RISK MANAGEMENT ANALYTICS

Molte aziende "parlano" di risk management, creano elenchi, definiscono strategie di mitigazione e si avvalgono di consulenti a supporto. Ma un numero decisamente minore di aziende utilizza i dati a disposizione per quantificare il rischio (finanziario e non) e per supportare il processo decisionale in modo proattivo e moderno.

Gli strumenti di Small e Big Data Analytics possono essere utilizzati per:

  • Quantificare i rischi sulla base di dati storici, di informazioni provenienti da organizzazioni simili o dati di terze parti
  • Utilizzare le informazioni sui pattern di rischio storici per prevedere i rischi futuri
  • Costruire modelli per supportare le decisioni di investimento, che prendano in considerazione costi e probabilità di rischio
  • Sviluppare modelli di rischio che supportino i manager quando vi sono pochi dati storici a disposizione
  • Utilizzare modelli comportamentali per studiare i pattern emergenti, individuare anomalie e anticipare le future modalità di rischio

Fraud Detection

Obiettivo primario di un progetto di Fraud detection analitico è quindi quello di sintetizzare, attraverso una serie di punteggi ed alert specifici, le determinanti che possano anticipare gli eventi fraudolenti, fornendo al Management una serie di tool per la gestione preventiva (e continuativa) delle frodi.

I pattern di frode possibili sono molteplici ed in continuo (e rapido) mutamento. In particolare vi sono due tematiche che necessitano di essere trattate attraverso l’ausilio di modelli statistici, quali:

  • Anomaly detection: l’individuzione di pattern ed eventuali anomalie nell’utilizzo dei canali per le attività di banking è di fondamentale importanza per la banca; risulta quindi utile modellizzare e attribuire uno scoring a dei clienti e/o conti che presentano cambiamenti o anomalie nel pattern di utilizzo dei servizi bancari.
  • Mule account prediction: si tratta di Conti Corrente utilizzati per raccogliere fondi provenienti da attività fraudolenta che vengono a loro volta utilizzati per l’ultimo step della sottrazione dei fondi Risulta quindi di primaria importanza individuare i Conti Corrente che hanno alta probabilità di essere dei Mule Account;

L’implementazione di modelli di previsione delle frodi, che assegnino ad ogni cliente/conto corrente la probabilità che quest’ultimo possa essere connesso ad attività fraudolente, viene realizzato attraverso un’elaborazione statistica di particolari comportamenti e attributi (movimenti anomali e/o presenza di caratteristiche rilevate come fattori di rischio, etc.) che i singoli clienti manifestano in un periodo di tempo prefissato, precedente il momento della previsione.

Credit risk management

Lo sviluppo dell’apparato statistico per la quantificazione del rischio di credito, secondo l’approccio Internal Rating Based, richiede la costruzione di modelli statistici idonei alla stima di tre indicatori per ogni esposizione in portafoglio:

  • PD (probability of default)
  • LGD (loss given default)
  • EAD (exposure at default)

Per la stima di ciascuna delle tre componenti, si procede con la costruzione di uno o più modelli di scoring a seconda dell’omogeneità dei tassi di insolvenza delle esposizioni che compongono il portafoglio.

Nella costruzione di un sistema di rating interno gli aspetti principali da affrontare riguardano:

  • Definizione di default
  • Estrazione dei campioni per lo sviluppo dei modelli
  • Analisi della profondità storica dei dati comportamentali interni
  • Qualità dei dati disponibili e selezione delle informazioni utili
  • Valutazione acquisizione dati da banche dati esterne
Vuoi avere maggiori informazioni? Contattaci