I Big Data di Cerved su imprese e individui - Credit Council Verona, 16 novembre 2016 - aicsweb.it
←
→
Trascrizione del contenuto della pagina
Se il tuo browser non visualizza correttamente la pagina, ti preghiamo di leggere il contenuto della pagina quaggiù
I Big Data di Cerved su imprese e individui Natalia Leonardi, Head of Centrale dei Bilanci Credit Council Verona, 16 novembre 2016
Indice Chi è oggi Cerved Overview I nostri big data Il motore dell’innovazione Cerved I progetti big data e advanced analytics di Cerved live 2
Cerved: ”data driven company” CREDIT INFORMATION Tutelarsi dal rischio di credito 353 milioni Euro (2015) Ricavi 34,000 MARKETING SOLUTIONS Clienti Crescere con nuove opportunità di business 40 milioni Euro Investimenti/anno dati e tecnologia CREDIT MANAGEMENT Gestire e recuperare i crediti in sofferenza 3
Cerved: elementi essenziali Dati Algoritmi Persone Un database di 800 TB in Più di 2000 business rules Più di 2000 persone, di cui crescita continua, 17 dei attive che generano oltre 350 sviluppatori software e primi 30 database più diffusi 600 milioni di eventi di 300 analisti in produzione monitoraggio l’anno 4
Lo scheletro dei nostri “big data” 6 milioni di aziende attive 1,4 milioni di attività Oltre 8 milioni di Informazioni e valutazioni economiche non iscritte persone attive strutturate ed arricchite con dati Anagrafiche qualificate e connesse ad aziende proprietari innovativi valutazioni dedicate (esponenti e soci) 6
I muscoli dei nostri “big data” Web Data C A Open Data o c m c p u Dati proprietari l r e a s c Dato ufficiale non s camerale y i t à Dato ufficiale camerale 7
Il motore di innovazione di Cerved Big Data Technologies Advanced Analytics e business competence Data Exploration e Visualization Web Data e analisi semantica Piattaforme evolute di visualizzazione, integrazione e business analytics con primari partner SIC - Sistemi di informazioni creditizie 8
I progetti Big data e advanced analytics di Cerved Dati catastali e del territorio • Score immobiliare • Score socio-economici geolocalizzati • Stima del valore degli immobili (stima 2.0) Open data • Open Coesione • Dati sulla PA Web Data • Web sites • News da web • Start-up innovative Analisi dei grafi / relazioni • Graph4You 10
Dati catastali Il dato catastale è disponibile sui nostri archivi e monitorato sulla maggior parte delle persone giuridiche, sulle persone fisiche connesse (esponenti e soci) e sui privati consultati 55 % Fabbricati italiani 51 % Terreni italiani Tipologia Consistenze •Residenziali •Vani (abitazioni) •Non residenziali •Metri quadrati (terreni/pertinenze/uffici e Rischio studi/fabbricati/magazzini) •Metri Cubi (edifici pubblici) Qualità Rendita Abitazioni •Rendite (tutti gli immobili esclusi •Lusso, civile, villini terreni) Numero di vani residenziali •Economico •Reddito dominicale (terreni) •Popolare, rurale •Reddito agrario (terreni) Pertinenze residenziali 11
Lo score immobiliare nei rapporti Cerved
Lo score immobiliare ed il rischio di credito Lo score immobiliare fornisce un contributo significativo alla performance degli score di accettazione nel segmento retail 81,7% 40,0% 35,0% • L’assenza di proprietà immobiliari si 34,2% bad - % 30,0% accompagna a bad rates più elevati Bad Rate 25,0% 23,7% Bad rate • Man mano che lo score immobiliare registra 20,0% indici di consistenza patrimoniale maggiori, si 15,0% osservano tassi di insolvenza sempre più 12,8% 10,0% bassi 8,9% 8,3% 5,8% 5,0% 1,2% 0,0% 6 - nessun 5 - patrimonio 4+3 - 1+2 proprietà immobile limitato consistenza rilevanti media 13
Lo score immobiliare e la probabilità di recupero Lo score immobiliare si è rivelato molto efficace anche per differenziare livelli di recovery rates Recovery Rate Medio per classe Score Immobiliare 60,00% 1_ UTILITIES CESSATO 50,00% 2_ UTILITIES ATTIVO 40,00% Recovery Rate 3_ TLC/SERVIZI CESSATO 30,00% 20,00% 10,00% 0,00% 1 - Elevata 2 - Ampia 3 - Buona 4 - Discreta 5 - Moderata 6 - Non significativa Classe di consistenza immobiliare 14
Gli score socio-economici geolocalizzati In presenza dell’indirizzo della persona è possibile incorporare nella valutazione del profilo di rischio delle informazioni originali sulla micro-cella censuaria di residenza/domicilio •Profilo socio-demografico dell’area (fonte ISTAT): • degrado sociale • % disoccupati • ….. • Grado di attrattività dell’area (fonte OpenStreetMap): • vicinanza ai mezzi di trasporto • lunghezza percorsi pedonali • ….. • Indici socio-economici dell’Area da dati Cerved • concentrazione soci/managers • concentrazione industrie pesanti • ……. 15
Score socio-economici ed il rischio di credito Gli indicatori sui dati micro-censuari consentono di migliorare la predittività dei modelli di accettazione nel segmento retail: • Misurano le specificità del territorio a livello molto analitico di cella censuaria (360 mila) • Integrati nei credit check consentono di dare maggiore granularità alla + 7% di AR valutazione e di aumentarne Decili griglia privati + Istat l’accuratezza predittiva 25.00% 40.00% 35.00% 20.00% 30.00% % impagato 15.00% 25.00% 20.00% % 10.00% 15.00% 10.00% 5.00% 5.00% 0.00% 0.00% 1 2 3 4 5 6 7 8 9 10 16
Open Coesione • OpenCoesione è il portale sull'attuazione dei progetti finanziati dalle politiche di coesione economica Cos’è: e sociale in Italia, volte a ridurre la disparità di sviluppo tra le regioni. • maggior trasparenza, maggior partecipazione civica, monitoraggio fruibile a tutti maggior efficacia Obiettivo: e maggior controllo degli interventi. • Opendata, inerenti risorse, localizzazioni, ambiti tematici, soggetti coinvolti, tempi di realizzazione e Struttura: pagamenti dei singoli progetti. • Aggiornamenti bimestrali (ultimo aggiornamento al 30 aprile 2016) • Fondi Strutturali Europei (FSE); Fondi per lo Sviluppo e la Coesione (FSC); Piano d’azione della Fondi: coesione (PAC). • ogni progetto è finanziato da un soggetto programmatore ed è destinato ad uno o più soggetti Progetti / attuatori, gli effettivi beneficiari del contributo finanziario. • Un soggetto può essere programmatore e/o attuatore di più progetti. Soggetti: • Solitamente un progetto ha un solo programmatore e un solo attuatore. 17
Il progetto Cerved su Open Coesione Matching dati Open Coesione con banca dati Cerved 809 615 69.9 mld € 86.5 mila € 46.76% % di finanziamento Finanziamento PROGETTI pagamento Pubblico medio pubblico Tipologia soggetto # % •Matching evoluto Attuatore soggetti soggetti •Risoluzione manuale •Accorpamento Imprese 50,433 59.5% 35% Enti 3,030 3.6% Organi statali, pubblici 16,449 19.4% Privati 14,791 17.5% 65% Totale 84,703 100.0% Match con Codice Dati al 30/06/2014 Fiscale o Partita Iva 18
Il progetto Cerved su Open Coesione Le imprese che hanno avuto accesso ai finanziamenti presentano tassi di sopravvivenza maggiori nel medio-lungo termine •Analizzando le imprese con Confronto Tassi di Insolvenza per natura del progetto finanziato 12.0% 60.0% caratteristiche simili alla data del 11.4% finanziamento del progetto 11.0% 50.0% (forma giuridica, settore, area 10.0% 40.0% 9.0% geografica, dimensione, classe 9.0% % Soggetti (possibili più 30.0% progetti) di rischio) si osserva un tasso di 8.0% 7.8% Sì Finanziamento OC insolvenza da 3 a 6 anni dopo 20.0% 7.0% l’avvio del progetto fortemente 7.0% 7.0% No Finanziamento OC 6.0% 10.0% differenziato 6.3% 5.0% 0.0% • Le imprese finanziate sono 1. Inclusione sociale, 2. Investimenti, formazione beni, servizi, opere 3. Ricerca e innovazione connotate da tassi di insolvenza pubbliche più bassi 19
Open Coesione nei rapporti Cerved
I Web Data ‘catturati’ da Cerved 21
Web Sites e rischio di credito Le informazioni dei siti Web sono utili per arricchire il profilo di valutazione del rischio di credito delle imprese Correlazione tra grado di innovazione della tecnologia del sito web e profilo di rischio • Sono stati censiti i dati sulla tecnologia del sito, il grado di Delta % rischio rispetto al rischio medio di classe 80% aggiornamento del sito, le lingue in cui 60% è tradotto, il numero di pagine e 40% l’articolazione, …. 20% Obsoleta 0% Normale • Chi adotta una tecnologia innovativa -20% Sicurezza Vulnerabilità Rischio Rischio Totale Aggiornata Elevato ha un rischio di default fino all’80% -40% Innovativa -60% inferiore -80% -100% 22
News Self-Published External-Published Fonte: (Ciò che il soggetto dice di sè) (Ciò che è pubblicato da altri) X1: 50K News/Mese (Italia) Company News 6K Fonti News di Settore X2: 1,6M News/Mese (Italia) con Tassonomia Enti Locali 8K Fonti IDG Internet Data Gathering 10K Fonti Impatto: Governo e Istituzioni Innovation & 1K Fonti Complexity Rassegna Stampa Top Industry News 2K Fonti 21K Fonti Arricchimento Cerved tramite associazione 170K dell'identificativo univoco Blogs di società ed esponente a Flat ciascuno dei soggetti citati: 23
Start-up e PMI innovative dai Web Data L’analisi utilizza il set informativo estratto dai siti Web aziendali e tecniche di machine learning & analisi semantica per identificare cluster di imprese simili a quelle “ufficialmente” innovative Fonte: La Repubblica – Affari & Finanza (14 novembre 2016): “Il Cerved scova 10 mila PMI Innovative” 24
Atoka – la piattaforma di navigazione 25
Graph4You: the italian business network La nuova piattaforma per esplorare le relazioni tra soggetti presenti nel database Cerved Innovativa 1 La sua struttura a grafo permette di identificare e approfondire facilmente le relazioni tra i soggetti Ogni nodo del grafo identifica un soggetto (Società, Persona, Ente, Impresa Non Iscritta, ecc…) 2 Completa Non solo connessioni ma anche info di dettaglio su ciascun soggetto (es. Ateco, Fatturato, dipendenti..) Integrabile 3 Può essere facilmente integrata nei sistemi gestionali del cliente, per permetterne un utilizzo ottimale 26
Puoi anche leggere