In questa intervista, Francesco Braggiotti, Founder e CEO di Datasinc, ci spiega come ricostruire, verificare e mantenere aggiornati i dati dei portafogli ipotecari attraverso automazione, controllo umano e integrazione con i sistemi di banche e servicer.

Dalla bonifica al monitoraggio: tra automazione e controllo umano

Gli archivi relativi ai finanziamenti ipotecari possono contenere migliaia di posizioni costruite nel corso degli anni attraverso fonti, documenti e sistemi differenti. Variazioni catastali, cambi di proprietà, successioni, restrizioni e cancellazioni delle garanzie possono generare disallineamenti tra la situazione originaria e quella attuale, rendendo più complesso il monitoraggio del credito e la corretta valutazione dei rischi.

In questa intervista, Francesco Braggiotti, Founder e CEO di Datasinc, approfondisce il tema della data remediation applicata alle garanzie immobiliari e presenta il funzionamento di Datageddon, la piattaforma sviluppata per analizzare e bonificare interi portafogli attraverso un approccio top-down.

Dal confronto tra documenti, loan data tape, catasto e conservatoria fino alla verifica degli operatori e alla restituzione di dati strutturati, l’obiettivo è fornire a banche e servicer informazioni più complete, tracciabili e utilizzabili nei propri sistemi. Il percorso può proseguire con la creazione di un digital twin del database bonificato, capace di storicizzare le informazioni e segnalare le successive variazioni nel tempo.

Banche e servicer dispongono spesso di archivi molto estesi, costruiti nel tempo attraverso fonti e sistemi differenti. Quali criticità si nascondono nei dati relativi alle garanzie immobiliari e perché, in alcuni casi, non è più sufficiente intervenire sui singoli fascicoli?

Nell’ambito di mutui e finanziamenti ipotecari, l’oggetto del contratto tra la banca e il cliente è l’ipoteca. L’ipoteca lega il soggetto all’immobile e alla garanzia a favore della banca. Avere un database ordinato di questi tre elementi è fondamentale per diverse ragioni di cui: il monitoraggio del credito, la corretta imputazione dei dati bilancistici, lo sviluppo commerciale e regolatorio.

Con il tempo però, nonostante si parli di “immobili”, i dati possono variare. Gli immobili possono essere soppressi e ricostituiti, i soggetti muoiono ed intervengono gli eredi, le garanzie vengono ridotte di importo.

Attualmente, banche e servicer – oggi grandi aziende figlie di aggregazioni ed acquisizioni – hanno database estesi con difettosità conclamate. In alcune banche si arriva addirittura al 58% di dati non coerenti (con errori sull’immobile, sul soggetto o sull’ipoteca). Risulta quindi necessario fare un “clean up” completo del portafoglio, per avere una situazione aggiornata da cui partire e da mantenere nel tempo. Lo stock in portafoglio può avere un aging anche significativo (basti pensare che un’ipoteca è un finanziamento normalmente di 20 anni).

Stiamo parlando di migliaia, se non centinaia di migliaia, di fascicoli. Un lavoro fatto per singolo fascicolo può essere estremamente lungo da completare e sicuramente molto costoso. Serve quindi intervenire con la tecnologia. Inoltre, va aggiunto, che oggi la regolamentazione si sta muovendo verso una maggiore chiarezza dei dati, basti pensare alle tematiche ESG. Gli istituti bancari sono chiamati a dichiarare la classe energetica media del portafoglio finanziato, ma se non conosco gli immobili, difficilmente avrò una risposta.

Un altro tema rilevante sono i rischi catastrofali. Gli eventi meteorologici estremi hanno riportato al centro dell’attenzione l’esposizione al rischio di credito degli immobili situati in aree vulnerabili. Ancora una volta, è necessario che una banca o un servicer abbia piena contezza di quali sono gli oggetti finanziati.

Datageddon propone un approccio top-down alla data remediation. Può descriverci come funziona il processo, dal caricamento di documenti cartacei, loan data tape o altri tracciati digitali fino alla produzione del dato strutturato da sottoporre a verifica?

Generalmente il problema principale è la qualità del dato in ingresso. Con questo s’intende sia la correttezza del dato, sia l’esistenza del dato stesso.

Risulta quindi necessario avere uno strumento che sia flessibile in termini di “data input”, che possa essere alimentato sia con dei tracciati di dati, che con dei documenti. Inoltre, a seconda della profondità del dato in ingresso, i costi di lavorazione della posizione possono variare anche in maniera significativa. Stiamo parlando di diritti erariali, ovvero il costo per accedere a taluni servizi di catasto e conservatoria.

Datageddon nasce a partire da queste esigenze. Si tratta di una piattaforma che ha la flessibilità di “digerire” dati di diversa natura e, analizzandoli, capire in autonomia quali strade percorrere per metterli in ordine. Se ho dei documenti rilevanti, analizzo quelli e li metto a confronto con i loan tape. Se manca uno o l’altro, Datageddon decide quanto estendere l’analisi su catasto e conservatoria.

Una volta analizzata la documentazione e scelta la strada di risoluzione, Datageddon, connesso a catasto e conservatoria, fa tutte le analisi del caso per ricostruire sia il punto di partenza (cos’è stato finanziato 15 anni fa, chi erano i proprietari e i garanti degli immobili, cos’era scritto nella garanzia, etc.) che la situazione attuale (cosa sono diventati catastalmente gli immobili, quali di questi sono ancora a perimetro, ci sono eventuali restrizioni o cancellazioni, chi sono i soggetti proprietari e garanti, ci sono eventuali eredi, etc.).

Ricostruito la posizione, vengono forniti degli output standard che interagiscono con diverse metodologie, dal classico foglio Excel, fino ad un’interazione macchina-macchina in base alle esigenze e ai tracciati del cliente.

La piattaforma è stata pensata per essere utilizzata direttamente dagli operatori del credito e adotta un modello “human in the loop”. In quali fasi entra in gioco la verifica degli operatori e come vengono gestiti i dati incompleti, incoerenti o non risolvibili automaticamente?

Ovviamente prima di impattare su dei sistemi banca, input e output sono visibili su una piattaforma dedicata. Qualora ci siano degli errori in input, la piattaforma propone all’utente delle modalità di risoluzione. Facciamo un esempio di caso frequente: un “foglio” indica 21, ma in verità era il 12.

Datageddon se ne accorge e propone la modifica dell’input. In altri casi, la piattaforma effettua le modifiche direttamente, come nel caso di un Comune esistente 15 anni fa e poi accorpato al Comune vicino. È chiaro che se l’immobile non esiste, il soggetto non ha mai avuto immobili a catasto e i riferimenti all’ipoteca sono sbagliati, solo un’analisi dedicata (come andando a vedere la posizione nei terminali della banca) permette di fare chiarezza. Ma stiamo parlando di casi limite.

Anche in fase di output possono esserci degli errori, o dei blocchi della macchina, che richiedono un double-check da parte dell’operatore. Per esempio, si possono impostare dei limiti di spesa per i diritti erariali e un operatore deve dare l’ok manuale in caso di presunto superamento di questi limiti. A volte è necessario confermare manualmente che il nuovo proprietario sia effettivamente un erede.

Una volta ricostruite le informazioni provenienti dalle note ipotecarie e dalle altre fonti disponibili, come avviene la riconciliazione con i sistemi della banca o del servicer? Quali disallineamenti catastali, documentali o anagrafici possono essere identificati e corretti?

La piattaforma permette una completa tracciabilità del dato, ossia cos’era in origine e cos’è diventato. Sarà poi il cliente a decidere cosa tenere nei propri sistemi. Il nostro suggerimento è “entrambi i dati”, ma spesso i sistemi legacy non permettono questa flessibilità.

L’output, come detto in precedenza, può avere diverse forme: tracciato Excel standard, in piattaforma con un front-end dedicato, estratto in formati digitali come JSON o altri formati che possono essere importati direttamente nei sistemi banca.

Inoltre, banca o servicer possono decidere se mantenere il dato storico pre-bonifica o se cancellarlo e inserire quello corretto. Questa facoltà nasce dal fatto che il cliente, prima di dare l’ok, può valutare la qualità e la correttezza dell’output direttamente sulla piattaforma.

La bonifica del portafoglio non conclude necessariamente il percorso, perché i dati immobiliari continuano a cambiare nel tempo. In che modo il servizio Cassaforte crea un “digital twin” del database bonificato e consente alla banca di consultare, storicizzare e mantenere aggiornate le informazioni in autonomia?

Abbiamo parlato di sistemi legacy di banche e servicer un po’ ingessati e pocoinflessibili.

Spesso i nostri clienti si affidano a soluzioni esterne per l’estrazione di dati e documenti, come se la proprietà del dato non fosse loro. Abbiamo quindi investito in uno strumento che permette il “digital twin”, ossia il gemello digitale. Questo sistema è basato su un server in cloud che è accessibile direttamente dal cliente attraverso un terminale Postman, facilmente utilizzabile.

Inoltre, mentre i sistemi banca difficilmente sono in grado di auto aggiornarsi, il sistema digital twin monitora le posizioni e segnala eventuali modifiche (come cambio proprietario, nuova trascrizione in conservatoria, variazioni catastali, etc.).

Questa modalità di lavoro è un vero break through per i nostri clienti, perché i dati sono finalmente analizzabili dal personale interno in maniera rapida ed efficiente e, magari, con strumenti di AI che permettono di fare analisi predittive ad alto valore commerciale.

(Contenuto realizzato in collaborazione con Datasinc)