Trasformazione digitale, data science e applicazione di tecniche di machine learning alla valutazione del merito creditizio della clientela.

The process of digital transformation that is characterising financial intermediaries and the change in the processes of purchasing financial and credit services requires new techniques for measuring and assessing creditworthiness, capable of exploiting new information on customer behaviour and the use of digital channels. In the research thesis, models were developed for evaluating the creditworthiness of counterparties to be used in the credit application acceptance phase, with the specific aim of improving the evaluation of credit applications from customers through digital channels and of products and customers with special characteristics that do not allow the application of generalist models. In the realisation of the models, particular attention was paid to the use of standard information combined with 'unconven-tional' information from the digital world (e.g. e-mail, IP addresses, type of device, usage behaviour, ...). In addition, machine learning techniques were successfully tested in the development of creditworthiness assessment models. Specifically, the paper presents three separate research papers, the aim of which is to realise as many creditworthiness assessment models. In particular: • Application of XGBoost model to Web Personal Loans Credit Evaluation describes the construction of a model for the evaluation of personal loans from digital channels. The most relevant aspects of the model are the use of purely digital variables (so-called digital footprints) and the use of a machine learning algorithm in the estimation phase of the model. • Estimation of a credit scoring acceptance scorecard for a Buy Now Pay Later product deals with the construc-tion of a scoring model for a BNPL product with a highly digitised onboarding process and a minimal infor-mation collection phase. Points of attention in this model are the scarce information on the customers and the particularity of the purchased product, which is still not widespread in the markets and has little previous experience. • Estimation of a credit scoring acceptance scorecard for a loan for training courses deals instead with the cre-ation of a scoring model for a product, loans for vocational training, whose applicant population is highly po-larised in terms of age, origin, income and occupation. The challenge of this model is precisely to identify new discriminating variables that are able to correctly predict the riskiness of this particular population.

I processi di trasformazione digitale che stanno caratterizzando gli intermediari finanziari e il cambiamento dei processi di acquisto dei servizi finanziari e creditizi, richiede nuove tecnichedi misurazione e valutazione del merito creditizio, in grado di sfruttare le nuove informazioni sul comportamento dei clienti e sull'utilizzo dei canali digitali. Nella tesi di ricerca sono stati sviluppati modelli di valutazione del merito creditizio delle controparti, da utilizzare nella fase di accettazione delle richieste di credito, con l'obiettivo specifico di migliorare la valutazione delle richieste di credito provenienti da clienti attraverso canali digitali e di prodotti e clienti con caratteristiche particolari che non consentono l'applicazione di modelli generalisti. Nella realizzazione dei modelli è stata posta particolare attenzione all'utilizzo di informazioni standard combinate con informazioni "non convenzionali" provenienti dal mondo digitale (ad esempio, e-mail, indirizzi IP, tipo di dispositivo, comportamento d'uso, ...). Inoltre, alcune tecniche di machine learning sono state testate con successo nello sviluppo di modelli di valutazione del merito di credito. Nello specifico, l'elaborato presenta 3 distinti paper di ricerca, che si pongono l'obiettivo di realizzare altrettanti modelli di valuta-zione del merito creditizio. In particolare: • Application of XGBoost model to Web Personal Loans Credit Evaluation descrive la costruzione di un modello per la valutazione dei prestiti personali provenienti da canali digitali. Gli aspetti più rilevanti del modello sono l'utilizzo di variabili prettamente digitali (c.d. digital footprints) e l'utilizzo di un algoritmo di machine learning nella fase di stima del modello. • Estimation of a credit scoring acceptance scorecard for a Buy Now Pay Later product affronta la costruzione di un modello di scoring per un prodotto BNPL con un processo di onboarding fortemente digitalizzato e con una fase di raccolta di informazioni minimale. Punti di attenzione di questo modello sono le scarse informazioni sulla clientela e la particolarità del prodotto acquistato, ancora poco diffuso sui mercati e con poche esperienze pregresse. • Estimation of a credit scoring acceptance scorecard for a loan for training courses affronta invece la creazione di un modello di scoring per un prodotto, i prestiti finalizzati alla formazione professionale, la cui popolazione richiedente è molto polarizzata in termini di età, provenienza, reddito e occupazione. La sfida di questo modello è proprio andare ad individuare nuove variabili discriminanti che riescano a predire correttamente la rischiosità di questa particolare popola-zione.