Welcome on board, è questo il titolo del nostro quarto Meetup, evento tenutosi il 27 Settembre 2023 presso la nostra sede di Milano.
Abbiamo pensato che la fase di onboarding di un portafoglio NPL meriti un evento dedicato in quanto, da partners tecnologici a supporto delle aziende di gestione del credito, sappiamo bene quali siano le principali sfide nella gestione di un onboarding, specialmente se parliamo di un numero elevato di posizioni debitorie.
La fase di onboarding avviene non appena viene completata l’operazione di cessione/acquisto di un portafoglio. Ha come scopo quello di “pulire” e normalizzare i dati in maniera strutturata al fine di permettere alla gestione di operare in maniera più efficace ed efficiente. Per diversi operatori gli steps di onboarding e le modalità di svolgimento possono essere diversi, tuttavia riteniamo che lo scopo finale sia lo stesso.
Abbiamo classificato in macro-aree le diverse sottofasi di un processo di onboarding.
- La comunicazione con la controparte
- Il controllo e la “pulizia” dei dati ricevuti con eventuali aggiornamenti anagrafici e di consistenza
- L’analisi di completezza e validità dei documenti ricevuti
- La “canalizzazione” delle posizioni in base alle proprie logiche aziendali, dove per canalizzare intendiamo raggruppare le posizioni per strategie proprie di gestione.
- Il caricamento dei dati sul gestionale aziendale.
Ci sono a nostro avviso diversi colli di bottiglia durante questa delicata fase:
- La difficoltà nel reperire in automatico informazioni sulla recuperabilità della posizione (patrimonio immobiliare, reddito, anagrafiche etc etc)
- I lunghi tempi di attesa del ritorno delle cartoline delle raccomandate inviate per notificare il debitore.
- La grandissima mole di informazioni da gestire ed estrarre dai documenti condivisi dalla cedente o originator.
In cherry ci siamo domandati come la tecnologia possa intervenire a supporto di queste sottofasi dell’ onboarding al fine di ridurre al minimo il loro impatto sui tempi e sull’effort degli operatori specializzati.
Il reperimento automatico di dati ed informazioni complesse è un tema già affrontato in diversi altri nostri articoli e non andremo nel dettaglio qui,
Per quanto riguarda Il secondo tema invece, abbiamo capito che non è possibile intervenire direttamente sulla gestione operativa delle raccomandate (le comunicazioni con le controparti avvengono tipicamente così) in quanto queste vengono gestite da operatori terzi come Poste, DHL etc…, le stesse tempistiche non sono mai certe per la natura del lavoro svolto che dipende da moltissimi fattori esterni. È intuitivo pensare che i tempi di consegna in località remote sono molto diversi da quelli dei centri abitativi metropolitani. Tuttavia molti di questi servizi di corriere hanno ormai digitalizzato il tracciamento di parte del processo per cui attraverso i loro portali web forniscono alcune informazioni dello stato di invio delle raccomandate. Il problema è che non tutti gli operatori si rivolgono direttamente a questi gestori e la catena di fornitura è intermediata da terzi con conseguenti rallentamenti, imprecisioni e ritardi nella reportistica. Ci siamo dunque chiesti se fosse possibile prevedere l’esito della consegna o quantomeno fornire “in real time” l’informazione. Abbiamo pertanto analizzato e tracciato centinaia di migliaia di raccomandate sui portali dei provider e siamo riusciti a fornire ai nostri clienti l’esito della raccomandata molto prima della riconsegna della cartolina ma anche prima dei cosiddetti “flussi di ritorno” (informazioni strutturate da parte dei providers ai clienti corporate). In effetti, attraverso i nostri algoritmi riusciamo anche a “predire” gli esiti anticipandoli solamente riconoscendone pattern comuni.
In questo modo, a seconda dell’esito da noi riportato, l’operatore umano potrà:
- Richiedere le residenze certificate qualora la ricezione della raccomandata non sia andata a buon fine (senza dover attendere la comunicazione ed il ritorno della stessa da parte del corriere), e rimandare la notifica ad altro indirizzo.
- Avvantaggiarsi sulla lavorazione della posizione in quanto già noto l’esito positivo, dovendo quindi solamente attendere il ritorno della cartolina.
La tecnologia dunque ha permesso di interfacciarci in maniera automatica ai sistemi dei corrieri e di identificare pattern comuni tramite analisi massiva.
Ci siamo poi posti dei punti che lasciamo aperti per il futuro.
- L’invio manuale di raccomandate sarà sempre l’unica soluzione? Quando vedremo spostarsi questo trend dalla comunicazione alla residenza fisica a quella digitale (PEC)? : Esiste infatti da pochi mesi il portale ufficiale INAD per il censimento del domicilio digitale tramite PEC di persone fisiche, tuttavia l’adesione è ad oggi facoltativa e a libera scelta dei singoli cittadini. Osserviamo (speranzosi) una prossima evoluzione.
- I tribunali italiani ai fini esecutivi accettano come prova di avvenuta notifica solamente la cartoline fisica cartacea, sebbene la tecnologia (ed i provider stessi) possano già ad oggi certificare gli esiti. L’attesa della materialità causa non pochi problemi ai gestori, in quanto la cartolina fisica spesso viene persa, sebbene una notifica abbia avuto un esito positivo. Generalmente i tempi di attesa per il suo ritorno sono lunghi e non prevedibili. In un periodo storico in cui lo SPID e la CIE sono i mezzi digitali di accesso alla PA, ci domandiamo quindi se serva realmente tale prova di materialità o se è solamente un vizio dei tempi passati.
Tornando all’ultimo punto della nostra discussione, ovvero la gestione dei documenti, chiunque abbia avuto a che fare con tale complessa operazione, avrà affrontato situazioni del genere:
- Ricezione di centinaia di documenti cartacei da visionare
- File senza nomi “parlanti” ma denominati con codici dei sistemi gestionali della cedente, oppure con gli ndg della cedente (nei migliori dei casi).
- I nomi dei file non corrispondono al contenuto dei file
- I file sono forniti in formati più vari, e.g .pdf, .tiff, .jpg, .png, .docx etc…
Gestire manualmente tutte le casistiche sopra citate richiede l’impiego di tante risorse umane e tanto tempo, oltre a non avere certezza sull’esito finale in quanto la trascrizione dei dati comporta inevitabilmente errori dovuto al fattore umano.
Come di consueto , abbiamo colto l’opportunità di studiare questa complessa problematica per capire come e quanto la tecnologia potesse essere d’aiuto. In effetti abbiamo trovato spazio per risolvere – con la tecnologia appunto – due sottoproblemi precisi:
- La tipizzazione (o classificazione) di documenti digitali
- L’estrazione automatica di informazioni chiave da documenti tipizzati.
L’algoritmo sviluppato per la tipizzazione permette di:
- Rinominare i file con nomi che indichino chiaramente il contenuto del file stesso. E.g contratto, estratto conto, carta d’identità, cartolina di raccomandata etc…
- Organizzare i documenti in maniera strutturata per posizione (e.g. nomi di file che seguono il pattern Portfolio_NDG_TipoDocumento_LineaDiCredito.pdf)
L’estrazione di informazioni è la naturale evoluzione della tipizzazione. Dal momento che abbiamo “insegnato” al nostro algoritmo di riconoscere la natura del documento, siamo andati ad estrarne il contenuto. Parlando di perizie ad esempio, siamo in grado di estrarre i lotti riportati e per ciascun lotto le singole tuple catastali (identificativi catastali come ad esempio foglio, particella, subalterno, comune etcc…).
L’estrazione in sé è solo parte del flusso sviluppato. Laddove è possibile infatti procediamo anche con una verifica realtime dei dati da fonti strutturate ed ufficiali. Questo step ulteriore di validazione è fondamentale per fornire informazioni di qualità. Per le informazioni catastali estratte dai documenti, andremo quindi ad interrogare il catasto, mentre se parliamo di una procedura allora andremo ad interrogare il portale di giustizia telematica.
Noi di cherry ci poniamo sempre alla frontiera dello sviluppo tecnologico, ed infatti in congiunta ai nostri algoritmi di AI proprietari, abbiamo integrato e testato le ultime novità in termini di AI testuali come GPT-4, PaLM 2 e LLaMa2 (noto come Bard), sviluppati rispettivamente da OpenAI, Google e Meta(Facebook).
Sebbene siano motori AI generici, in alcuni scenari hanno superato le nostre aspettative nella comprensione del dominio dell’ NPL. La loro potenza “cognitiva” generalizzata in congiunta con la nostra conoscenza specifica di dominio e di tecnologia ci permette di offrire soluzioni sempre più avanzate sul mercato.
