“Nel mondo bancario, fino al 30% delle revenue tradizionali potrebbe scomparire nelle prossime due decadi a causa delle minacce competitive di nuovi player, di cambi nell’assetto regolamentare e dell’adozione di criptovalute su rete blockchain”. È quanto si legge nella ricerca Bank Data di Accenture. In tale contesto, la Data Monetization può giocare un ruolo importante.
In effetti, l’intera industry finanziaria sta fronteggiando sfide inedite che si ripercuotono sulla capacità di generare profitti: il paradigma di Open Banking, per esempio, deve essere adottato correttamente per dare frutti, c’è una competizione sempre più pressante da parte delle Big Tech su segmenti importanti della catena del valore finanziario, oltre a sempre maggiori esigenze di agilità e data privacy che spingono i player lungo il percorso di trasformazione digitale.
Cosa si intende per Data Monetization strategy nel finance
In questo scenario, una quota sempre maggiore di operatori finanziari identifica nella valorizzazione dei dati il perno su cui costruire nuove fonti di introito e, soprattutto, il proprio business del futuro.
Ma di cosa si tratta? A tal proposito, è utile partire dalla definizione di Gartner, secondo cui la Data Monetization è, in maniera piuttosto semplice, il processo di utilizzo dei dati finalizzato all’ottenimento di un beneficio economico quantificabile. Gli operatori finanziari, e soprattutto le banche, operano su sterminati giacimenti di dati, che com’è noto hanno scarso valore se non intraprendono la strada della valorizzazione, trasformandosi in insight utili per costruire vantaggio competitivo e differenziazione per sé e/o per i propri partner. In realtà, anche i raw data bancari hanno un valore economico e la loro condivisione con operatori specializzati in Big Data Analysis è uno dei possibili modelli di business dell’era 4.0, ma senza dubbio quello meno innovativo e redditizio.
I benefici della valorizzazione dei dati
Le banche e gli altri operatori finanziari stanno già percorrendo la strada della Data Monetization indirizzandola principalmente allo studio del comportamento del cliente e alla compliance, ma gli analisti sono concordi nel ritenere che il vero potenziale dei dati non sia stato ancora realizzato. Tutto ciò è interessante, poiché – sempre secondo Accenture – la Data Monetization nel finance potrebbe determinare, adottando modelli di business noti, un incremento delle revenue nell’ordine dell’1%-2%. A tutto ciò si aggiunge il fatto che la stragrande maggioranza dei clienti (70%) è disposta a concedere l’utilizzo dei propri dati (all’interno dei vincoli di privacy, s’intende) in cambio di nuovi servizi e promozioni.
Le potenzialità sono immense, e non è un caso che proprio il finance sia un settore di riferimento nell’ambito della valorizzazione dei dati: non ancora prossimo al traguardo, ma pur sempre un apripista. Lo conferma l’Osservatorio Big Data & Business Analytics del Politecnico di Milano quando afferma che il mercato delle soluzioni di Analytics è dominato dalle banche e dai player del settore finanziario, con un market share del 28%.
Data Monetization e sorgenti di dati
Come funziona, dunque, la Data Monetization nell’universo finanziario? La prima domanda che ci si pone riguarda le sorgenti dei dati, un tema che può essere inquadrato sotto diversi punti di vista e classificazioni. Se parliamo di tipologie di dato, quelli cui le banche hanno accesso sono:
Zero-Party Data
Sono i dati condivisi volontariamente dal cliente al provider di servizi finanziari. Survey, questionari tramite app di mobile banking e sondaggi su account social sono strumenti ideali per acquisire dati su cui costruire la personalizzazione dei servizi. Sono dati affidabili e, al tempo stesso, low cost. Vengono usati soprattutto dal marketing per conoscere meglio clienti e prospect, migliorare l’engagement, rafforzare la retention e la CX; inoltre, sono dati privacy friendly perché forniti in modo diretto e spontaneo. Giusto per inquadrare l’importanza di questa tipologia di dato, Bank of America invia poco meno di 100 milioni di survey ogni anno.
First-Party data
Derivano dal monitoraggio del comportamento dei clienti attraverso varie dinamiche come l’aggregazione dei dati di pagamento, le attività di marketing automation sui canali dell’azienda, lo storico delle relazioni con la banca e via dicendo. Anche questi dati sono affidabili e poco costosi, ma meno privacy friendly dei precedenti, poiché non vengono forniti in modo spontaneo. I First-Party Data sono fondamentali per lo sviluppo di campagne di acquisizione tailored, per migliorare il customer journey e le operations.
Second-Party Data
Questa tipologia e la successiva completano e arricchiscono i dati di acquisizione diretta. I Second-Party Data sono acquisiti da un’azienda partner (sono i suoi First-Party Data) e condivisi con l’istituzione finanziaria per segmentare ulteriormente la propria audience e raggiungere nicchie particolari non presenti nei data set proprietari.
Third-Party Data
Sono raccolti da Data Collector che non hanno rapporti con chi ha fornito i dati. Vengono raccolti e aggregati da svariate fonti pubbliche e private: piattaforme, app, social network e siti web, andando a fornire un’immagine molto più completa del cliente. Talvolta vengono forniti come pacchetti aggregati per industry, use case e categorie di consumatori; vengono poi integrati in piattaforme di Data Management (DMP) e arricchiscono le precedenti tipologie.
Agli albori della Data Monetization nel finance, la stragrande maggioranza dei dati era di provenienza interna: oggi, secondo CGI, l’80% proviene dall’esterno e il rimanente 20% è di acquisizione diretta. I dati, a prescindere dal tipo, sono presenti ovunque nell’attività di un operatore finanziario. Molto interessanti, per esempio, sono i dati di compliance, utilizzati (per esempio) per soddisfare la normativa antiriciclaggio, poiché vanno a descrivere perfettamente il comportamento del cliente nel rapporto con l’istituzione finanziaria; i dati di pagamento, dal canto loro, permettono di identificare rapidamente trend di mercato e modifiche nei comportamenti d’acquisto, facendo in modo che la banca predisponga nuovi prodotti e servizi ad hoc. Si pensi, a tal proposito, ai cambiamenti repentini causati dalla pandemia.
Le sfide della monetizzazione dei dati: dai silos alla data quality
Si è già detto che, pur essendo gli operatori finanziari degli apripista nella valorizzazione dei dati, di strada da percorrere ce n’è ancora molta.
Quali sono dunque le sfide che separano un operatore più tradizionale dalla piena valorizzazione dei dati? Parliamo di operatori tradizionali poiché il fenomeno fintech nasce proprio su fondamenta di agilità e sull’adozione di tecnologie innovative (cloud, intelligenza artificiale…), risultando nativamente abilitato alla valorizzazione dei dati.
Silos di dati
L’operatività a silos che ha contraddistinto gli operatori finanziari per decenni si ripercuote sull’accessibilità e la capacità di integrazione dei dati.
Competenze insufficienti
Com’è noto, i Data Scientist non sono risorse abbondanti nel mercato attuale, eppure sono fondamentali per l’esecuzione di qualsiasi strategia data-driven.
Data quality
La qualità dei dati lascia spesso a desiderare (errori, dati incompleti) e il lavoro di preparazione da parte dei Data Scientist è una parte cospicua dell’intero percorso di valorizzazione
Democratizzazione dei dati
Nonostante la complessità del tema, è necessario che i dati possano essere interpretati e trasformati in valore anche da personale non tecnico. Sono quindi necessarie piattaforme e tool che portino il paradigma self nel mondo della Data Monetization finanziaria
I possibili Data Monetization business model
In un percorso di valorizzazione dei dati, gli aspetti tecnici sono fondamentali, ma lo sono altrettanto quelli di business. Ovvero, in che modo banche e istituti finanziari possono ottenere quell’incremento di revenue dell’1%-2% riportato in apertura?
Data Monetization interna ed esterna
Per prima cosa, occorre distinguere tra due tipi di Data Monetization, quella interna e quella esterna. La prima è quella più diffusa e comune, nonché manifestazione tangibile del concetto di data-driven company: fare Data Monetization interna significa usare gli insight derivanti dai dati per indirizzare il decision-making e ottimizzare i processi interni. Dalla giusta indagine sui dati possono nascere svariate opportunità di ottimizzazione dei costi, di miglioramento dei processi interni e anche di up-sell.
La monetizzazione interna è fondamentale, ma da sola non crea nuovi canali di revenue, ed è per questo che gli operatori stanno cercando di affiancarla a modelli di business basati sulla monetizzazione esterna dei dati, che si prefigge di creare nuovi prodotti, servizi e fonti di reddito per l’azienda. Di un modello si è già detto, ovvero quello della vendita dei dati raw a provider di insight, ma un’ipotesi decisamente più avanzata – per quanto più complessa da implementare – è far sì che l’operatore finanziario diventi esso stesso un insight provider, condividendo le informazioni con operatori di terze parti per realizzare attività di marketing mirate oppure ‘vendendole’ agli stessi clienti sotto forma di servizi personalizzati a valore aggiunto. Buona parte del paradigma di finanza innovativa ruota attorno alla valorizzazione dei dati, e questo modello è uno di quelli vincenti su cui – tra l’altro – si basa l’equilibrio tra fintech e incumbent.
Data Monetization platform, il ruolo di Cloud e AI
I benefici della valorizzazione dei dati nel contesto finanziario sono pressoché infiniti. Nuovi servizi, migliore relazione col cliente, automazione del customer service (gli assistenti virtuali sono ovunque), abbattimento dei rischi. Inoltre, rende possibili decisioni migliori sulla concessione del credito, per le quali i dati di mercato (second o third-party) hanno particolare rilevanza.
Il futuro dei processi decisionali è predittivo
Come in ogni altro ambito di business, anche nel finance/banking il presente e il futuro dei processi decisionali è predittivo. Un esempio tipico è la previsione del lifetime value di un particolare cliente. Esso può apparire concettualmente semplice. Ma in realtà si scontra spesso con i vincoli dei silos interni. E fai i conti con la necessità di arricchire i dati con diverse fonti esterne per avere un quadro preciso e poter intervenire con i prodotti giusti e i servizi più adatti. In quest’ambito, l’approccio predittivo si manifesta nel comprendere di cosa il cliente avrà bisogno e quando. Questo per personalizzare il rapporto ai massimi livelli e anticipare i competitor. Tutto ciò vale per i servizi ai privati. Ma a maggior ragione vale per quelli erogati alle aziende, come quelli di cash flow forecasting a sostegno della liquidità delle imprese.
AI aiuta gli operatori finanziari a personalizzare il rapporto con i clienti, ad efficientare i processi tramite automazione, a impiegare al meglio gli asset e le risorse disponibili. Tra le svariate applicazioni possibili, non si può dimenticare il suo ruolo nei sistemi antifrode. Servizi nati per arginare una delle minacce più devastanti per il sistema finanziario. In questo ambito si assiste a una battaglia silenziosa e continua tra chi attacca e chi difende. I primi puntano su Scam elaborati e basati sul social engineering per ottenere pagamenti indebiti, utilizzando anche meccanismi come la CEO Fraud e BEC, Business e-mail Compromise. Un sistema antifrode rule-based assegna uno scoring alle transazioni basato su regole fisse, non tenendo conto della straordinaria creatività dei cyber criminali. L’intelligenza artificiale applicata alla data analysis è l’unico strumento in grado di evolvere insieme alle minacce. Essa applica modelli comportamentali soggetti a cambiamento e miglioramento continuo.
L’utilità del cloud
Infine, anche il cloud è un pilastro della Data Monetization. L’enorme volume di transazioni, processi e interazioni che il mondo finanziario deve gestire ogni giorno si allinea alla perfezione con la scalabilità del cloud e con la sua capacità di garantire customer experience di primissimo piano. Mentre le esigenze di conformità trovano una risposta sempre più convincente in modelli ibridi che ottimizzano performance e controllo.
