Intervista a Valentino Pediroda, CEO e co-founder di Modefinance 

Valentino Pediroda è l’esempio vivente del fatto che l’innovazione non è il prodotto di eventi casuali, ma che solo lo studio approfondito può permettere di osservare i fenomeni da un punto di vista critico benefico alla ricerca. 

Egli è il co-fondatore e CEO della società Modefinance, realtà triestina che si occupa di digitalizzare e automatizzare modelli di credit scoring tramite l’utilizzo di algoritmi di machine learning. Docente di Metodi Numerici presso l’Università di Trieste, sono numerosi gli studi riguardo le teorie sui metodi numerici che portano il suo nome. 

Ho avuto l’occasione di intervistarlo e discutere di temi come l’innovazione, i possibili sviluppi futuri dell’analisi dei dati e la figura del data scientist, uno dei profili più richieste dal mondo del lavoro in questo momento storico-tecnologico.

Al momento della fondazione della società, nel 2009, lo studio dei dati era ancora un campo poco esplorato, è stato difficile, quindi, ottenere la fiducia dei primi finanziatori?

Effettivamente sì. Essere, sotto alcuni punti di vista, i precursori, non è mai semplice.  Il fatto che Modefinance abbia indicato la strada che, col tempo si è rivelata vincente, ma che di fronte alla quale inizialmente non tutti erano pronti, si è rivelata una missione davvero complessa.

Quali erano i bisogni che mirava a soddisfare Modefinance nel momento in cui è stata fondata? Sono cambiati al giorno d’oggi?

Nel momento in cui siamo entrati in questo business, l’obiettivo era quello di creare uno scoring automatizzato che fosse più possibile globalizzato per tutte le aziende. In realtà, lo schema iniziale si è rivelato col tempo il mattoncino su cui abbiamo costruito quelle che oggi sono le nostre tecnologie. Quel mattoncino ha permesso alla nostra società di creare il prodotto Tigran, la piattaforma su cui le aziende e gli istituti finanziari possono automatizzare i propri processi di valutazione. Tutto è quindi iniziato con un’idea, anche se poi la sfida maggiore è stata realizzare l’infrastruttura e rendere il progetto funzionante e funzionale ai clienti. 

Per quanto riguarda gli indici ESG, la società si è adeguata fornendo anche questa tipologia di valutazioni, visto che il problema nel calcolo di questo fattore sono i criteri che vengono presi in considerazione, che possono variare da un’agenzia di rating all’altra, l’uso della data science e dell’intelligenza artificiale può aiutare nel rendere questo indice più oggettivo?

Ci stiamo lavorando all’interno del progetto dell’Unione Europea “TranspArEEnS”, su cui si lavora per standardizzare le modalità con cui vengono calcolati gli indici ESG. 

Il problema non riguarda tanto il benchmarking, quanto più le difficoltà nel recupero dei dati. Ad oggi per redigere in modo efficace il rating ESG di un’azienda, è indispensabile essere a stretto contatto con la stessa. 

La società Modefinance sta lavorando per automatizzare il processo di redazione del rating ESG. Al giorno d’oggi una stima può essere realizzata utilizzando gli indici pubblici, come quelli associati al rischio climatico, ma sul rating ESG vero e proprio il coinvolgimento dell’azienda è ancora fondamentale.

Essendo la data science una disciplina molto giovane, sono molti i vantaggi che devono essere ancora sfruttati, quali di questi ci si aspetta che possano essere scoperti nel breve termine?

Nel breve termine si possono ottenere vantaggi che riguardano principalmente i dati non supervisionati. Ad oggi, nel nostro mondo, si sfrutta l’intelligenza artificiale per recuperare un target, per esempio la probabilità di default PD oppure la probabilità che un’azienda possa essere acquisita, partendo da una grande mole di dati. Quello che può essere il prossimo passo della data science riguarda l’autocreazione dei target, stabilendo automaticamente delle relazioni che possano spiegare determinate sinergie.

Il problema riguardo queste nuove implementazioni dell’analisi dei dati non è tanto la potenzialità numerica e scientifica, che è concreta, ma nel cercare di capire se il mercato è pronto per determinate scoperte. Questo perché esso è data driven, si muove in base ai dati raccolti, bisogna quindi capire se esso, e le applicazioni di questi innovativi processi, sono pronti per una tale innovazione mentale prima che pratica.

Perché un cliente dovrebbe rivolgersi ad un’agenzia di rating Fintech come Modefinance piuttosto che ad una che utilizzi algoritmi di rating classici?

Mi accorgo che sempre di più non è fondamentale avere solo gli algoritmi e i mezzi tecnici, ma è necessaria la messa in opera di queste tecnologie, e questo è molto complesso.

Un’azienda come Modefinance possiede tre anime: da una parte è una rating agency, dall’altra una fintech e dall’altra ancora sviluppa le tecnologie, è l’unione tra queste tre identità che permette di ottenere il vantaggio competitivo che possiede oggi. 

Questo è evidente dal fatto che Modefinance riesce non solo a dare una visione globale delle aziende, ma farlo integrando piattaforme IT, riuscendo così ad adattarsi a quelle che sono le esigenze procedurali del cliente.

Secondo lei quale può essere il contributo pratico che la figura del data scientist può apportare all’interno di una qualsiasi società che opera nel mondo del business?

I data scientist sono fondamentali all’interno delle società perché senza l’aiuto dell’analisi dei dati nel 2022 non è più possibile essere sul mercato.

D’altro canto quello che è fondamentale è avere a che fare con data scientist preparati, il grande vantaggio si ha quando queste figure possiedono una profonda conoscenza tecnica della materia, non solo degli algoritmi di base.

Loading

Facebook Comments Box