Le piattaforme e il servizio di valutazione del merito creditizio e di credit scoring

Fra i servizi offerti dalle piattaforme, quello che da più parti viene indicato come sempre presente è la valutazione del merito di credito dei richiedenti (svolta in via diretta oppure tramite un provider esterno: CGFS e FSB 2017; cfr. anche §§ 4.1.8 e 6.10).

Data la peculiarità delle funzioni svolte della piattaforma, questa attività acquista connotazioni nuove rispetto a quelle finora avute entro il sistema creditizio tradizionale e un ruolo centrale nell’ambito del funzionamento della piattaforma

stessa55_{, il che rende opportuno dedicarvi specifica attenzione in questa sede.}

89 Marketplace lending Verso nuove forme di intermediazione finanziaria?

La valutazione del merito creditizio rappresenta, innanzitutto, un pre-

screening per l’ammissione del richiedente ai servizi offerti dalla piattaforma, in grado di assumere una funzione specifica per ciascuno dei soggetti coinvolti. Più in dettaglio, essa assume rilievo:

- per la reputazione del gestore della piattaforma, interessato ad ammettere

sulla medesima soltanto richiedenti che presentino un sufficiente livello di affidabilità nell’ottica del rientro del credito (a differenza di quanto accade per banche e intermediari finanziari i quali compiono la valutazione del rischio di credito al fine di evitare perdite su crediti e di garantire la propria stabilità patrimoniale);

- per il finanziatore (crowd-investor), che sarà messo in condizione di investire il

proprio denaro assumendosi il rischio che è disposto ad accettare in relazione a

un determinato rendimento e a una specifica durata del finanziamento (sia nel caso di active lending sia nel caso di passive lending, ma con una intensità differente e maggiore nel secondo caso). Più in dettaglio, all’esito della valutazione del rischio creditizio, viene attribuita una classe di rischio a ciascuna richiesta di finanziamento che, a seconda dei modelli, si aggiungerà ad altri dati messi a disposizione sul sito per orientare e indirizzare la scelta degli investitori o piuttosto sarà l’unica informazione disponibile;

- per il prenditore di credito, consentendogli di indebitarsi in modo responsabile

(sia con riguardo alla fattibilità del suo progetto, sia con riguardo a un eventuale sovra-indebitamento) e alle condizioni economiche corrispondenti al suo profilo di rischio.

Detta valutazione può essere, altresì, la base per il matching automatico tra

la richiesta e l’offerta di finanziamento, quando l’investitore non può esprimere una scelta diretta.

Infine, essa è utile per il pricing sui prodotti, qualora la piattaforma gestisca

anche un mercato secondario (in una prospettiva di monitoring).

Quasi sempre, per esigenze legate alla celerità del procedimento di erogazione del prestito, detta attività viene svolta con modalità automatizzate - c.d. credit scoring56 _{- e, sempre più spesso, sulla base di una pluralità di dati fra cui anche}

i c.d. soft data (cioè dati non strutturati e non finanziari), in ragione del non facile accesso da parte delle piattaforme a quelli di tipo hard (su cui vedi infra).

Vero è che l’utilizzo di modalità tecnologicamente avanzate per la valutazione del merito creditizio non è prerogativa esclusiva delle piattaforme, essendo riscontrabile, in crescente quantità e intensità, anche nell’ambito dell’operatività delle banche e degli intermediari finanziari tradizionali. E neppure si tratta di un fenomeno emerso solo oggi.

56 Il credit scoring è quel punteggio o indicatore numerico che viene attribuito a ciascun singolo richiedente, grazie all’applicazione di modelli statistici che consentono di valutare, in termini predittivi o probabilistici, profilo di rischio, affidabilità e puntualità nei pagamenti di ciascun singolo potenziale debitore.

90

Quaderni FinTech

N. 5 luglio 2019

Già dagli anni ottanta, infatti, la profilatura del prenditore di credito viene svolta dalle banche (dunque dallo stesso soggetto che eroga il credito), nell’ambito dell’attività istruttoria, con modalità in parte automatizzate che, però, nel contesto

tradizionale, si sono sempre basate su dati hard (Ferretti 2009; Handzic,

Tjandrawibawa, Jeo 2003) e quasi sempre senza esclusione della validazione da parte di un decisore umano (Pottow 2007). Pure abituale è lo svolgimento del servizio di

credit scoring - non considerato di per sé di natura finanziaria - da parte di soggetti (ad es. CRIF) diversi dalle banche e dalle finanziarie ex art. 106 t.u.b., alle

quali però il servizio comunque si rivolge con conseguente assunzione ultima di responsabilità dell’esito del credit scoring al momento dell’erogazione del credito.

La situazione è venuta a modificarsi in ragione delle tecnologie abilitanti (quali big data analytics, algoritmi e machine learning) che si sono, più di recente, cominciate a impiegare (a partire dal mondo FinTech e dalle piattaforme per diffondersi anche tra gli operatori tradizionali) al fine di sfruttare le potenzialità

offerte dalla c.d. data driven economy57 (ne sono un esempio il c.d. FICO Expansion

Score ma anche il nuovo Experian Income Insight o l’Equifax Decision 360 cui ci si riferisce con il termine di Alternative Credit Scoring) (Robinson e Yu 2014).

Le crescenti dimensioni del fenomeno hanno, di recente, attratto

l’attenzione di organismi internazionali58 _{e, in particolare, della Banca Centrale}

Europea (ECB 2018) che, ritenendo il credit scoring fonte di rischi specifici bisognosi

di correlati presidi di governo, ha introdotto, per la prima volta, per le c.d. Fintech

Bank, ossia soggetti che hanno «a business model in which the production and delivery of banking products and services are based on technology-enabled innovation»59, uno specifico assessment per la fase di credit scoring necessario ai fini del rilascio dell’autorizzazione all’esercizio dell’attività bancaria (le disposizioni non si rivolgono, evidentemente, ai gestori di piattaforme che non sono soggetti a vigilanza BCE).

Come è stato più sopra evidenziato, nel caso delle piattaforme, l’utilizzo di tecnologie abilitanti riveste peraltro contorni ancora più problematici sia perché le medesime (a differenza delle banche) non si assumono, se non in misura molto circoscritta, il rischio di credito, sia perché il processo di automazione riguarda non

57 Commissione Europea (2017d),; Commissione Europea (2014), ; Commissione Europea, Comunicazione Strategia per il mercato unico digitale in Europa, COM(2015)192 final, Bruxelles 6 maggio 2015, http://eur-lex.europa.eu/legal- content/IT/TXT/?uri=CELEX%3A52015DC0192; id., Comunicazione sulla revisione intermedia dell’attuazione della strategia per il mercato unico digitale. Un mercato unico digitale connesso per tutti, COM(2017)228 final, Bruxelles 10 maggio 2017, http://eur-lex.europa.eu/content/news/digital_market.html?locale=it.

58 L’EBA, nella Fintech Roadmap (EBA 2018), pone quale obiettivo per il 2019 il monitoraggio della «financial exclusion

in the context of big data algorithms» e la verifica «whether or not this potential risk may need any immediate action, particularly as regards potential non-trasparent credit scoring and decision-making and risks related to the ethics of algorithms» (p. 6). Per un’analisi dei rischi e dei benefici correlati all’uso della tecnologia dei big data nell’ambito

finanziario, v. ESAs 2018.

59 ECB (2018), p. 3. Data la varietà di istituzioni che operano all’interno dell’unione europea, le linee guidano precisano che in quest’ambito possono rientrare «new fintech subsidiaries of existing authorised banks; new market

participants that adopt technological innovation to compete with established banks through the value chain, as well as existing financial service providers (e.g. payment institutions, investment firms, electronic money institutions, etc.) that extend their scope to include banking activities and can therefore be considered new market entrants requiring a banking licence».

91 Marketplace lending Verso nuove forme di intermediazione finanziaria?

solo il credit scoring ma anche il successivo matching ovvero l’abbinamento tra richiedenti e prestatori.

Il tema, di notevole rilevanza, continua a essere poco indagato in letteratura, sia giuridica sia economica (con qualche eccezione data, fra i giuristi, da Mattassoglio 2018a e Ferretti 2018; fra gli economisti, da Abdou e Pointon 2011); data la sua novità, mancano, inoltre, evidenze empiriche sulla bontà degli esiti di istruttorie del credito “ad alta automazione” (CGFS e FSB 2017, p. 31).

Da qui la necessità di un approfondimento, cui saranno dedicate le pagine seguenti, volto a delineare i rischi e le opportunità connessi allo svolgimento di tale attività da parte delle piattaforme, a partire dalle tipologie di dati e dalle modalità di analisi impiegate. Nella medesima prospettiva, interessante è poi uno studio empirico condotto dall’Università di Pavia (Giudici e Hadji-Misheva 2017; Ahelegbeya, Giudici e Hadji-Misheva 2019) che evidenzia come il rating attribuito da una delle più note piattaforme consumer-based non sembri in grado di predire in modo accurato il default dei soggetti valutati mediante le nuove metodologie. Per tale ragione, gli Autori dello studio auspicano lo sviluppo di ulteriori modelli statisticamente predittivi, in grado di acquisire e utilizzare altre e più utili informazioni con riguardo sia al richiedente, sia al network cui esso appartiene. Sempre secondo tale studio, il modello analizzato appare, invece, più efficiente con riguardo alle piccole e medie imprese.

5.2 Le tipologie di dati poste a base del servizio e il ruolo dei