Dalla Redazione Fintech

Fintech: Roboadvisory e Credit Management – Intervista a Serena Torielli, Co-Founder e CEO Virtual B S.p.A. e Raffaele Zenti, Founder Virtual B S.p.A

Di che cosa si occupa Virtual B?
Virtual B S.p.A. è un’impresa FinTech. Si occupa di B2B, aiutando “incumbent” come banche, asset manager e assicurazioni nell’area degli investimenti digitali. E questo nonostante sia abbastanza nota per aver iniziato sul lato B2C, lanciando nel 2011 il primo roboadvisor italiano, AdviseOnly.com: da allora di acqua sotto i ponti ne è passata parecchia e abbiamo capito che il mix di competenze che caratterizzano Virtual B – ossia financial data science, tech, digital e, ovviamente, conoscenza del business del wealth management – è estremamente funzionale al mercato B2B, sul quale infatti operiamo dal 2013.

In che modo la Data Science può essere utile all’industria dei servizi finanziari?
Riteniamo che gli intermediari finanziari siedano su una massa di dati molto grande e ricca d’informazioni, utilizzabile in modo perfettamente legale: un territorio fertile per la data science. In particolare, riteniamo che il moderno intermediario debba essere “data driven”: che i dati debbano informare e indirizzare tutto il processo decisionale e operativo. Il che non vuol dire che la macchina si sostituisce all’uomo, bensì che si sfruttano le informazioni contenute nei dati in tempo reale, aiutando l’uomo a prendere decisioni migliori. Vediamo l’applicazione della data science in tutto il processo. Questo permette di ridurre i costi, aumentare la produttività, migliorare la qualità del servizio, personalizzandolo. In definitiva, si può offrire maggiore valore aggiunto per il cliente finale. Peraltro, riteniamo che gli incumbent potranno tenere il passo con giganti del tech come Facebook, Amazon, Netflix e Google (i “FANG”), che già cominciano a mettere lo zampino nel settore dei servizi finanziari, solo utilizzando la loro superiore conoscenza del business unita alla capacità di analizzare i dati attraverso la data science.

Cosa è AdviseOnly?
AdviseOnly è tante cose. Innanzitutto, è il primo robo advisor italiano e offre consulenza finanziaria “generica”, cioè non “personalizzata”: in pratica, portafogli in ETF basati sul “goal investing”, cioè investimento per obiettivi, o tematici, costruiti con un processo d’investimento sistematico, quindi molto metodico e strutturato. Tutto semplice e alla portata di qualsiasi risparmiatore, sia per taglio minimo dell’investimento che per costi, veramente “pop”. Poi AdviseOnly è anche un blog di educazione finanziaria molto seguito dal pubblico, funzionale al servizio di portafoglio. Sul blog AdviseOnly si dissezionano e spiegano temi anche complessi con toni e linguaggio “leggeri” che rendono digeribile a un vasto pubblico un argomento pesantuccio come quello degli investimenti. Infine, AdviseOnly è il nostro laboratorio tecnologico e digitale: ciò che sappiamo sul tema dell’Investech, cioè il know-how che costituisce il corpus della nostra attività B2B, lo abbiamo in larga parte imparato grazie a AdviseOnly.

Quale credete sia la strada migliore per lo sviluppo del Roboadvisory? Consulenza diretta al cliente o mediata attraverso altri operatore Business-to-Business-to-Consumer?
Innanzitutto pensiamo che, sebbene l’innovazione sia apportata da aziende giovani del mondo FinTech, il reale sviluppo del wealth management digitale sia nelle mani degli incumbent: hanno già una base clienti vasta e nel complesso godono ancora di una buona fiducia. Inoltre, riteniamo che nell’immediato futuro domini la mediazione con un operatore, quindi un consulente o un private banker. Tuttavia, riteniamo che ci sia spazio per entrambe le soluzioni: canale diretto e indiretto possono coesistere. Per le proporzioni, dipende da caratteristiche, gusti e abitudini del cliente. Indirizzare correttamente questo tipo di segmentazione della clientela e farlo in modo dinamico nel tempo, adeguandosi all’evoluzione del cliente, è una delle aree in cui la financial data science è di enorme aiuto: infatti questa è una delle aree che Virtual B copre più attentamente con le nostre soluzioni tecnologiche e con la consulenza. Questo è infatti uno degli snodi del processo di wealth management più critici. Investire qui ha ROI elevati e consente di personalizzare il servizio al cliente. Chi si strutturerà bene potrà fare la differenza.

Come si articola la partnership che avete avviato con GFT? Quali sono i ruoli e le sinergie? Perché la scelta di questo partner?
Virtual B è una società FinTech di 15 persone, specializzate in financial data science, digital marketing & communication, portfolio construction e risk management: in sostanza, abbiamo una profonda conoscenza del business finanziario, ideiamo e sviluppiamo soluzioni e prodotti, ma non possiamo occuparci della necessaria componente di system & data integration. GFT invece è un grande player della tecnologia, attentissimo all’innovazione e presente in tutto il mondo. La sua esperienza e solidità è fondamentale anche in fase di ingegnerizzazione del software e di conduzione di progetti. In sostanza, noi apportiamo innovazione verticale sul mondo finanziario, loro efficienza operativa e solidità. Quindi quello tra GFT e Virtual B è un bel rapporto di simbiosi industriale e commerciale, che ruota intorno a SideKYC ®, la piattaforma di financial data science di Virtual B per le aziende di wealth management.

In che modo l’intelligenza artificiale e il machine learning possono generare un valore aggiunto per la gestione del risparmio?
Le applicazioni sono moltissime e possono avere un impatto sull’intera catena di valore, con un ritorno elevato in termine di maggiori ricavi e minori costi. Per fornire qualche esempio concreto, con il supporto di dati – per lo più interni, magari integrati da fonti dati esterne – e utilizzando algoritmi di machine learning, si possono affrontare e risolvere problemi come:

  • individuare e comprendere i bisogni finanziari dei clienti e i loro obiettivi reali;
  • costruire modelli predittivi del comportamento dei clienti (per esempio se acquisterà o meno un dato prodotto finanziario/assicurativo);
  • individuare i clienti attualmente piccoli ma con elevato potenziale di crescita;
  • migliorare la segmentazione dei clienti, offrendo loro soluzioni d’investimento e servizi accessori personalizzati, migliorando la user experience a costi molto bassi;
  • individuare quali bisogni finanziari sono soddisfatti da un dato prodotto, e per quali obiettivi è consigliabile tale prodotto;
  • supportare le reti di consulenti finanziari, agenti e altri relationship manager con informazioni mirate sui clienti e recommendation systems relativi alle migliori soluzioni da offrire ai clienti, in base ai loro specifici bisogni e caratteristiche;
  • gestire la compliance in tempo reale, in tutti i suoi aspetti, dal product targeting all’analisi degli switch prevista da MIFID 2;
  • simulare l’impatto di eventi di mercato su processi, masse in gestione, costi e margini, attuando quella che è probabilmente la più utile forma di risk management per un wealth manager (molto più che calcolare il VaR al 99% a una settimana sui portafogli dei clienti);
  • market forecasting (questa è un’area dove applicazioni di data science esistono da decenni e quindi il beneficio marginale è secondo noi inferiore, anche perché la natura di sistema complesso del mercato finanziario implica bassa prevedibilità);
  • catturare e analizzare nuove fonti di dati da utilizzare per i fini precedenti. Queste applicazioni, per inciso, sono proprio quelle alla base di SideKYC ®, la piattaforma di financial data science di Virtual B.

Esistono applicazioni della data science al credit management? Come si sviluppano?
Esistono eccome. Riguardano prevalentemente la valutazione del merito creditizio dei soggetti, sia privati che imprese.
L’idea è quella di utilizzare tutti i dati disponibili rilevanti, per esempio quelli legati ai bilanci, le informazioni anagrafiche, la storia di passate operazione creditizie, dati testuali contenuti in documenti, informazioni relative alla rete di relazione con altri soggetti e via dicendo. In questa massa di dati, che appare vasta, densa e ingarbugliata all’occhio umano, un algoritmo di machine learning è in grado di individuare “pattern”, strutture e relazioni utili per determinare il merito creditizio di un soggetto.
Ciò significa grande efficienza. Se il numero di clienti è molto grande, come nel caso del credito al consumo o alle piccole imprese, il beneficio può essere significativo. Questo tipo di approccio è interessante anche per chi si occupa di NPL: utilizzare i dati e un algoritmo per “unire i puntini” può fornire un vantaggio concreto.
Va detta una cosa: da quanto vediamo, la maggior parte delle applicazioni legate al credit management tende a focalizzare l’attenzione sui singoli soggetti che chiedono credito, prestando poca attenzione al rischio sistemico, che può colpire a macchie.
Sarebbe invece interessante includerlo nell’analisi: per esempio tenendo conto dell’impatto di crisi che colpiscono determinati settori merceologici o aree geografiche al verificarsi di particolari condizioni economico-finanziarie.

Serena Torielli e Raffale Zenti prenderanno parte in qualità di Speakers al CVFINTECHDAY che si terrà a Milano presso il Crowne Plaza Hotel di San Donato Milanese il prossimo 21 novembre.
Per maggiori informazioni sulla giornata e per l’agenda visita https://creditvillage.news/fintechday/

Condividi articolo...
Share on Facebook
Facebook
0Share on Google+
Google+
0Tweet about this on Twitter
Twitter
Share on LinkedIn
Linkedin

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *