Siamo pronti a passare da “Alexa, scegli un brano musicale per me” ad “Alexa, proponimi un investimento finanziario”? Probabilmente no. O non ancora. Eppure, a frenarci non è tanto la tecnologia, quanto l’abitudine.
E la sensazione che, quando si tratta di decidere dove destinare i sudati risparmi, è sempre meglio avere davanti una persona reale.
Questo però non vuol dire che funzioni di AI e machine learning non possano essere integrate nei processi che intercorrono fra le banche e i propri clienti. E sempre più, in effetti, lo sono.
Più sicurezza: AI e fraud detection
Quasi certamente abbiamo già fatto esperienza (indiretta e inconsapevole) di come la nostra banca utilizzi funzioni di AI.
Uno dei casi d’uso più importanti del machine learning in campo finanziario riguarda infatti la fraud detection, ossia il rilevamento delle frodi bancarie e finanziarie: una funzione critica che gli algoritmi di intelligenza artificiale oggi svolgono meglio del personale umano.
Per un dipendente di una banca è impossibile valutare a priori la correttezza di ogni singola transazione eseguita un cliente, tranne quando la transazione quasi si “autodenuncia” perché va macroscopicamente fuori dalla norma delle operazioni eseguite da quel cliente. Ed anche in questo caso si tratta di una valutazione solo prudenziale, che porta facilmente a falsi positivi.
Questo perché in generale la fraud detection richiede un complesso di valutazioni in cui non basta guardare alla transazione in sé: va considerato un contesto anche molto ampio e mutevole nel tempo, una capacità di analisi, correlazione e sintesi che le piattaforme di intelligenza artificiale hanno intrinsecamente e che a noi, invece, manca.
Adeguatamente addestrati, gli algoritmi di machine learning hanno la capacità di identificare le transazioni davvero anomale e di segnalarle per un (rapido) approfondimento successivo, o addirittura di bloccarle automaticamente secondo le policy e le procedure che la singola banca si è data.
In questo caso l’espressione chiave è quel “adeguatamente addestrati”: analizzando lo storico delle transazioni dello specifico cliente e correlandolo con altre informazioni anonimizzate legate a tutti gli altri clienti e, in generale, al mercato in quel momento, possono concludere con un elevato tasso di affidabilità se una transazione è fraudolenta o meno.
Dietro le quinte: AI e scoring finanziario
Se al cliente medio di una banca fa piacere che algoritmi di AI valutino la regolarità delle transazioni che lo interessano, evitando spiacevoli frodi, meno “digeribile” è sapere che egli stesso può essere valutato dal machine learning.
Invece succede, e succederà sempre più spesso, perché gli algoritmi di scoring finanziario sono un grande aiuto per le banche: anche in questo caso, perché ci sono valutazioni che l’intelligenza artificiale può fare meglio dell’intelligenza umana.
Come valutare esattamente, ad esempio, se una richiesta di finanziamento o di mutuo può essere accettata senza problemi? I parametri da considerare sono davvero molti e non bastano poche linee guida.
Già oggi le nostre richieste passano al vaglio di modelli statistici che danno una valutazione (scoring, appunto) in base alla quale sono accettate o meno.
Applicando le tecniche di intelligenza artificiale è possibile arrivare a valutazioni molto più sofisticate, attraverso modelli analitici e predittivi la cui maggiore efficacia rispetto a quelli classici è già ampiamente provata.
È un beneficio per tutti. Per le banche, ovviamente, che riducono il loro profilo di rischio, ma anche per i clienti, perché gli algoritmi di AI impediscono loro di assumere impegni economici che probabilmente non potranno sostenere, anche quando pensano di poterlo fare.
E perché una banca che adotti il credit scoring basato su AI sarà selettiva “quanto basta”, non esageratamente, fermo restando poi che l’AI, in questo come in molti altri suoi campi, ha il compito di dare indicazioni affidabili, la decisione finale spetta sempre al personale umano.
Parlo con un bot: i roboadvisor finanziari
Ma ci sono casi in cui del personale umano possiamo anche fare a meno, lasciando che sia un bot software a gestire il cliente nei primi passi di un processo.
Oggi moltissime aziende che offrono prodotti o servizi hanno sviluppato chatbot che – su pagine web, in app dedicate, nelle piattaforme di messaging – offrono un primo livello di informazione ed assistenza.
Il passo successivo, per il mondo Finance, sono i roboadvisor, ossia consulenti finanziari basati su intelligenza artificiale che propongono investimenti e prodotti finanziari su misura.
In effetti, un algoritmo di machine learning finanziario che abbia accesso alle informazioni sul singolo cliente e sul mercato sa tutto quello che serve per guidare il cliente stesso nella scelta, poniamo, di un investimento mirato o di un prodotto assicurativo.
Dialogando in linguaggio naturale con il cliente può capire cosa questi sta cercando, analizzare il profilo di comportamento del cliente, giudicare il suo profilo di rischio, arrivare infine al prodotto ad hoc che combina idealmente insieme tutti i requisiti necessari.
È una strada che alcune nuove realtà fintech e insurtech d’Oltreoceano hanno già intrapreso con decisione, presentando le funzioni di roboadvisory anche come un valore aggiunto.
In Europa si procede con maggiore cautela, anche perché le normative sono diverse e la sottoscrizione di un prodotto finanziario è considerata sempre una operazione “delicata”.
Ma i roboadvisor sono efficaci comunque, come minimo velocizzando tutta una prima fase di analisi delle richieste del cliente e di valutazione dei prodotti in linea con tali richieste. A firmare i contratti non è ancora un chatbot, certo. Ma in futuro, chissà.
.
Comments are closed.