La capacità di sfruttare in modo utile i dati disponibili è l’obiettivo della banking data analytics, practice che diventa sempre più fondamentale per l’innovazione della banca e il successo delle iniziative di business.
L’analisi dei dati aiuta a migliorare la conoscenza dei clienti, a ottimizzare i processi bancari per renderli più agili e veloci anche attraverso l’automazione. Aiuta inoltre ad accrescere le capacità di controllo e previsionali sia sulle aree tradizionali sia sui nuovi progetti.
Molti eventi che caratterizzano la vita delle persone, come un matrimonio, un cambio di lavoro o di residenza, si associano con bisogni finanziari specifici, individuabili attraverso la banking data analytics.
Le tecnologie di analisi applicate alla mole dei dati bancari sono in grado d’individuare pattern significativi nei comportamenti dei clienti e quindi generare conoscenze utili per proporre i prodotti finanziari di maggior interesse, nel momento più efficace. Una capacità che riduce l’invasività e i costi delle campagne, indirizzando le platee potenzialmente più ricettive, dove potrebbero inserirsi le soluzioni concorrenti.
La banking data analytics aiuta inoltre a capire su quali prodotti del portafoglio bancario c’è, in un dato momento di mercato, un vantaggio competitivo. Scoprirlo permette, per esempio, di concentrare l’impegno promozionale su ciò che ha più opportunità di portare profitti o nuovi clienti.
Con l’avvento di PSD2 (Payment Services Directive 2) e dell’open banking c’è oggi un maggiore potenziale nell’utilizzo dei dati cliente, sia per approfondirne la conoscenza sia per erogare nuovi servizi.
Le banche hanno fatto in passato grandi investimenti per adottare sistemi di gestione integrati capaci di rendere efficienti i processi interni e controllare i budget. Più raramente hanno applicato le tecnologie analitiche per valutare i processi con lo scopo di migliorarli. La banking data analytics, unitamente al process mining, consente di identificare i colli di bottiglia dei processi bancari, quindi studiare cosa serve per ottenere miglioramenti significativi.
Per l’ottimizzazione dei processi sono oggi disponibili alcune tecniche avanzate che, a partire dall’analisi e classificazione dei flussi di dati, permettono d’identificare i percorsi statisticamente rilevanti ai fini dell’operatività, segnalando le interruzioni o le deviazioni dallo standard che servono per garantire l’agilità. L’utilizzo della banking data analytics nei processi aiuta a capire dove è utile introdurre un maggior livello di automazione, per esempio, 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. Non è infatti in gioco la sostituzione dell’essere umano, ma l’efficienza di processi che richiedono azioni immediate oppure dove l’operatore svolge meglio il proprio ruolo decisionale affidando al sistema gli oneri della ricerca di dati e di documenti utili al processo.
Un altro utilizzo della banking data analytics riguarda l’individuazione di insight e trend che servono per pianificare 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.
Modelli analitici applicati ai dati dei soli primi 10 giorni effettivi di un mese sono in grado di prevedere se i risultati non saranno in linea con gli obiettivi; quindi, permettono di intervenire su persone o risorse per recuperare terreno e chiudere positivamente i consuntivi mensili. Tecnologia dei dati e modelli predittivi consentono oggi di anticipare di un mese le valutazioni degli andamenti che oggi a consuntivo sono disponibili con significativo ritardo.
In sintesi, la banking data analytics ha un grande potenziale per l’innovazione del settore bancario, sui fronti del cliente, dei processi, dell’automazione e del controllo. Per ottenere questi vantaggi, è importante sviluppare strategia e competenze per gestire la massa dei dati già oggi disponibili.