Le banche corrono verso l’AI, ma prima devono mettere ordine nei dati, ma portafogli storici e informazioni incomplete rischiano di compromettere le analisi.
Questo è il punto di arrivo dell’analisi fatta da Datasinc, secondo cui le informazioni non aggiornate possono rendere il rischio più difficile da leggere.
Il problema emerge soprattutto nei portafogli storici, dove immobili, proprietari e informazioni cambiano nel tempo. In un caso analizzato da Datasinc su circa 197 mila immobili posti a garanzia, l’8,7% degli identificativi catastali risultava soppresso e da aggiornare.
Sapere con precisione quale immobile è posto a garanzia è oggi essenziale anche per valutarne classe energetica e rischi fisici, come alluvioni o terremoti. Su questi temi Datasinc ha lavorato anche nell’ambito di Milano Hub della Banca d’Italia e a uno studio sull’utilizzo del machine learning per stimare la classe energetica degli immobili.
Quando i dati sembrano corretti, finché non vengono messi insieme
Uno dei casi più significativi riguarda un portafoglio composto da oltre 587 mila registrazioni, relative a circa 373.800 immobili posti a garanzia, 235 mila soggetti e 168 mila riferimenti ipotecari. A una prima verifica il database appariva in buone condizioni: considerando separatamente i singoli campi, gli errori formali rilevati erano inferiori al 4%.
La fotografia cambiava però nel momento in cui venivano messe insieme tutte le informazioni necessarie per capire con certezza che cosa garantisse effettivamente ogni credito. Solo nel 44% delle posizioni del portafoglio immobile, soggetto e ipoteca risultavano contemporaneamente presenti e coerenti tra loro.
Il restante 56% comprendeva informazioni mancanti, riferimenti non aggiornati o posizioni da verificare. Tra queste, 38 mila posizioni risultavano collegate a soggetti non indicati nei sistemi della banca come garanti o debitori.
Il punto non è quindi che metà dei dati bancari sia errata, ma che un archivio può apparire corretto finché le informazioni vengono considerate separatamente.
“Per sapere realmente quale garanzia ha una banca bisogna riuscire a collegare tre elementi: il credito e la relativa ipoteca, l’immobile e il soggetto coinvolto”, spiegano Nicola Chiarini e Francesco Braggiotti di Datasinc. “Se questi elementi non dialogano tra loro, qualsiasi analisi successiva parte da una fotografia che può essere incompleta. Con l’intelligenza artificiale vale ancora di più il principio del garbage in, garbage out: un modello molto sofisticato non può compensare automaticamente un dato di partenza che non rappresenta più la realtà”.
Se un modello parte da un immobile sbagliato, da una garanzia non aggiornata o da un soggetto associato in modo errato, anche il risultato dell’analisi rischia di esserlo. Per questo, prima di automatizzare valutazioni di rischio, analisi di portafoglio o processi di credito, diventa essenziale verificare l’affidabilità delle informazioni di partenza.
“L’AI può diventare uno strumento molto utile per il credito e il risk management”, conclude Braggiotti. “Ma se i dati di partenza non sono affidabili, il rischio è semplicemente automatizzare anche gli errori”.
