Road to Forum Banca 2019: Daskell

Daskell è una startup che aiuta a velocizzare il processo di transizione verso una strategia data-driven, permettendo di mantenere una posizione competitiva al passo con l’innovazione. L'analisi dei dati è sempre più centrale all'interno del settore finanziario. Abbiamo avuto modo di intervistare Lorenzo Tarantino, CEO di Daskell.

Ciao Lorenzo, puoi parlarci del tuo background educativo e professionale? Come sei entrato nel mondo della Data Science?

Dopo aver conseguito la laurea triennale al Politecnico di Milano in Ingegneria Informatica, ho concluso i miei studi con un master all’EPFL (Losanna, Svizzera) al fine di perseguire un percorso incentrato su Data Science. 

In seguito, ho lavorato come Data Scientist in Swisscom nel campo audio per le telecomunicazioni, focalizzandomi sui temi sia dello Speech Emotion Recognition sia Text to Emotional Speech. 

Durante la mia esperienza in Svizzera ho potuto constatare il gap di competenze e avanzamento tecnologico in Data Science con l’Italia: per questa ragione io e altri due colleghi di facoltà abbiamo deciso di tornare in Italia e fondare Daskell.

Cosa è Daskell e come funziona?

Daskell è una startup innovativa la cui missione è accompagnare le aziende nel processo di transizione verso una strategia data-driven, fornendo servizi e prodotti personalizzati basati su Advanced Analytics, Big Data e Artificial Intelligence.

Una volta chiarite le esigenze dei nostri clienti, affrontiamo una prima fase di PoC (2-3 settimane) in cui sviluppiamo un primo prototipo AI in grado di analizzare i benefici effettivi del progetto. Durante la seconda fase, il modello viene ottimizzato per raggiungere le performance concordate con il cliente. Dopodiché, segue un’integrazione di tale modello nel sistema legacy cliente in maniera non invasiva con il deployment di una human-machine interface per gli specifici canali di utilizzo.

Inoltre, ricerchiamo opportunità di partnership strategiche con aziende in possesso di dati che possono rivelarsi fondamentali per la creazione di prodotti innovativi da immettere sul mercato.

Qual è la differenza tra Data Science e Intelligenza Artificiale?  

Data Science è l’area di comprensione e valorizzazione dei dati basata su competenze ingegneristiche, in particolare computer science, matematica e statistica. L’Intelligenza Artificiale (I.A.) è solo uno dei molti step nel journey della valorizzazione del dato, a cui precede la data collection, data exploration, data cleaning e filtering, features selection e molto altro, fasi che richiedono fino all’80% del tempo di un progetto.

Mentre Data Science si riferisce all'intero processo di analisi e valorizzazione del dato, l'I.A. viene definita come la capacità di un sistema di imparare dai dati e di utilizzare le conoscenze acquisite per svolgere autonomamente specifici task attraverso un adattamento flessibile a scenari dinamici. Nella pratica, con l’espressione Intelligenza Artificiale si fa riferimento a diverse tecniche di apprendimento, che spaziano dal Machine Learning al Deep Learning, utilizzate dipendentemente dalla complessità dei dati.

Chi sono i vostri clienti tipo e quali vantaggi ottengono dalla vostra soluzione?

Le soluzioni da noi proposte si applicano a differenti settori industriali e sono intrinsecamente legate alla presenza del dato.

I vantaggi di una strategia data-driven sono molteplici. Innanzitutto, si possono riscontrare aumenti di produttività e ricavi: ad esempio, tecniche di profiling e targeted marketing risultano in un aumento di fatturato fino al 30%. Altri benefici significativi sono la riduzione di tempi e costi: basta pensare alle tecniche di predictive maintenance nel settore manifatturiero che consentono di diminuire le spese di manutenzione fino al 25%/30%.

Inoltre, grazie ad un’analisi consapevole dei propri dati ed avendo esplicitato il loro valore aggiunto per altre realtà, è possibile esplorare nuove opportunità di business da poter inserire sul mercato.

Quali sono i principali ambiti d'uso della data science in ambito finanziario?   

In ambito finanziario, si parla di modelli di rischio e profilazioni dei clienti per aperture di nuovi conti correnti, decisioni di sottoscrizione di crediti e pricing di polizze assicurative. 

Per quanto riguarda la sicurezza, vengono sviluppati modelli di fraud detection sia per aumentare il numero di frodi identificate sia per diminuire il numero di transazioni legittime rifiutate.

Infine, vengono utilizzati modelli di segmentation e customer lifetime value prediction per definire i propri segmenti di clientela, individuare i clienti più proficui e quindi poterli raggiungere attraverso tecniche di pro-active marketing.

Quali sono le vostre aspettative nel partecipare a Forum Banca quest'anno?

Abbiamo notato come il termine Intelligenza Artificiale sia spesso utilizzato in modo improprio e confuso con approcci più standard come la  Robotic Process Automation (RPA). Ci poniamo quindi l’obiettivo di chiarire i benefici derivanti dall'uso di strategie data-driven rispetto all'analisi tradizionale dei dati.

Infine, durante Forum Banca speriamo di suscitare interesse tra i partecipanti e presentare le opportunità possibili all'interno del settore bancario.