L’autore di questo post è Marco Belmondo, Chief Marketing Officer del gruppo Datrix AI applications –

Gli Alternative Data sono quell’insieme veramente “big” di dati ricavabili intelligentemente da ambienti digitali come social, blog, forum, mappe e piattaforme di e-commerce. Sono in origine non strutturati, ossia nascono sotto forma di testi o immagini o addirittura tracce vocali e in quanto tali abbisognano di traduzione in numeri.

Vengono normalmente definiti per differenza rispetto ai dati tradizionali, in origine già strutturati in serie numeriche e ricavabili da sistemi proprietari delle aziende (es. da siti, app, CRM, database privati) o pubblici (es. valori di Borsa, bilanci, database pubblici).

Il dataset tradizionale da solo non è più sufficiente per creare valore e distinguersi dalla concorrenza, ed ecco quindi che è partita la ricerca verso dataset alternativi. Soprattutto per applicazioni finanziarie, ma vedremo delle rilevanti estensioni in ambito marketing e sales. Per raccogliere ed analizzare questi dati, occorre conoscere le logiche di comunicazione e distribuzione proprie degli ambienti digitali e servono tecnologie di Artificial Intelligence dedicate (machine learning, comprensione del linguaggio naturale, …).

Gli utilizzi degli Alternative Data sono di due tipi: informativo e predittivo.

Il primo significa mettere a disposizione indicatori e alert nuovi tratti dai Dati Alternativi, filtrati, classificati e “pesati” in base a popolarità, sentiment, volatilità. Tutto ciò è tanto più interessante in campo finanziario se il software è in grado di distinguere tra notizie finanziarie e informazioni non ancora finanziarie, perché nate ad esempio in ambito legal o consumer (pensate alle tech community che parlano di smartphone). Proprio qui spesso vanno colti i cosiddetti weak signal ossia segnali deboli ma provenienti da fonti autorevoli e con una diffusione in crescita, predittiva, sulla base di sofisticati algoritmi di anomaly detection, dell’importanza che assumeranno presto anche ad esempio in ambito finanziario.

I team di Consulenza Finanziaria dagli Alternative Data possono ottenere temi innovativi di investimento da proporre ai clienti (ad esempio portafogli sulle tematiche Blockchain, auto elettrica) e possono essere più competitivi in termini di costi e servizi, considerato che con la MiFID II vince chi si evolve nel campo dei servizi customizzati.

Con gli Alternative Data gli Investor Relations Manager delle società quotate o quotande possono monitorare il sentiment del mercato in relazione al proprio titolo, distinguendo tra la valutazione finanziaria e commerciale dell’azienda nel suo complesso, entrando poi nel dettaglio relativamente a prodotti e servizi attuali, prodotti e servizi futuri, opportunità di business, reputazione del management, criticità legali; possono gestire in maniera puntuale e veloce eventuali incomprensioni prevenendo potenzialmente sussulti e oscillazioni sconsiderate del mercato azionario o comunque limitando i rischi; possono monitorare il sentiment digitale del mercato in relazione ai titoli della concorrenza.

Ma anche i Regolatori, come Consob, possono trovare un valido supporto per analizzare i flussi delle negoziazioni ed individuare comportamenti illeciti, per leggere e ottenere allarmi sui documenti informativi che i vari emittenti sottopongono loro in quantità ciclopica, per intervenire prontamente e prevenire disastri divenuti nostro malgrado irreparabili come Parmalat ed Etruria, di cui in Rete però si parlava da tempo.

La seconda tipologia di utilizzo degli Alternative Data è per verifica, ottimizzazione e predizione, ma previa combinazione con i dati tradizionali.

Applicando il machine learning ai dati finanziari tradizionali di bilancio relativi alle PMI si possono ricavare e analizzare contemporaneamente in profondità molte più variabili e se ne possono aggiungere altre estremamente rilevanti estratte dagli Alternative Data digitali. A tutto vantaggio ad esempio del Credit Management che ha così la possibilità di migliorare di oltre il 10% l’affidabilità dei sistemi di scoring.

Nel momento in cui la velocità di esecuzione non può più essere un fattore distintivo, grazie ai dati alternativi e all’Artificial Intelligence nell’Asset Management stanno emergendo le strategie ibride cosiddette Quantamental che fondono i due stili di investimento fondamentale (affamato di informazioni, raccolte anche sul campo, quanto più aggiornate possibili) e quantitativo (basato su algoritmi). Con le tecnologie intelligenti di comprensione del linguaggio naturale (NLP) si possono tradurre testi (anche vocali) in numeri, pensate quindi alla lettura e veloce e organizzata degli innumerevoli rapporti di ricerca degli analisti, delle note di bilancio e delle earning call.

Ma è possibile convertire anche immagini satellitari in numeri preziosi. Fino a ieri per appurare il successo del prodotto dell’azienda X era necessario attendere la trimestrale di cassa, oggi è possibile ricorrere ad una soluzione software in grado di aggregare e analizzare automaticamente i dati dei principali e-commerce mondiali giorno per giorno (Amazon fa prestiti alle imprese proprio sulla base dei dati che ricava dalla sua stessa piattaforma). Combinando dati tradizionali e alternativi si possono costruire modelli di scoring del comportamento futuro dei titoli e modelli di risk management per la stima della volatilità e delle correlazioni degli asset di portafoglio.

Gli Alternative Data in tempo reale hanno un ruolo anche relativamente alla valutazione di sostenibilità delle aziende, per andare al di là di quanto le stesse auto-dichiarano nei bilanci annuali di sostenibilità.

È possibile usare la combinazione di dati tradizionali e Alternative Data anche per ricerche di mercato finalizzate all’internazionalizzazione. Analizzando con il machine learning i dati tradizionali degli uffici di statistica mondiale per identificare le caratteristiche socio-demografiche di aree urbane con varia granularità geografica (ad esempio negli USA si arriva fino agli isolati), raccogliendo segnali digitali alternativi come le ricerche tematiche su motori di ricerca, usando applicazioni web dedicate alla raccolta sul territorio delle opinioni dei consumatori locali; classificando le regioni analizzate in base alla loro rilevanza o aderenza ad un target identificato assieme all’azienda cliente.

La combinazione di dati tradizionali e alternativi può stilare per le imprese B2B una graduatoria delle potenzialità di crescita o di spesa delle aziende potenzialmente clienti o già clienti, così da stabilire facilmente le priorità di contatto commerciale. Con il vantaggio ulteriore di ricavare anche argomenti e contenuti di vendita per personalizzare l’offerta.