Nel campo bancario e assicurativo è sempre più importante riuscire a sfruttare il potenziale dei dati per intercettare le necessità dei clienti e offrire soluzioni appropriate. A differenza di altri settori, gli istituti hanno già a disposizione i dati per conoscere lo stato e le esigenze del cliente ma non li sfruttano come invece potrebbero. Ne è convinto Andrea Tagliaferro, partner SDG Group, società che ha ricevuto da Gartner la menzione d’onore nel Magic Quadrant 2022 nell’ambito Data &Analytics: “Banche e assicurazioni usano i modelli analitici per classificare la clientela e proporre prodotti disegnati a tavolino, ma non riescono a costruirvi sopra un reale vantaggio competitivo”. Un obiettivo quest’ultimo del moderno banking data analytics con cui non solo poter proporre prodotti personalizzati su misura per il cliente, ma anche supportare l’ottimizzazione dei processi aziendali e migliorare le capacità di controllo.
Usare il banking data analytics per conoscere le esigenze dei clienti
Le aziende assicurative, ma soprattutto le banche, hanno in casa o possono accedere a una gran mole di dati analizzabili per comprendere le necessità dei clienti. “Parliamo delle informazioni utili per offrire i prodotti prima che il cliente si metta attivamente a cercarli – spiega Tagliaferro –, magari a partire dalle sollecitazioni di un concorrente”. Tra i dati utili, ci sono gli eventi che caratterizzano la vita delle persone: “Un cambio di lavoro, d’auto, di residenza, un matrimonio e così via si associano con bisogni finanziari specifici – continua Tagliaferro – e sono individuabili attraverso la banking data analytics”.
Le tecnologie d’analisi applicate correttamente alla mole dei dati bancari consentono di individuare pattern significativi nei comportamenti dei clienti e di generare le segnalazioni che servono agli Istituti per proporre i prodotti finanziari e assicurativi di maggior interesse per il cliente, nel momento più efficace. “Tecnologie predittive permettono di anticipare l’esigenza di un finanziamento così come d’investimento del surplus” continua Tagliaferro. “Una pratica che offre risultati tangibili anche nella fidelizzazione dei clienti”.
Con la PSD2 e l’avvio dell’open banking, oggi c’è una maggiore disponibilità di dati sui clienti, per approfondirne la conoscenza ed erogare nuovi servizi. Con il banking data analytics, gli istituti possono ridurre l’invasività e i costi delle campagne, indirizzando le offerte ai clienti più ricettivi o maggiormente esposti offerte dei propri concorrenti. Le capacità analitiche applicate alle offerte concorrenti possono aiutare l’istituto a individuare i prodotti e il momento di mercato in cui ha maggiore vantaggio competitivo, concentrare l’impegno promozionale quando c’è il potenziale per incrementare i profitti o trovare nuovi clienti.
La banking data analytics per il miglioramento dei processi
Malgrado i grandi investimenti che banche e assicurazioni hanno fatto nel passato per integrare i dati e rendere più efficienti e monitorabili le attività, solo occasionalmente le tecnologie analitiche sono state impiegate per valutare i processi interni e contribuire a migliorarli. “Il banking data analytics, unitamente al process mining, consente di individuare i colli di bottiglia dei processi e studiare le azioni correttive per ottenere miglioramenti significativi”, spiega Tagliaferro.
A partire dall’analisi e dalla classificazione dei flussi di dati, le tecnologie analitiche permettono d’identificare processi rilevanti ai fini dell’operatività, tracciarne le interruzioni e le deviazioni dagli standard, ad esempio, per esigenze di flessibilità. “Il banking data analytics aiuta a capire dove è più utile introdurre l’automazione attraverso – precisa Tagliaferro – i moderni strumenti di RPA/IPA (robotic process automation e intelligent process automation, ndr) che possono sgravare i collaboratori dalle attività più ripetitive e di minor valore”.
Sono in ogni caso candidate all’automazione anche alcune attività che coinvolgono le persone impegnate nei processi decisionali. “Non è in gioco la sostituzione dell’essere umano con le macchine – aggiunge Tagliaferro –, ma l’efficienza dei processi che richiedono azioni rapide, nelle quali il decisore umano si può avvantaggiare dell’automazione, per esempio, nella ricerca di dati e documenti contestuali”.
Utilizzare le capacità analitiche nelle attività previsionali
Un altro utilizzo del banking data analytics riguarda l’individuazione di insight e trend per la pianificazione dei ricavi e nei calcoli di marginalità sulle operazioni in modo preciso e tempestivo. Poter prevedere gli andamenti di una nuova iniziativa commerciale o i ricavi di un’area di business permette di anticipare le iniziative correttive qualora le cose mostrino di non andare come previsto.
Attraverso l’applicazione dei modelli analitici sui risultati dei primi dieci giorni è oggi possibile capire se lo sviluppo mensile è in linea con gli obiettivi oppure no. “Quindi intervenire sulle persone o sulle risorse per correggere la rotta e garantire il risultato economico atteso” spiega Tagliaferro. “Tecnologia dei dati e modelli predittivi consentono di anticipare le valutazioni che oggi si fanno a consuntivo, quando non è più possibile porre rimedio”.
Nell’uso delle capacità previsionali e analitiche avanzate, la competenza e l’esperienza dell’uomo restano centrali per ottenere dei risultati. “In alcune realtà si stanno sperimentando modelli predittivi con tecniche di ML/AI in grado anche di auto correggersi nei risultati, ma serve tempo e non sono molto utilizzati” precisa Tagliaferro. “Sono invece più importanti le tecnologie che permettono di ridurre il tempo perso dalle persone nella raccolta dei dati, nell’aggiornamento delle serie storiche o nelle verifiche di congruenza per dedicarlo ai compiti di maggior valore”.
L’opzione del cloud per implementare l’advanced analytics
Le implementazioni dell’advanced analytics in banche e assicurazioni beneficiano oggi di un ampliamento nella portata dei progetti e dell’uso del cloud. “Fino a poco tempo fa vedevamo progetti di livello dipartimentale, limitati alle funzioni marketing o alle direzioni retail” commenta Tagliaferro. “Ci chiedevano di creare modelli di propensity o di churn in sistemi separati, non pensati con la logica d’istituto”. Oggi le cose sono cambiate, anche per merito dell’avvento dei servizi in cloud.
“Il cloud ha aperto una prospettiva nuova” spiega Tagliaferro. “Assicurazioni e banche hanno scoperto gli strumenti per l’elaborazione dei big data, cambiato la raccolta dei dati per volumi, varietà e frequenza”. Il cloud non è più visto come uno strumento per avere maggiori prestazioni IT a basso costo, bensì come mezzo per accedere in modo veloce a modelli d’analisi già pronti e collaudati.
“Ciò che ci proponiamo in SDG è accompagnare gli istituti nell’adozione degli strumenti analitici in cloud in modo coerente con le basi dati e i progetti a livello d’istituto” prosegue Tagliaferro. “Non più solo negli ambiti del CRM o dei pagamenti, ma di tutta la base informativa. Per questo ci avvaliamo delle competenze che abbiamo acquisito nella gestione del dato, nelle tecniche analitiche e nell’adozione del cloud”.
Il cloud offre l’opportunità di abilitare rapidamente funzioni di gestione dati e data analytics molto efficienti: “Capacità che aiutano gli istituti a liberarsi dai silos informativi e a introdurre un’ottica nuova e ad alto potenziale nei loro progetti” precisa Tagliaferro. “Un percorso in cui accompagniamo i nostri clienti tenendo conto delle normative BCE e Banca d’Italia nell’uso del cloud e del GDPR sul fronte della gestione dei dati personali”.
In sintesi, il banking data analytics unita all’accessibilità dei servizi erogati in cloud hanno un forte potenziale per l’innovazione digitale dei settori bancario e assicurativo sui fronti del rapporto con i clienti, dell’automazione dei processi e del controllo di gestione. Potenziale che può essere espresso con dati già disponibili negli istituti, attivando le strategie e le competenze più opportune.
