Andrea Tagliaferro, Managing Director di SDG Group Italy, spiega perché la banking data analytics sta diventando fondamentale nel settore bancario.
L’analisi dei dati aiuta a migliorare la conoscenza dei clienti, a ottimizzare i processi bancari per renderli più agili e veloci e ad accrescere la capacità di previsione, migliorando l’attendibilità dei forecast.
Per questo la banking data analytics, ossia la capacità di sfruttare in modo utile i dati disponibili, sta diventando fondamentale per competere in un mercato sempre più digitale e a portata di fintech.
Sfruttare la banking data analytics per conoscere le esigenze dei clienti
Le tecnologie di analisi applicate alla mole dei dati bancari sono in grado d’individuare modelli di comportamento dei clienti significativi e quindi generare conoscenze utili per proporre i prodotti finanziari di maggior interesse, nel momento più opportuno. Molti eventi che caratterizzano la vita delle persone, come l’acquisto di una casa, un cambio di lavoro o un matrimonio, si associano infatti a bisogni finanziari specifici che la banking data analytics può aiutare a identificare e anticipare. Questo riduce l’invasività e i costi delle campagne, indirizzando le platee potenzialmente più ricettive, dove potrebbero inserirsi le soluzioni concorrenti.
La segmentazione secondo parametri consolidati dei clienti nei rispettivi modelli servizio, attività su cui si basano anche le più moderne soluzioni di next best product, può e deve essere superata attraverso un utilizzo non aprioristico di tutti i dati disponibili. In questo ambito, la banking data analytics aiuta a intercettare quali sono i clienti che “nascondono” il maggiore potenziale di crescita di acquisto di prodotti e servizi finanziari. Scoprirli permette, per esempio, di concentrare le azioni di marketing sui target più interessanti, veicolando inoltre una proposta altamente personalizzata.
Si consideri infine che l’avvento di PSD2 (Payment Services Directive 2) e dell’open banking permette oggi di accedere ad una base informativa ancora più ampia sul comportamento dei propri clienti, situazione che permetterà di incrementare ulteriormente l’efficacia dell’applicazione di soluzioni analitiche.
Come sfruttare i dati per migliorare processi e automazione
Le banche hanno fatto in passato grandi investimenti per adottare sistemi di gestione integrati capaci di rendere sempre più efficienti i processi interni. Più raramente hanno applicato le tecnologie analitiche per valutare l’efficienza di tali processi in modalità completamente data-driven, con lo scopo di migliorarli. La banking data analytics, attraverso il process mining, consente di identificare i colli di bottiglia dei processi e quindi evidenziare cosa occorre per ottenere miglioramenti significativi.
Per l’ottimizzazione dei processi sono oggi infatti disponibili alcune tecniche avanzate che, a partire dall’analisi e classificazione dei dati di log dei diversi sistemi operativi, permettono di identificare i percorsi statisticamente rilevanti ai fini dell’operatività, segnalando le interruzioni o le deviazioni dallo standard. L’utilizzo della banking data analytics aiuta a capire dove è utile introdurre un maggior livello di automazione, da attuare attraverso i moderni strumenti di RPA/IPA (robotic process automation e intelligent process automation).
A essere candidate per l’automazione non sono soltanto le attività più ripetitive, ma anche attività che hanno al loro interno processi decisionali che coinvolgono le persone, con l’obiettivo di incrementare l’efficienza di processi che richiedono azioni immediate. Non è in gioco la sostituzione dell’essere umano, anzi si mira ad affidare al sistema gli oneri della ricerca di dati e di documenti utili al processo, lasciando all’operatore svolgere al meglio il proprio ruolo decisionale.
Utilizzare l’analisi per le attività di controllo e previsione
Un altro utilizzo della banking data analytics riguarda l’individuazione di insight e trend che servono per prevedere margini, commissioni e costi in modo più preciso e tempestivo. Prevedere gli andamenti dei ricavi di un’iniziativa o di un’area di servizi permette di adottare tempestivamente le azioni correttive, qualora qualcosa non stia andando come nelle previsioni.
Ad esempio, i modelli analitici applicati ai dati dei soli primi 10 giorni effettivi di un mese sono in grado, se ben tarati, di prevedere se i ricavi da commissioni saranno in linea con gli obiettivi e, quindi, permettono di intervenire su persone o risorse per adottare le azioni correttive prima della chiusura del periodo, la cui rendicontazione con i sistemi tradizionali avviene peraltro con estremo ritardo.
In definitiva, la data analytics rappresenta un grande potenziale di innovazione del settore bancario, sui fronti del cliente, dei processi, dell’automazione e del controllo. Per ottenere questi vantaggi, è sempre più importante lavorare allo sviluppo di strategie, architetture, soluzioni e competenze interne per valorizzare al massimo i dati già oggi disponibili.
