPA automatizza l’attività di recupero – spiega Bolandrini – in particolare nell’ambito della comunicazione al cliente per la gestione dei piani di rientro concordati e per gli avvisi di sollecito».
L’importanza della qualità del dato
«Il punto di partenza è avere un patrimonio informativo di qualità per analizzare i portafogli e determinare le strategie di recupero più opportune – sottolinea Bolandrini.
I dati possono essere raccolti da documenti cartacei, estratti e analizzati dall’AI, poi combinati con informazioni raccolte da fonti esterne, come il catasto, il portale pubblico delle aste, l’agenzia delle entrate, e da information provider che forniscono dati di bilancio, informazioni anagrafiche o patrimoniali o pregiudizievoli».
Le nuove sfide di UtP e Stage 2
Con la diminuzione dello stock, servicer e investitori si stanno dirigendo verso altri mercati, come UtP e Stage 2.
Algoritmi di AI e machine learning elaborano informazioni da più fonti, anche sfruttando l’open banking, per fornire un quadro complessivo sul cliente e valutare il suo potere di recupero o la sua probabilità di ulteriore deterioramento.
«Il concetto di early warning non è di certo una novità: la sfida attuale è quella di sfruttare tutti i dati a disposizione allo scopo di determinare in anticipo situazioni di potenziale aggravamento del rischio ed eventualmente intervenendo con azioni volte a garantire il ritorno in Stage 1», conclude Bolandrini.
Questo articolo è stato pubblicato sul numero di luglio/agosto 2024 di AziendaBanca ed è eccezionalmente disponibile gratuitamente anche sul sito web. Se vuoi ricevere AziendaBanca, puoi abbonarti nel nostro shop.