Nell’industria dell’asset management la capacità di elaborare grandi quantità di dati non strutturati e ricavarne insight nascosti sarà un fattore critico per il successo degli investitori data-driven. È essenziale che le tecniche di investimento progrediscano di pari passo con la disponibilità di informazioni, perché in definitiva investire è da sempre questione di riuscire a mantenere un vantaggio informativo e analitico, e gestione attiva significa scoprire nuove opportunità prima che siano scontate dal mercato.
Tecniche come l’elaborazione del linguaggio naturale (‘NLP’, un sottoinsieme di tecnologie per l’apprendimento automatico che utilizza i computer per interpretare vaste quantità di testo da molteplici fonti in varie lingue, oppure per analizzare dati non strutturati o non facilmente quantificabili) sono essenziali per le società che vogliono rimanere competitive, in quanto consentono di analizzare più dati con maggiore velocità ed efficacia, limitando le risorse impiegate. L’elaborazione del linguaggio naturale può inoltre portare alla luce i sottili rapporti esistenti non solo all’interno di una società, ma anche tra diverse realtà, oppure creare opportunità sfruttando le asimmetrie informative rilevabili nelle aziende di minori dimensioni, nelle società off-benchmark e nelle società dei mercati emergenti meno seguiti dagli analisti.
L’analisi del traffico dei dati web e delle transazioni con carte di credito sono solo due dei numerosi modi in cui ampi set di dati possono fornire un vantaggio informativo nel processo di investimento.
Con il continuo sviluppo del commercio elettronico e il progressivo aumento della spesa online dei consumatori1, siamo costantemente esposti a fonti di nuovi dati che possono essere analizzati con frequenza giornaliera e per migliaia di società a livello globale. Questo è particolarmente utile per le aziende che si interfacciano con i consumatori attraverso il web, come i retailer o le compagnie aeree.
I dati relativi alle transazioni con carte di credito possono offrire informazioni molto interessanti per prevedere la crescita dei ricavi e della redditività delle società che vendono direttamente alla clientela. Questi segnali sono più efficaci se applicati ai settori dei consumi dove è più frequente l’uso delle carte di credito per completare le transazioni: nel segmento statunitense della vendita al dettaglio di materiali per l’edilizia, per esempio, le stime sull’uso delle carte di credito hanno evidenziato una correlazione del 70% con l’effettiva crescita dei ricavi . Questo segnale è risultato predittivo anche della crescita del fatturato fino a dodici mesi. Inoltre, poiché i dati sulle carte di credito sono forniti mensilmente con un ritardo di soli sei giorni, mentre gli utili societari vengono comunicati ogni tre mesi con un ritardo di due settimane e mezza, questi possono fornire con maggiore frequenza insight aggiuntivi e in tempo reale sui trend di redditività, conferendo quindi un potenziale vantaggio informativo all’investitore prima di raggiungere il mercato.
Aree di impatto
A prescindere dal processo di investimento, ci sono molte altre aree nell’asset management in cui le tecnologie per l’apprendimento automatico stanno già avendo un certo impatto. Queste ultime, ad esempio, possono essere efficaci nel portare a termine compiti come filtrare le email dei dipendenti alla ricerca di potenziali contenuti non-compliant o individuare violazioni, quali manipolazioni di mercato legate ad attività di trading non autorizzate, portando a una riduzione dei costi e del rischio operativo.
I dati sono le star
Per estrarre insight spendibili dai dati è necessario che manager esperti utilizzino processi analitici e tecnologie di elaborazione avanzati; considerato l’aumento esponenziale del tasso di dati non strutturati generati (Figura 1), siamo fermamente convinti che le tecnologie data-driven non possano, di per sé, migliorare il processo decisionale. Sarà invece la combinazione tra giudizio umano e tecnologia a produrre i risultati migliori. D’altro canto, le star di questo processo sono i dati stessi, e per sfruttare al massimo tutte queste tecnologie entusiasmanti le società dovranno lavorare incessantemente per aumentare gli standard di qualità dei dati, in quanto il focus sull’uso di ‘dati puliti’ è realmente essenziale per ciò che sta dietro lo schermo. L’output di queste tecnologie è utile solo se l’input è significativo e i vantaggi dell’apprendimento automatico possono rapidamente svanire se i dati non sono accurati.
L’intelligenza artificiale può prendere il posto di quella umana nel processo decisionale? Difficilmente le tecnologie potranno rimpiazzare qualità umane come il giudizio e l’esperienza. Riteniamo che i dati possano originare input tempestivi e informati che saranno efficaci solo se attentamente gestiti dai portfolio manager, in quanto i processi di ricerca e costruzione del portafoglio richiedono ancora un elevato grado di giudizio ed esperienza umani.
1 Negli Stati Uniti, l’e-commerce rappresenta oggi oltre il 10% del mercato retail totale, in aumento rispetto al 5% del 2008. Nei mercati emergenti questa traiettoria di crescita è addirittura più veloce: in Cina, per esempio, il 15% della spesa totale avviene attualmente online, un dato che nel 2008 era inferiore al 2%.
Fonte: iResearch, Forrester Research, Credit Suisse (2016).
2 Fonte: GSAM, al 31/12/2015. Questo dato sulla correlazione rappresenta la crescita trimestrale su base annua del segmento vendita al dettaglio di materiali per l’edilizia dal 31/01/2008 al 30/10/2015.