Banche
Al servizio di istituti finanziari e fintech in Spagna
Modelli di approvazione basati su variabili tradizionali che sottovalutano clienti affidabili privi di uno storico creditizio formale, o che non colgono i primi segnali di deterioramento nel portafoglio esistente.
Schemi di frode in continua evoluzione (carte, bonifici, furto di account) mentre i sistemi basati su regole vengono aggiornati con settimane di ritardo.
Campagne massive con bassa conversione perché il prodotto arriva al segmento sbagliato nel momento sbagliato. Il cliente vede l'offerta di mutuo tre mesi dopo averne avuto bisogno.
Richieste su movimenti, prodotti e operazioni che saturano call center e app con domande che un modello potrebbe risolvere in pochi secondi.
01
Modelli che arricchiscono lo scoring tradizionale con variabili comportamentali transazionali, schemi di utilizzo del conto, segnali sul comportamento di pagamento e fonti di dati alternative. Migliore distinzione tra buoni e cattivi pagatori, e accesso a segmenti poco serviti dallo scoring classico.
Cosa cambia
Morosità precoce ridotta del 15-25% nel nuovo portafoglio in cui si applica il modello. Tasso di approvazione migliorato per i clienti affidabili privi di storico formale.
02
Modelli che assegnano in millisecondi un punteggio a ogni transazione rispetto agli schemi di comportamento abituali del titolare: importo, orario, geolocalizzazione, frequenza e sequenza. Le transazioni sospette vengono bloccate o sottoposte a verifica; quelle normali non generano alcun attrito.
Cosa cambia
Il tasso di individuazione delle frodi migliora del 40-60% rispetto ai sistemi a regole statiche. Falsi positivi (transazioni legittime bloccate) ridotti: meno attrito per il cliente.
03
Un modello di propensione al prodotto (mutuo, prestito personale, fondi, assicurazioni) addestrato sul comportamento del cliente: variazioni di stipendio, movimenti di risparmio, scadenze in arrivo. Il gestore riceve l'offerta giusta per il cliente giusto al momento giusto.
Cosa cambia
La conversione delle campagne migliora del 25-40% rispetto alle campagne non personalizzate. Clienti contattati con offerte pertinenti, non con l'intero catalogo.
04
Un assistente su app, web e WhatsApp che risolve richieste su movimenti, saldi, prodotti, operazioni e reclami. Conosce il contesto del cliente e passa a un gestore quando servono negoziazione o vera complessità.
Cosa cambia
Riduzione del 55-70% delle richieste semplici al call center. App bancaria con risoluzione immediata delle 80 domande più frequenti. I gestori dedicano il tempo ai clienti di maggior valore.
05
Modelli che individuano segnali di deterioramento creditizio nel portafoglio esistente: cambiamenti negli schemi di spesa, maggiore utilizzo del credito, irregolarità nei pagamenti. Il gestore riceve un avviso 60-90 giorni prima che compaia un mancato pagamento.
Cosa cambia
Il tasso di recupero nella gestione precoce è 3-5 volte superiore a quello del recupero dopo l'insolvenza. Accantonamenti ridotti grazie a una minore morosità nei portafogli gestiti in modo proattivo.
3-4 settimane
Audit dei dati disponibili, della qualità dello storico creditizio e transazionale e dei processi critici. Individuiamo i 2-3 casi con un ROI difendibile davanti al comitato rischi.
10-16 settimane
Implementazione di uno scoring migliorato, del rilevamento delle frodi o del monitoraggio del portafoglio su un prodotto o segmento definito.
6-10 mesi
Per gli istituti che vogliono un'IA consolidata su rischio, frodi, offerte e assistenza, su un'architettura dati comune.
La conformità è un vincolo di progettazione. I modelli di scoring e antifrode vengono sviluppati con spiegabilità documentata (variabili usate, peso relativo, logica decisionale), backtesting statistico formale e documentazione per le verifiche dell'autorità di vigilanza o del compliance officer interno. Le linee guida EBA sull'uso del machine learning nel credito fanno parte del quadro di sviluppo.
Con una base giuridica adeguata (legittimo interesse per l'antifrode, esecuzione del contratto per lo scoring), sì. Il DPO dell'istituto partecipa fin dall'inizio per validare la base giuridica e il trattamento. I dati non escono dal perimetro dell'istituto.
Il consolidamento dei dati è quasi sempre la prima consegna nei progetti bancari. La diagnosi mappa esattamente quali dati si trovano in quale silo e propone l'architettura di integrazione. Non è un ostacolo: è lavoro di progetto.
Diagnosi: 8.000 €-15.000 €. Pilota (scoring o antifrode su un prodotto): 45.000 €-90.000 € a seconda di volumi e complessità. Piattaforma completa: 150.000 €-300.000 € e oltre, distribuiti su più mesi. Negli istituti di medie dimensioni il ROI derivante da frodi evitate o minore morosità copre di solito il pilota nel primo anno.
È un punto di partenza perfetto. Lo analizziamo, individuiamo dove lascia valore sul tavolo (segmenti sottovalutati, variabili che non usa, segnali di deterioramento che non coglie) e proponiamo miglioramenti incrementali o un modello challenger in parallelo prima di sostituire quello attuale.