Gli analisti finanziari lavorano in ruoli fortemente quantitativi e orientati ai dati. In un’indagine McKinsey, l’87% degli intervistati ha dichiarato di trovarsi attualmente o di trovarsi nei prossimi 5 anni ad affrontare carenze di competenze, e il 43% di loro ha indicato che i divari maggiori saranno nei ruoli legati ai dati. Questi ruoli sono sempre più importanti nella Finanza, dato che Gartner prevede che oltre l’80% delle organizzazioni di servizi finanziari aumenterà l’uso di analytics avanzati nel 2021.
I team Finance dovrebbero imparare strumenti di dati “moderni” come R, Python e SQL o soluzioni di business intelligence per ottenere insight prima nascosti. Oltre a generare insight di valore, consentire agli analisti di apprendere nuove competenze sui dati è molto attraente per i candidati, secondo il 64% dei partecipanti a un’indagine Robert Half.
In questo articolo, vedremo 4 casi d’uso della data science che gli analisti finanziari possono iniziare a sfruttare oggi per integrare la loro competenza di dominio.
Quattro modi in cui gli analisti finanziari possono iniziare con le competenze sui dati
Analizza rapidamente i dati e comunica gli insight
Un elemento chiave delle responsabilità di un analista finanziario è la capacità di analizzare i dati finanziari e trarne insight. Oltre alle competenze con Excel, è possibile rendere il processo di analisi più efficiente ed efficace sfruttando strumenti come SQL insieme a strumenti di BI e linguaggi di programmazione open source come R e Python.
Questi strumenti sono particolarmente utili nelle analisi che coinvolgono dataset più grandi. SQL è un linguaggio di programmazione usato per comunicare con i database per recuperare e organizzare i dati. Consente agli analisti di estrarre solo le informazioni di interesse, portando a flussi di lavoro di analisi più rapidi. Per esempio, se un analista stesse costruendo un modello per proiettare i flussi di cassa di un reparto specifico, potrebbe filtrare il database con tutti i flussi di cassa dell’organizzazione per ottenere solo quelli del reparto che desidera analizzare. Accedere velocemente solo ai dati necessari per l’analisi porta a flussi di lavoro significativamente più efficienti.
Una volta raccolti i dati, si possono ottenere insight rapidamente con SQL calcolando statistiche riassuntive. Per esempio, la media e la deviazione standard dei flussi di cassa in ciascun mese possono essere calcolate velocemente usando aggregazioni per gruppo in SQL.
Comunicare gli insight delle analisi agli stakeholder è fondamentale per generare valore. Scoprire come migliorare i flussi di cassa è utile solo se viene comunicato in modo efficace ai decisori, spingendoli ad agire. Questi insight possono essere rappresentati con precisione tramite strumenti di BI (come Power BI e Tableau) o librerie open source in Python e R come Dash e Shiny. Questi strumenti permettono agli analisti di mostrare rapidamente i risultati tramite dashboard interattive.
Prendi decisioni migliori con le previsioni su serie storiche
Un altro caso d’uso prezioso della data science per gli analisti finanziari è l’analisi delle serie temporali. Fare previsioni accurate è un compito comune per gli analisti finanziari. Possono prevedere l’andamento futuro dei prezzi azionari, l’abbandono dei clienti, i flussi di cassa o il valore del ciclo di vita del cliente. Queste previsioni devono essere affidabili e precise per aggiungere valore ai processi decisionali.
I dati storici possono essere sfruttati nei compiti di previsione per ottenere stime più realistiche e sicure. La stagionalità è fondamentale in molte attività di forecasting. Nell’arco dell’anno, le attività aziendali fluttuano. Ciò è particolarmente vero quando eventi dirompenti come il covid-19 hanno influenzato le operazioni della maggior parte delle organizzazioni. Comprendere queste fluttuazioni stagionali può portare a previsioni significativamente migliori. Esistono molti strumenti open source in R e Python che semplificano l’analisi delle serie temporali. Questi consentono un approccio più dinamico ai compiti di previsione.
Automatizza i processi aziendali con le competenze di programmazione
Un’applicazione preziosa delle competenze di programmazione in qualsiasi ambito è la possibilità di automatizzare i compiti ripetitivi. Script in R o Python possono eseguire tutti i giorni attività ricorrenti per far risparmiare tempo agli analisti e consentire loro di occuparsi di altre responsabilità.
Un compito ripetuto è mettere insieme un elenco dei titoli con le migliori performance del giorno precedente per un determinato settore. Un analista può creare uno script da eseguire ogni notte dopo la chiusura dei mercati. Questo script può estrarre i dati necessari accedendo all’API dati dell’organizzazione, usare i tipi di dato e gli strumenti di Python come i DataFrame di pandas e un notebook Jupyter per pulire efficacemente questi dati (per renderli più facili da usare), e infine generare un file di foglio di calcolo Excel nel formato in cui in passato l’analista inseriva sempre i dati manualmente.
La mattina seguente, l’analista può iniziare a lavorare sulle attività successive, come scrivere un report su questi dati. Nel giro di alcune settimane, la quantità di lavoro che questo analista può portare a termine, non dovendo più creare manualmente questo foglio ogni mattina, sarà significativa.
Prevedi i risultati con il machine learning
Il machine learning svolge un ruolo fondamentale nell’analisi finanziaria. Sia l’apprendimento supervisionato sia quello non supervisionato possono essere sfruttati in finanza per migliorare l’efficienza e l’efficacia di compiti come l’analisi dei documenti e la digitalizzazione dei documenti fisici.
Esistono molte applicazioni dell’apprendimento supervisionato (addestrare modelli di machine learning con etichette “corrette” per eseguire in futuro il compito senza etichette date) utilizzabili per attività finanziarie. Alcuni di questi compiti includono la conversione di documenti fisici in documenti digitali, il rilevamento delle frodi, la gestione ottimale del portafoglio e le previsioni dei prezzi azionari futuri. Tutte queste attività sono molto importanti per gli analisti finanziari e devono essere svolte con precisione. Gli analisti possono sfruttare il machine learning, grazie alle grandi quantità di dati a loro disposizione, per completare queste attività in modo più efficace. Altre applicazioni del machine learning in finanza sono disponibili qui.
L’apprendimento non supervisionato (addestrare modelli senza alcuna etichetta “corretta” predefinita) può essere sfruttato anch’esso in questi tipi di compiti. Un modello che si può costruire potrebbe organizzare i documenti appena digitalizzati in una struttura di cartelle appropriata per un facile accesso.
Costruendo modelli per gestire le attività di base di elaborazione e analisi dei documenti, un analista può dedicare più tempo a creare insight azionabili a partire da tutti questi dati disponibili, che in genere sono sottoutilizzati a causa della loro scarsa accessibilità.
L’upskilling è l’unica strada per andare avanti
Man mano che la data science si integra sempre più nell’industria finanziaria, l’unico modo perché gli analisti finanziari continuino ad avere successo e offrano pienamente il proprio valore alle organizzazioni è acquisire competenze sui dati. Come visto nei quattro casi d’uso precedenti, le competenze di data science possono migliorare notevolmente produttività e qualità del lavoro grazie ad automazione, organizzazione e visualizzazione dei dati.
Un’indagine recente ha mostrato che il 90% delle società finanziarie prevede di aumentare il consumo di dati entro l’anno successivo e il 52% di esse ritiene che analizzare in modo significativo questi dati sia una priorità strategica fondamentale. Considerato il gap di competenze sui dati, l’unico modo per soddisfare queste aspettative è che gli analisti finanziari facciano upskilling.
