Uno dei temi più delicati che rientrano negli ambiti della gestione dei crediti conto terzi è certamente rappresentato dalle insidie dei cosiddetti “crediti incagliati” o, per usare un’altra espressione altrettanto significativa, dei “crediti deteriorati e semideteriorati”. Si tratta di situazioni estremamente complesse, dietro le quali si nascondono realtà aziendali e personali molto delicate, che per essere risolte hanno bisogno di un fortissimo impegno in termini di intelligenza e di capacità di analisi di scenari, di rischi, di prospettive.
“In tanti casi – esordisce Mauro Cavagna, Chief Technology and Process Officer del Gruppo Prelios – la individuazione dei fattori che possono rimettere in movimento crediti in sofferenza non solo rappresenta un risultato di business, ma può anche ridare fiducia e speranza a imprese e persone”. E la differenza, oggi più che mai rispetto al passato, arriva proprio dai dati e dalla conoscenza in termini di analisi predittiva. Intelligenza artificiale e predittività sono i due punti chiave che permettono di leggere il percorso di Prelios, gestore per conto terzi di crediti e gestore di patrimoni immobiliari. Il gruppo si occupa, tra i vari servizi, di asset management, credit servicing, servizi integrati specialistici al real estate e al mondo immobiliare. E, prima di entrare nel merito del percorso legato ai dati, Cavagna tiene proprio a precisare che questa “doppia identità” su mondo del credito e sul settore immobiliare, deriva dal fatto che gran parte dei crediti – soprattutto corporate – è solitamente garantita proprio da valori immobiliari.
Operativamente, per affrontare e gestire queste situazioni, il Gruppo Prelios agisce come una piattaforma indipendente nella quale si collocano soluzioni che coprono gran parte delle esigenze del ciclo di vita immobiliare comprendendo asset management, investment management, due diligence, real estate advisory, gestione di portafogli immobiliari, per arrivare sino al project e property management.
Le tappe fondamentali della data strategy
Non si può poi mettere sotto la lente la data strategy e il percorso avviato verso logiche di predictive enterprise del gruppo senza ricordare che, nel periodo 2017-2019, Prelios ha vissuto una crescita straordinaria nel proprio volume di business. “Eravamo al posto giusto nel momento giusto – chiosa Cavagna – per rispondere a una domanda di gestione dei crediti in sofferenza che è improvvisamente esplosa”. Tra il 2017 e il 2018 la normativa ha “sollevato” gli istituti di credito da una serie di vincoli legati alle garanzie sui crediti deteriorarti, molti dei quali hanno potuto essere ceduti e il mercato ha avuto la necessità di disporre di soggetti specializzati. Prelios ha dunque potuto sfruttare il proprio vantaggio competitivo mettendo a disposizione le proprie competenze specifiche. “Siamo passati da alcune migliaia di posizioni – mette in evidenza Cavagna – a diverse decine di migliaia e siamo riusciti a gestire questa opportunità proprio perché avevamo avviato un grandissimo lavoro basato sui dati”. Il CTPO dell’azienda tiene poi a precisare che è stato proprio il lavoro sulla predictive analytics che ha permesso a Prelios di confermare, su ordini di grandezza decisamente superiori rispetto al passato, un approccio operativo che porta una “Investor like mentality” nell’asset management, nel credit servicing e nei servizi immobiliari.
I tre fattori chiave del “metodo” Prelios
Con questa precisazione si entra a tutti gli effetti nel “metodo Prelios” che è fondamentalmente basato, come precisa Cavagna, su tre aspetti: “Identificazione precisa delle opportunità, definizione altrettanto precisa dei target e piano di azione in grado di disporre di tutte le informazioni sulle variabili e sui rischi che si devono affrontare per raggiungere gli obiettivi”. Ed è qui che entrano in gioco le capabilities del Gruppo basate su un valore aggiunto “speciale”, determinato dalla capacità di unire competenze specifiche sulla gestione dei crediti con competenze legate ai dati e all’analisi predittiva. “Il lavoro sui dati di Prelios è partito dal campo dei dati analitici – spiega -. La nostra azienda ha collezionato un’enorme quantità di informazioni che sono state mappate, ordinate, analizzate e che, grazie a questo lavoro, sono state messe nella condizione di essere utilizzate anche in chiave predittiva. Per procedere in questa direzione si è scelto di creare un modello di Machine Learning (battezzato GENIOS, acronimo di Gather Empower Narrow Identify Operate Steer) ed è stata creata una organizzazione che si è posta l’obiettivo di mettere in diretta relazione i gestori dei patrimoni con i modelli di elaborazione dei dati”. E qui si entra negli “ingredienti” veri e propri di questo modello: “Si sono cercate le fonti dei dati utilizzate dai gestori – prosegue – e si è analizzato e “ricalcato” in chiave digitale il loro percorso decisionale. Si sono quindi creati dei modelli ai quali si è affidato il compito di “addestrare” meccanismi di Machine Learning che sintetizzando le competenze delle persone con la disponibilità di una grande quantità di dati “preparati” hanno permesso di disegnare diversi scenari in funzione delle tante variabili che caratterizzano ciascun caso di credito in sofferenza. Tutto ciò ha permesso di dare vita a un sistema di analisi che è arrivato a livelli di accuratezza superiori al 70%“.
Come unire i benefici per il business e le prospettive per imprese e persone
L’altro aspetto su cui Cavagna invita a prestare attenzione riguarda il fatto che grazie a questo grande lavoro sui dati si sono aperte nuove opportunità con benefici per il business e per le prospettive dei soggetti che hanno bisogno dei servizi Prelios. “Grazie al rapporto tra dati disponibili e scenari di mercato disponiamo di maggiori strumenti per identificare le aziende che, seppure in difficoltà, “ce la possono fare” e identificare poi gli strumenti che permettono di risolvere quelle situazioni, ridando speranza a persone e imprese. E uno dei fattori critici in questo senso arriva dalla capacità di gestire grandi moli di dati legate a numerose variabili in tempi ridotti. Il futuro di molte realtà è infatti legato anche alla necessità di ricevere risposte precise in tempi molto stretti e questo modello sta permettendo di fare la differenza”.
Grazie a questo lavoro è stato poi possibile garantire il massimo livello di accuratezza anche a fronte di una domanda che, come è stato precedentemente indicato, è letteralmente esplosa. Senza dimenticare un altro carattere del Gruppo che Cavagna tiene a sottolineare: “Prelios è caratterizzata da una misurazione “ossessiva” delle performance e gli strumenti di Machine Learning si stanno rivelando straordinariamente importanti sia per dare risposte ai temi che si presentano ogni giorno sia in una prospettiva di miglioramento continuo. Ma siamo anche consapevoli – prosegue – che il vero salto di qualità lo vivremo nel momento in cui si avremo rafforzato la collaborazione tra l’Intelligenza Artificiale e l’intuito e l’esperienza dei nostri operatori”.
Una sintesi tra Machine Learning e intuito ed esperienza delle persone
Questa sintesi tra “uomo e digitale” è l’altra chiave di lettura dell’esperienza Prelios che si configura in un rapporto basato sulla “conoscenza continua” tra persone e dati. “La lettura del mercato e degli scenari che arriva dalla competenza e dalla sensibilità delle persone è un valore assoluto e la sfida su cui stiamo lavorando è proprio quella di mettere in relazione data platform di riferimento, Machine Learning, collaborazione e fiducia nei dati con le skill degli operatori. Il tutto in un percorso che ci sta portando a livelli di accuratezza superiori al 90%”.
La “squadra vincente” costituita da persone, dati e capacità predittiva è anche alla base dei next step che Cavagna indica nella possibilità di estendere il modello basato sulla capacità predittiva legata al “credito” anche sulle attività relative ai servizi immobiliari. In questo caso il manager sottolinea un altro “fattore abilitante” dettato dalla possibilità di utilizzare i dati del “mondo Prelios” unitamente a fonti dati esterne, per aumentare la capacità di analisi e la loro precisione. “Nel nostro Paese – commenta al riguardo – c’è una grande disponibilità di dati pubblici, ci sono tante fonti utili, ma occorre gestire questa opportunità con grande attenzione in funzione delle regole di accesso, della complessità di utilizzo e in generale delle regole che sottostanno al management di ciascuna di queste data source. In definitiva, è una sfida che impone un’attenzione molto particolare ad altri due aspetti che sono determinanti e che fanno la differenza nello sviluppo di una predictive enterprise: la governance dei dati e il rigore nella data quality”.
