Indietro

Data coopetition: cos’è e perché l’IA può trasformarla in una strategia vincente

14 Settembre 2023

L’economia è oggi dominata dall’uso di dati e tecnologie digitali. Non fa eccezione il settore finanziario, largamente immateriale e fondato sulla mera gestione di informazioni. Banche e assicurazioni possono quindi utilizzare dati e AI per migliorare e personalizzare l’offerta di prodotti e servizi. E, spesso, maggiore è il numero di clienti che vengono considerati nel processo e analizzati con algoritmi di Machine Learning, tanto migliori sono i risultati.

Ma i dati non sono mai abbastanza. Spesso alcuni fenomeni non sono ben rappresentati – ad esempio, particolari categorie di clienti. Oppure non c’è abbastanza storia, basti pensare alla propensione all’acquisto di un prodotto del tutto nuovo. O, semplicemente, i dati presenti nei database aziendali sono di scarsa qualità e varietà. E via dicendo: i casi sono svariati. La soluzione c’è e si chiama “data coopetition”.

Data coopetition: cosa è e perché è importante

Quando i concorrenti decidono di collaborare su qualche aspetto – ad esempio condividere dati – si parla di “coopetition”.
Per comprendere potenza e sensatezza della data coopetition, basta pensare alla ricerca medico-farmaceutica: si possono fare scoperte che salvano vite umane. Seppur con tinte meno drammatiche, anche il settore finanziario può beneficiare della data coopetition.

Buone ragioni per muoversi verso la data coopetition

Evitare bias – il campione di una sola impresa può essere poco vario o scarsamente rappresentativo. In tale situazione può contenere un “bias”: come quando, ad esempio, un algoritmo AI a supporto delle Human Resources discrimina per genere o razza… Il problema si risolve con più dati, di qualità, che si traducono in migliori informazioni.

Stime più precise (e anche “migliori prediction”) – utilizzare il Machine Learning significa stimare grandezze: ad esempio, la propensione ad acquistare qualcosa, la probabilità che un prospect adotti certi comportamenti, la probabilità che un prestito non venga restituito. Ora, una stima ha sempre un errore associato, e questo errore di solito decresce con l’aumentare della dimensione del campione – il grafico seguente è un tipico esempio. La precisione di stima non è un vezzo: nel mondo reale serve a proporre il prodotto giusto al cliente giusto, o a generare più lead, oppure convincere più efficacemente. Insomma: sono soldi.

Cooperare conviene – la Teoria dei Giochi mostra, attraverso concetti come l’equilibrio di Nash e il “bargaining game”, che l’ idea di coopetition porta benefici per tutti i partecipanti: più innovazione, migliore distribuzione di costi e carichi di lavoro, standard comuni di alto livello (che, nel caso del settore finanziario, possono aiutare anche nel rapporto con le autorità di vigilanza, specie su temi caldi come l’AI). E non è solo teoria.

EU Digital Services Act – l’accordo armonizza la governance e introduce chiari principi di trasparenza e responsabilità per piattaforme che fanno uso di dati, promuovendo anche la condivisione dei dati con autorità e ricercatori. Ora, una centralizzazione parziale della gestione del flusso dati, grazie alla data coopetition, consentirebbe una migliore “accountability”, con economie di scala nella gestione dei rischi associati ai dati.

 

Sì, ma la privacy?

Tutto bello. Ma la paura che i dati dei propri clienti o altre informazioni sensibili finiscano nelle mani di un concorrente è il principale deterrente alla data coopetition: perdere il controllo dei dati e fornire all’esterno informazioni che non possono uscire dal perimetro aziendale è l’incubo di molte imprese. Specie in un settore regolamentato come quello finanziario.
Così facendo si perdono importanti opportunità di business. Tuttavia esistono le soluzioni.

Si può fare

Cross-Silo Federated Learning è un paradigma di Machine Learning decentralizzato, una forma di data coopetition in cui:

i partecipanti non condividono i dati di input (peraltro spesso anonimi) di un algoritmo, con piena tutela della privacy;
condividono, però un modello globale che, grazie a un’astuta architettura, capitalizza le informazioni dei partecipanti cooperanti: il risultato è un servizio migliore per tutti.

L’astuta architettura consiste nel fatto che ciascun partecipante si tiene i suoi dati, scarica una versione criptata dell’algoritmo, lo fa imparare sui suoi dati e poi condivide il modello, ovviamente migliorato. Il tutto orchestrato da un server centrale che non vede mai i dati dei partecipanti, ma solo i modelli via via migliorati. Quando questa modalità di lavoro si combina con la Differential Privacy non ci sono spazi per problemi di sicurezza e riservatezza.

Alla fine della fiera

Chi adotterà soluzioni di Data Analytics basate su una forma di coopetition “sicura” otterrà risultati superiori rispetto a chi adotterà esclusivamente la via “proprietaria” per paura della concorrenza.


Noi in Wealthype ci occupiamo di questo e abbiamo già aiutato migliaia di advisor a lavorare meglio. Per una demo dei nostri tool, potete contattarci al link sottostante e scoprire come applicare le logiche del Machine Learning ai vostri processi aziendali.

Author