Backtesting di un sistema di early warning bancario: integrazione tra intelligenza artificiale e business intelligence – Il caso Credem

La gestione e il monitoraggio del rischio di credito sono fondamentali per le banche. Tale necessità è dettata dalla rapida evoluzione del quadro normativo, dall’instabilità macroeconomica e dalla crescente automazione tecnologica nei processi decisionali. In questo scenario, i modelli predittivi di early warning risultano fondamentali per anticipare le difficoltà finanziarie e valutare preventivamente la probabilità di insolvenza delle controparti. Questo elaborato analizza l’intero processo di backtesting di un motore di early warning sviluppato all’interno della banca Credem. L’obiettivo è valutarne l’efficacia predittiva e la stabilità nel tempo. L’analisi descrive come è stato creato il modello, come sono state scelte le metriche e come sono stati raccolti i dati. La tesi analizza nel dettaglio la progettazione e l’implementazione di una dashboard interattiva all’interno del software Power BI. Tale dashboard sostituisce i vecchi rapporti statistici in PowerPoint e consente di visualizzare i risultati in modo dinamico, automatizzando i flussi informativi e permettendo l’esplorazione multidimensionale del dato. Inoltre, il presente studio esplora l’uso di strumenti di intelligenza artificiale come Copilot e NotebookLM per lavorare con i dati e documentare il processo. Il caso Credem dimostra come l’integrazione tra modelli predittivi, business intelligence e strumenti di intelligenza artificiale possa migliorare significativamente la gestione del rischio di credito, rendendola più digitale, efficiente e strategica.