Il Tier 1 fornisce un rating aggregato globale, basato su dati macro e rating di categoria, ma non cattura la dinamica comportamentale e transazionale del cliente → elevato rischio di misclassificazione. Il Tier 2 risolve questo gap con modelli granulari, segmentati per comportamento, utilizzo digitale e indicatori finanziari comportamentali, ma richiede un’architettura avanzata per mantenere la precisione nel tempo. Come evidenziato dall’esempio di BankMed, l’integrazione di variabili di uso conto (es. frequenza pagamenti, saldo medio, flussi operativi) riduce il tasso di default del 17% rispetto a modelli tradizionali, ma solo se il modello è aggiornato dinamicamente e calibrato rigorosamente.
Il passo fondamentale è trasformare il rating Tier 1 in un sistema vivente: ad esempio, un cliente con history creditizio limitato ma flussi di cassa stabili e apposizionamento digitale avanzato deve essere valutato non solo con il rating globale, ma con indicatori di rischio comportamentale derivati da dati operativi. Questo richiede un processo di feature engineering e validazione continua che integri modelli ensemble e tecniche di monitoraggio del drift.
La costruzione del modello Tier 2 parte dalla selezione di feature comportamentali e transazionali, trasformate in indicatori misurabili e predittivi.
Fase 1: Estrazione di feature chiave da dati interni (transazioni, movimentazioni conto, interazioni digitali) ed esterni (CRIF, agenzie credito). Esempi:
– Ratio debito/reddito operativo (DORO) calcolato su 12 mesi con trasformazione logaritmica per normalizzare asimmetrie
– Indice di stabilità saldo operativo: deviazione standard dei saldi mensili / valore medio
– Frequenza e tempistica pagamenti puntuali (e.g., >95% di pagamenti entro 3 giorni)
– Tempo medio tra transazioni e numero di conti attivi (indicatore di engagement)
Fase 2: Applicazione di tecniche avanzate di feature selection:
– LASSO per ridurre dimensionalità eliminando variabili ridondanti
– Importanza basata su random forest su subset di dati con pesi di classe bilanciati (oversampling di default tramite SMOTE)
– Analisi di correlazione e VIF per evitare multicollinearità
La modellazione utilizza gradient boosting (XGBoost con early stopping su validazione 5-fold stratificata) come baseline, confrontato con modelli ensemble (LightGBM, CatBoost) per identificare il modello più robusto. La scelta finale si basa su AUC-ROC > 0.78, Gini coefficient > 0.35 e KS-statistic > 0.3, che indicano superiorità predittiva rispetto al Tier 1.
Fase 3: Calibrazione delle probabilità con isotonic regression per garantire predizioni ben calibrate, essenziale in contesti regolamentati come l’Italia (Basilea III richiede modelli non solo accurati ma interpretabili e stabili).
Analisi SHAP per quantificare l’impatto di ogni feature: ad esempio, un saldo operativo negativo riduce la probabilità di buona credito del 0.22 (p < 0.01), mentre un trend di pagamenti puntuali nei 6 mesi precedenti aumenta il punteggio di +0.31.
La fase operativa inizia con la costruzione di una pipeline dati integrata (dati interni + registri CRIF + API esterne) e la gestione del missing value:
– Imputazione multipla basata su MICE per variabili categoriche e numeriche
– Algoritmi robusti tipo KNN per dati misti, con threshold di plausibilità (es. saldo negativo solo in rapporto al conto)
Feature engineering è centralizzato in un ambiente Python con pandas e scikit-learn, con versioning delle feature per tracciabilità. La pipeline include un modulo di validazione temporale: training su finestre scaglionate (es. 2020–2022 → test 2023) per rilevare drift concettuale.
Frequente trigger di retraining: se AUC scende sotto 0.65 o KS-statistic < 0.4 in finestre consecutive, il modello viene aggiornato con nuovi dati e validato su test set recente.
Un dashboard in tempo reale (costruito con Streamlit e OAuth2) monitora metriche chiave (AUC, KS, tasso di falsi positivi) e invia alert automatici a risk manager, evidenziando cambiamenti anomali (es. improvviso aumento default tra giovani under 35).
Errore frequente: overfitting su dati storici, soprattutto in portafogli con pochi default. Soluzione: regolarizzazione L1/L2 in XGBoost, early stopping durante training, e validazione esterna su portafogli recenti (2023–2024) per testare stabilità.
Errore critico: bias di selezione nei dati, con underrepresentation di clienti in default. Correzione: reweighting con pesi inversamente proporzionali alla frequenza di default, o oversampling controllato con SMOTE, evitando sovradattamento.
Errore culturale: assenza di variabili specifiche italiane come fee su conti correnti, relazioni personalizzate con sportelli fisici, o impatto della normativa locale (es. bonus fiscale sulla spesa). Questi influenzano fedeltà e comportamento creditizio: integrazione di feature survey (es. satisfaction score) o dati di transazione digitali (app mobile, chatbot) permette di catturare tali segnali.
Il modello non è un’entità statica, ma un servizio API REST protetto (OAuth2, JWT) deployato su cloud con audit trail per conformità.
Il pipeline include:
– Serializzazione JSON con metadata (timestamp, versione modello, feature usate)
– Check di conformità GDPR: anonimizzazione dati sensibili, accesso basato su ruoli
– Validazione GDPR: tracking del consenso per uso dati comportamentali, possibilità di revoca per clienti
– Automazione CI/CD per retraining e deployment, con rollback automatico in caso di degrado performance
Un report giornaliero SHAP fornisce insight aggregati: ad esempio, il 68% dei clienti con basso rapporto saldo/fee è meno propenso a default, mentre i giovani con conti digitali attivi hanno un tasso di default 12 punti percentuali inferiore rispetto a quelli con conti tradizionali.
– Implementare un scoring dinamico: aggiornare le probabilità di default settimanalmente con nuovi dati transazionali e segnali di allerta (es. saldo negativo per >5 giorni consecutivi).
– Adottare modelli ibridi: combinare XGBoost con regole esperte (es. pesi manuali per clienti con <12 mesi di history creditizio) per bilanciare interpretabilità e precisione.
– Testare scoring comportamentale via app mobile: integrazione di dati da chatbot (es. tono delle richieste, frequenza contatti) per identificare segnali di stress finanziario non catturati dai dati tradizionali.
– Monitorare il costo operativo del modello: ogni aggiornamento deve generare un ROI misurabile in riduzione default e miglioramento tasso di concessione.
“Il Tier 2 non è un upgrade, ma una trasformazione: il rating non è più un punto, ma un processo dinamico che evolve con il cliente” – Marco R., Chief Risk Officer, Banca Popolare Etica, 2023
- Definire feature comportamentali e transazionali con dati storici ≥12 mesi
- Validare feature con SHAP e importanza variabile prima del training
- Implementare pipeline con gestione missing value e reweighting per bias
- Configurare API REST con autenticazione OAuth2 e audit trail
- Setare trigger di retraining su calo AUC < 0.65 o KS < 0.4 su finestre consecutive
- Generare report SHAP mensili per risk manager e compliance
- Integrare segnali digitali (app, chatbot) per scoring comportamentale avanzato