L’economia delle informazioni transazionali

Vecchi e nuovi miti dell’informazione economica 

C’è in tutte le teorie economiche un fantasma che rischia di annullarle, rendendole incapaci di spiegare il mondo reale delle relazioni tra consumatori, risparmiatori, investitori, imprese, governi. Il fallimento degli economisti nel non prevedere la Grande Recessione del secondo decennio del secolo ce lo sta impietosamente a ricordare.

E’ il mostro della insufficienza della informazione, delle ipotesi irrealistiche (la concorrenza perfetta, la teoria dell’equilibrio generale) e delle approssimazioni eccessive, della ubris di spiegare il mondo con le equazioni, cui si contrappone la forza incalcolabile delle asimmetrie, che generano i maligni folletti dell’azzardo morale e della selezione avversa, per non dire della manipolazione come strategia per creare sui mercati fake news interessate.

L’informazione che si genera dalle interdipendenze tra gli attori economici e quindi dalle influenze dei comportamenti reciproci (equilibrio di Nash) apre poi a un mondo di sconfinate soluzioni, riflettendosi sulla capacità di promuovere o meno incentivi efficaci (a’ la Thaler) per le platee dei portatori di interesse. Ma attenzione! Non siamo alla mano invisibile di smithiana memoria, ma alla mano visibile di interessi in contrapposizione e di forze contrattuali differenziate che si confrontano, siamo nel mondo della economia politica e delle istituzioni.

Dalla distorsione informativa bisognerà costantemente difendersi. Dovremo evitare di rincorrere acriticamente altri miti come può avvenire oggi con i big data e l’intelligenza artificiale, presentati come pietra filosofale per trasformare tutto in oro informativo, cioè in una nuova pretesa oggettività, senza robusti modelli concettuali e verifiche sulla consistenza dei risultati. Le disparità tra gli attori economici non saranno mai appianate, anche se miglioramenti potranno esservi.

L’informazione transazionale e i casi d’uso di FlowPay

Fatta questa premessa un po’ altisonante, voliamo basso, cioè stiamo al concreto. Ci sono trasformazioni nella informazione alla base delle relazioni economiche su cui riflettere, per ottenere alcuni positivi risultati. Uno dei nodi essenziali è la quantità e la qualità dell’informazione che si scambiano debitori e creditori. Riguarda le banche e i finanziatori d’ogni specie. Il rapporto debito-credito è elemento fondante di qualsiasi relazione. L’impresa si identifica nella fiducia del mondo che la circonda.

Qual è il mix di informazione ottimale di questo rapporto? E’ ottenibile dai bilanci (Conto Economico, Stato Patrimoniale, Rendiconto Finanziario, Indici di bilancio), dalle Centrali dei Rischi, dai confronti settoriali, dalle visure camerali e catastali, dalle fonti di stampa, dalla pubblicità dei media, dalle recensioni sulle piattaforme di e-commerce, da altra informazione acquisibile in rete. Può essere ulteriormente arricchito? Elaborato attraverso modelli di analisi nuovi (la cosiddetta business analytics), per giungere a più sensibili indici di scoring o di rating, per stabilire probabilità di default e perdite attese. Flessibilità e rigidità dei rapporti di debito-credito possono trovare migliore conciliazione.

Può essere costruita un’altra informazione più di dettaglio, perché fondata sulle singole transazioni, integrabile con le altre fonti di cui sopra e quindi ancora più precisa nel determinare la condizione finanziaria delle imprese? Quali gli obiettivi da verificare? Quali modelli di business possono essere costruiti? Quali i vantaggi reciproci per banche e imprese?

Le informazioni ricavabili da ogni singola transazione sono indubbiamente numerose e rilevanti. Basti esaminare quelle insite in una singola fattura commerciale: dal nome, al settore di operatività del cliente, dalla causale del pagamento, ai prezzi unitari delle merci e dei servizi scambiati, dall’ammontare dell’importo ai tempi e ai canali del pagamento, dai comportamenti ricorrenti, a ogni altra informazione proveniente dalla descrizione testuale della transazione.

Dal trattamento di questi dati si percepisce l’utilità in termini di misurazione anche prospettica della liquidità aziendale e del rischio di credito, di individuazione di comportamenti virtuosi (ad esempio sul grado di adesione agli schemi ESG) o anomali (evidenza di frodi, aggiramenti delle norme fiscali o antiriciclaggio), della possibilità di trovare soluzioni per servizi personalizzati, sempre più efficienti.

I flussi di pagamento sono infatti predittivi dei rischio di credito futuro. Alla base delle attuali previsioni vi sono la prolungata pressione sulla redditività, la riduzione delle riserve di liquidità e le condizioni creditizie più restrittive e di maggiore durata praticate dalle banche rispetto a quanto programmabile fino a poco tempo fa.

Molte più informazioni quanti-qualitative possono essere incorporate nelle valutazioni per sostenere l’aumento del credito, a parità di rischio, espandendo queste categorie di dati in funzione:

– previsionale (per la determinazione del cash flow prospettico che diverrà una variabile rilevante per valutare il merito creditizio anche sotto il profilo regolamentare),

– di rischio di reputazione dell’impresa, il cui peso valutativo è destinato ad aumentare per misurarne il grado di conformità alle norme,

– di sfruttamento di nuove opportunità nel mercato digitale, con l’accesso a servizi aggiuntivi, intervendo sulle modalità di aggregazione, separazione, condizionamento e loro combinazioni delle operazioni di incasso e pagamento. Qui i casi d’uso del Fintech FlowPay.

Su questi focus si incentrerà il futuro della relazione banca-impresa, nel più complesso contesto delle relazioni con il fintech.

Nuove modalità di acquisizione e trattamento dei dati 

Oggi a queste fonti informative si aprono ampie possibilità di sfruttamento tramite i servizi che identificano l’open banking: essi sono quelli di Account Information e di Payment Initiation, offerti da operatori di terza parte. I primi consentono di raccogliere informazioni sui movimenti di conto, i secondi di orchestrare pagamenti e incassi secondo modalità di ottimizzazione, per recuperare risorse liquide in termini sia di capitale circolante che di capitale fisso.

Con la prossima entrata in vigore della terza direttiva europea sui servizi di pagamento, si potrà poi consentire a detti operatori di accedere anche ai dati finanziari, cosa che amplierà la vista anche alle attività finanziarie detenute. L’integrazione di questi dati consentirà la costruzione di modelli sempre più complessi, che segneranno il vero vantaggio della digitalizzazione del governo finanziario dell’impresa.

Il tema è di avere un modello per il trattamento di questo genere di informazioni.Uno dei primi è proposto da Prometeia che sembra abbia molti vantaggi, nell’interpretare questa tipologia di informazioni, ricca e allo stesso tempo complessa, stante le caratteristiche quantitative e qualitative dei dati, la loro variabilità temporale, la loro disomogeneità in base alle fonti.

E’ un’applicazione di deep learning, basata su una preliminare categorizzazione della informazione dalle singole transazioni e quindi su una proposta di trattamento di dati tabulari e di serie temporali, per avere ritorni sulla misurazione dei fenomeni avanti descritti.

La strada può essere realmente foriera di interessanti sviluppi, riuscendo a mostrare le potenzialità insite nel trattamento massivo e finalizzato dei dati ricavabili con i servizi di AIS e PIS e a costruire un rapporto tra banche e terze parti che, superate le diffidenze che finora le caratterizzano, soprattutto da parte delle prime, possa determinare un sostanziale cambiamento tra il mondo dei servizi finanziari e quello della produzione.