Quando si parla delle possibili applicazioni dei Big Data, i casi citati hanno molto spesso a che fare con l’ottimizzazione del processo produttivo industriale o delle attività di marketing/comunicazione delle imprese. Eppure ci sono numerosi altri ambiti che possono beneficiare dell’apporto dell’analisi di grandi quantità di dati: uno di questi è il settore dei prestiti/finanziamenti personali. Un’attività che, come molte altre, ormai si fa sempre meno presso gli sportelli bancari e sempre di più on line, con le richieste di finanziamento che passano direttamente per appositi form compilati via Web. Tale modalità, è facile da comprendere, può aumentare notevolmente la quantità di clienti ma, d’altra parte, espone maggiormente gli operatori del credito al rischio di trovarsi di fronte dei cattivi debitori, a meno di accettare soltanto un numero limitato di clienti certificati (riducendo però così il potenziale della propria offerta).
La strategia messa a punto da Neodata, società specializzata nel data mining, rende possibile andare oltre queste due opzioni, utilizzando i dati della navigazione per migliorare la conoscenza dell’interlocutore. Come racconta Emanuele Mambelli, responsabile dell’area Ricerca e Sviluppo di Neodata, “La paura del soggetto finanziatore è naturalmente quella di rischiare di dare prestiti a persone non perfettamente conosciute. Per aziende di questo tipo diventa importante comprendere rapidamente quanto ci si possa fidare della persona richiedente il prestito, valutando in maniera più precisa possibile il rischio legato all’erogazione. Quello che abbiamo cercato di fare è capire se i comportamenti che l’utente aveva on line – ossia qualsiasi navigazione effettuata all’interno del sito – potessero avere una correlazione con il profilo di rischio”. Il riferimento è ad operazioni come l’ordine di compilazione dei campi, il numero di cambiamenti effettuati su ogni campo, il tempo speso su ogni pagina, ecc che, anche se in modo non esplicito, possono fornire informazioni implicite sulle caratteristiche dei consumatori. Un utente che compila più volte il form relativo alla situazione patrimoniale, ad esempio, manifesta un comportamento anomalo, probabilmente non in linea con quello del perfetto debitore, quindi potrebbe essere un indice da valutare.
Ovviamente, queste informazioni relative alla navigazione web sono importanti, ma per tracciare con più precisione il profilo di rischio dell’utente devono essere integrate con dati provenienti da altre fonti. Il riferimento è innanzitutto alle informazioni autocertificate dall’utente sulla propria condizione patrimoniale o, ancora meglio, certificate da fonti terze (banche ed enti certificatori del credito). Particolarmente significativi per determinare l’affidabilità del cliente sono chiaramente i suoi comportamenti nel momento in cui gli sono concessi prestiti, a iniziare dal rispetto dei tempi e delle condizioni concesse per il finanziamento. Questa doppia partita è resa possibile dall’utilizzo di una apposita piattaforma sviluppata da Neodata, exaudi, che facilita il tracciamento delle azioni effettuate sul sito web, l’import di dati da sistemi esterni, nonché l’applicazione di modelli di predizione personalizzati e la creazione di cluster di utenti. Tutte le informazioni raccolte sono poi sintetizzate su dashboard personalizzate per facilitare l’analisi sui comportamenti degli utenti.
“Per creare un modello di previsione abbiamo avuto bisogno innanzitutto di creare un training set in cui fosse sempre più chiara e precisa l’informazione su quali fossero i clienti ottimali rispetto a quelli insolventi. Ovviamente quante più informazioni su un utente si hanno a disposizione, quanto più il rischio di trovarsi di fronte un cattivo pagatore si abbassa. Diventa quindi fondamentale raccogliere sempre maggiori informazioni sui percorsi effettuati dagli utenti, permettendo un continuo miglioramento dell’affidabilità dei dati calcolati”, evidenzia Mambelli.
Le aziende del mondo del credito che mettono in piedi un progetto di questo tipo devono però essere coscienti che i tempi di realizzazione non sono brevissimi: la necessità di arricchimento delle informazioni da fonti diverse richiede un orizzonte di medio periodo (6 mesi-1 anno) che consenta di arrivare a una classificazione degli utenti efficace. Occorre dunque un certo impegno in questo tipo di progetti da parte dell’azienda utente, che passa anche dalla collaborazione tra le diverse aree aziendali per la condivisione dei dati.
