Data Analysis per il Credito

La continua produzione di dati e la generazione di valore a partire da questi rappresentano le basi dell’”economia della conoscenza” o “economia guidata dai dati” (EU Strategy, 2014). 

Il fenomeno interessa un insieme sempre più ampio di settori di mercato e rappresenta un considerevole potenziale per le organizzazioni, a patto che queste intendano dotarsi di metodi e di strumenti per gestire, ovvero per collezionare, elaborare e, soprattutto, per analizzare i dati. Numerose sono le sfide che la gestione delle grandi moli di dati consente di affrontare: dall’estrazione di informazioni di business funzionali ad una maggiore competitività, alla riduzione dei costi ed una maggiore produttività ed efficienza delle operazioni di back office.

Come è facile intuire, i temi dell’organizzazione, della qualità e dell’analisi dei dati assumono una rilevanza strategica per un settore “data centrico” come quello Bancario, determinante per il perseguimento del vantaggio competitivo. In tale contesto, la scienza dei dati applicata ai “big data” valorizza la “catena del valore dei dati”, rendendo possibili analisi molto precise ed efficaci e che possono rappresentare per gli istituti finanziari un valido supporto nei processi decisionali e nelle strategie commerciali.

Links intende affrontare in modo sistematico il tema della “data analysis”, focalizzando il programma di ricerca, da un lato, sul tema dei metodi e delle tecnologie a supporto, dall’altro, e soprattutto, sull’approfondimento della loro applicazione in uno dei settori di mercato di punta per l’azienda: l’ambito bancario, ed in particolare quello connesso al monitoraggio ed al controllo del portafoglio dei crediti, sia per crediti in bonis che, in principal modo, per quelli deteriorati (Non Performing Loans) .

L’analisi di big data potrà avere obiettivi differenti che possono essere ricondotti alle seguenti tematiche:

• predictive analytics, ovvero l’analisi di dati storici per la predizione dei comportamenti futuri; tale analisi può basarsi, tra gli altri, su metodi di analisi statistica oppure su machine learning. A titolo di esempio, nel contesto del credito, l’analisi predittiva potrebbe trovare applicazione nell’individuazione dei potenziali crediti “deteriorati”;


• prescriptive analytics, più direttamente correlata al supporto alle decisioni poiché basata sull’analisi predittiva e su un insieme di azioni da intraprendere in relazione alle previsioni. A titolo di esempio, nel contesto del credito, un possibile caso di applicazione di algoritmi di prescriptive analytics si riferisce all’individuazione di azioni idonee alla riduzione dei crediti anomali;


• automated analytics, orientata all’applicazione automatica di azioni suggerite dal sistema sulla base del risultato dell’analisi.

Con particolare riferimento agli ambiti di mercato di interesse del progetto, potranno essere analizzate tecniche di predictive, prescriptive ed automated analytics, con il fine di definire nuovi algoritmi per l’analisi delle problematiche relative alla identificazione, alla gestione ed al monitoraggio del credito (deteriorato e non deteriorato).

L’attività sarà svolta in collaborazione con SDA Bocconi, per il tramite di figure di esperti nel settore dei non performing loans (o crediti deteriorati), i quali forniranno supporto nella fase di definizione concettuale degli algoritmi di analisi di big data nel contesto dei crediti deteriorati.