Ovviamente me ne devo occupare anche io, in qualità di professore, sebbene non in materie specificamente tecnico-informatiche. L’intelligenza artificiale pervade già le nostre vite, anche se non ce ne accorgiamo neanche: sistemi di riconoscimento vocale, chatbot, algoritmi di trading, robot advisors, navigatori intelligenti.
E allora saliamo sul carro e vediamo, da semplice utente poco più che alfabetizzato in campo informatico, cosa si può fare.
Usiamo, come i più, ChatGPT. La versione gratuita inizialmente mi impressiona sotto certi aspetti (velocità, ad esempio). Ma poco alla volta mi accorgo che, per quanto utilissima per determinati usi ed obiettivi, in molti casi scade in logorroiche “supercazzole”. Della serie, te lo sapevo dire anche io.
Mi magnificano invece la versione a pagamento. L’obolo di 20 dollari al mese è più che accessibile. Si va.
Qui, mi si dice, puoi anche caricare dei file e farteli elaborare. Bene, vediamo con un mio piccolo dataset su excel: chiedo se me lo può caricare ma la risposta è NO. Come può essere?
Cerco in rete è trovo subito un tutorial. Prima considerazione: anche per l’AI ci vuole un consulente.
Il tutorial mi dice che devo in realtà caricare un file in csv. Pur nella mia ignoranza informatica riesco facilmente a capire come salvare un file excel in csv e caricarlo. La macchina, perché di quello si tratta, inizia ad elaborarlo: trova alcuni errori ma tutto sembra filare liscio.
Ok, allora proviamo con qualcosa di più complesso. Cosa si può analizzare? Vado sul sito dell’OCF e scarico l’elenco degli iscritti all’albo dei consulenti finanziari abilitati all’offerta fuori sede. L’elenco è composto di diversi file, già in csv, divisi per regioni: prendo la Lombardia come dataset di prova, visto che lì dentro ci trovo circa 12.000 righe.
Carico il csv. Come da “header” (caspita come sono già esperto!) ci dovrebbero essere 12 colonne per ogni nominativo. Ricordiamo che un file in csv appare visivamente come un file in excel in cui tutto è compattato nella prima riga, e dove le virgole usate come separatore corrisponderebbero alla suddivisione in colonne su un normale file excel (gli informatici rideranno ovviamente per questa mia spiegazione).
Le 12 colonne, cioè in definitiva le 12 informazioni che si hanno su ogni consulente sono le seguenti: nome, cognome, data di nascita, luogo di nascita, provincia luogo di nascita, indirizzo, numero civico, CAP, comune di residenza, provincia di residenza, denominazione società di appartenenza (vuota per chi non è operativo), regione. Tutto semplice mi sembra. Partiamo e vediamo cosa mi dice la macchina.
Qui iniziano le magagne.
La macchina non riesce ad elaborare adeguatamente le righe. Trova righe con più colonne e righe con meno. Chiedo di mostrarmi qualche esempio di righe problematiche. In molti casi mi accorgo che, in effetti, vi sono errori di compilazione del csv. In particolare, non sempre il numero civico è staccato dall’indirizzo con una virgola. Basterà allora dire alla macchina di tenerne conto, penso. Ma le cose non sono così semplici: la macchina non riconosce esattamente tutti i numerici civici, in particolari quelli composti da un numero e una lettera (tipo via Mameli 21 A). Cerco di spiegargli la cosa. Dopo svariati tentativi ci rinuncio e dico semplicemente alla macchina di mettermi dei “missing” dove non trova il numero civico (tanto non è quello che mi interessa).
Tutto a posto? Neanche per sogno. Chiedo una ricomposizione in excel del dataset e mi rendo conto della miriade di righe non allineate. Spiego alla macchina, ad esempio, che l’ultima colonna deve sempre contenere la parola LOMBARDIA, e che quindi deve riallineare considerando tale aspetto. Non ci riesce (al più mi scrive lei LOMBARDIA senza riallineare).
Riguardo il dataset, manualmente. Ok, mi rendo conto che la macchina, poverina, è ingannata da ulteriori errori nella composizione del csv. Non so chi e come ha inserito materialmente i dati, ma mi rendo conto che per una tale “BANCA POPOLARE DI …….” tutti i dati sono sballati in quanto la denominazione è spezzata in due (mannaggia a loro!). Correggo a mano.
Ma le cose continuano a non quadrare: ad esempio nella colonna 3 ci dovrebbe essere sempre una data di nascita ma così non avviene. La macchina non comprende che, in molti casi, nome e cognome sono separati da una virgola ma senza una spazio dopo la virgola: legge nome virgola cognome come un’unica stringa e non li separa, “sballando” quindi l’allineamento delle colonne. Correggo a mano.
Seconda considerazione: mi viene in mente che qualsiasi stagista avrebbe capito al volo le incongruenze presenti nel dataset e, diciamo in un paio di ore di lavoro, lo avrebbe sistemato. Io ce ne ho messe di più, ma è una mia mancanza. Ad ogni modo, al momento mi sembra che il concetto di fondo sia il seguente: la macchina è pensata per interagire con l’umano in modo umano, cioè usando le sue parole e imparando a comprendere le sue richieste e il suo modo di ragionare. Ma c’è ancora molto da lavorare per affinare la cosa!! Al momento, siamo ancora ad uno stadio in cui è l’uomo che si deve abbassare a livello macchina: più si danno istruzioni precise, direi matematiche, più la macchina comprende e opera. Difficile invece che intuisca.
I consulenti finanziari in Lombardia
A questo punto siamo pronti. Iniziamo a vedere cosa si può estrapolare da ciò che abbiamo.
Su un totale di 12.006 righe (nominativi), il numero di consulenti finanziari per cui è presente una società di consulenza (ovvero quelli operativi) è di 8.134. Come a dire: una intera e grande rete fuori dal mercato.
Chiediamo alla macchina di aggiungere una colonna con l’età dei consulenti finanziari: risulta che l’età massima tra gli 8.134 consulenti finanziari operativi è di 90 anni (lavoro non logorante direi), mentre l’età minima è di 21 anni.
Ora la macchina appare più oliata e gira meglio. Ci si inizia a divertire (ti diverti con poco direte voi! E sia). Chiedo di crearmi un grafico con la distribuzione dell’età dei consulenti operativi. Qui sotto il risultato.
Ora, che l’età media dei consulenti finanziari fosse avanzata lo si sapeva già. Ma la macchina permette di indagare velocemente e abbastanza approfonditamente il fenomeno.
Chiedo alla macchina di darmi una sua analisi, considerando solo le società con più di 100 consulenti finanziari nella regione (NB: nel file csv dell’organismo permane una suddivisione tra consulenti di Fideuram, Intesa Private Banking, Intesa, e IW Private SIM che dovrebbero essere ormai ricondotte ad un’unica realtà). Eccovi il risultato, in corsivo.
“Ecco alcune osservazioni basate sulla distribuzione di età dei consulenti finanziari per ciascuna delle società con più di 100 consulenti:
Medie d’età: la media d’età varia tra le diverse società. Ad esempio, la media d’età per “CREDEM – EUROMOBILIARE PRIVATE BANKING SPA” e “IW PRIVATE INVESTMENTS SIM S.P.A” è di circa 55 anni, il che indica che queste società tendono ad avere consulenti più anziani. D’altra parte, “CREDIT AGRICOLE ITALIA SPA” e “INTESA SANPAOLO SPA” hanno una media d’età di circa 45 e 47 anni, rispettivamente, indicando una forza lavoro relativamente più giovane.
Mediane d’età: La mediana d’età fornisce una rappresentazione più robusta della distribuzione di età, poiché è meno influenzata dalle età estreme. Per molte società, la mediana d’età oscilla intorno ai 50-55 anni.
Moda d’età: La moda rappresenta l’età più comune tra i consulenti di una determinata società. Ad esempio, per “AZIMUT CAPITAL MANAGEMENT SGR SPA”, “BANCA ALETTI SPA”, e “CREDEM – EUROMOBILIARE PRIVATE BANKING SPA”, l’età più comune è di 59 anni, indicando una significativa concentrazione di consulenti in quella fascia d’età.
Implicazioni e considerazioni:
Società con una media d’età più alta potrebbero avere un corpo di consulenti con più esperienza, ma potrebbero anche affrontare sfide nel futuro prossimo legate al pensionamento di una parte significativa dei loro consulenti. Al contrario, le società con una media d’età più bassa potrebbero beneficiare di un approccio più fresco e innovativo grazie a una forza lavoro più giovane, ma potrebbero anche dover affrontare le sfide legate alla formazione e all’esperienza. La pianificazione delle risorse umane, la formazione e lo sviluppo, e la gestione della successione sono aree chiave su cui le società potrebbero voler concentrarsi, a seconda della distribuzione d’età dei loro consulenti. Queste sono solo alcune osservazioni iniziali basate sui dati. Un’analisi più approfondita potrebbe includere interviste con le parti interessate, un’analisi delle tendenze nel tempo e un confronto con dati di mercato o benchmark del settore per avere una visione più completa”
L’ultima parte della risposta data dalla macchina torna ad essere una “supercazzola”. Gli indicatori statistici sono invece un primo assaggio di analisi.
Prima di addentrarmi in ulteriori analisi relative alle singole società con più di 100 consulenti, provo con una disamina “contrarian”. Qual è invece la distribuzione d’età dei consulenti NON OPERATIVI? Penso che i più siano anziani usciti dall’attività che, per dimenticanza o non voglia, non si sono ancora cancellati.
Come da grafico sottostante, invece, trovo che la distribuzione non si discosta molto da quella degli OPERATIVI. Che spiegazione dare? Non saprei, ma evidentemente si tratta di persone che hanno cambiato attività pur considerando utile rimanere iscritti all’albo, ovvero che si sono iscritte all’albo ma che non hanno ancora deciso di fare quel lavoro. Possono essere recuperati dalle mandanti e inseriti nella professione? Lascio agli head hunter il compito di analizzarli ad uno ad uno.
Focalizziamoci ora sulle società con più consulenti. Qui sotto un grafico che ce le mette in classifica in base al numero dei consulenti operativi.
Proviamo ad indagare ulteriormente l’età anagrafica dei consulenti di queste reti. Chiediamo alla macchina di indicarci in un grafico la percentuale di consulenti finanziari con più di 55 anni (vedi grafico sottostante)
Incrociando le dita e sperando che la macchina abbia pescato giusto (rimango comunque diffidente), si notano delle differenze di non poco conto. E’ vero che l’invecchiamento dei propri uomini è un problema per tutte le reti, ma in alcune realtà il fenomeno appare ancora più evidente: passiamo da percentuali sopra al 50% a percentuali sotto il 40%.
Vediamo allora l’altra faccia della medaglia. Quali sono i consulenti con età inferiore ai 40 anni? E cioè: non proprio i giovanissimi, perché quelli sono veramente poco presenti, ma almeno quelli che hanno davanti a loro almeno altri 25/30 anni di attività.
I numeri, in parte, si ribaltano. Ad esempio, Credem-Euromobiliare che risultava prima nella classifica degli ultra 55 anni, è l’ultima dell’elenco se consideriamo i consulenti sotto i 40 anni. Per altre realtà emerge indirettamente una distribuzione d’età concentrata invece sui consulenti maturi ma non troppo. Ad esempio, Banca Mediolanum è essenzialmente a metà classifica in entrambe le suddivisioni: non troppi consulenti sopra i 55 anni, ma neanche molti sotto i 40 anni.
La macchina permette anche di fare interessanti confronti tra diverse realtà. Ad esempio, nei due grafici sottostanti trovate il raffronto tra la distribuzione dell’età dei consulenti finanziari di Banca Mediolanum e Banca Generali, e di Banca Mediolanum e Fineco
Nel primo caso emerge una distribuzione d’età fattivamente differente. Fino ai 50 anni la percentuale presente nei diversi cluster di età è maggiore per Banca Mediolanum, mentre oltre tale età il risultano si inverte. Nel secondo caso le distribuzioni appaiono più simili, anche se si nota una netta prevalenza di Fineco negli under 40
Visti i dati in nostro possesso, proviamo a veder cosa emerge indagando la distribuzione per province di residenza. Consideriamo sempre le realtà con più di 100 consulenti operativi. Il grafico sottostante mostra la distribuzione complessiva per provincia
Spicca ovviamente la provincia di Milano, e c’era da aspettarselo. Più interessante è la suddivisione sulle singole società. Sempre prendendo a riferimento quelle con più di 100 consulenti, eccovi una tabella riepilogativa qui sotto.
Qui alcune interessanti differenze emergono. Pur rimanendo la provincia di Milano quella più “frequentata”, in altre zone la collocazione dei consulenti diverge. In provincia di Brescia, ad esempio, Allianz registra un 6,44% di consulenti operativi, mentre per Azimut siamo al 14,25%.
Brevi conclusioni
L’intelligenza artificiale ha potenzialità immense, quello lo si è capito. Ma rimane da capire come utilizzarla e come può essere utile a chi lavora nel settore finanziario, seppur in diversi ambiti e con ruoli differenti.
Mi ricordo bene che una nota professoressa del mio settore disciplinare, ora in pensione, di fronte alla presentazione di un giovane ricercatore chiosò dicendo: “E fallo cantare di più questo dataset!”
E’ proprio qui che si gioca la partita: capire quali dati possono essere interessanti, capire dove andare a trovarli, pulirli e renderli elaborabili, estrarne delle informazioni (che sono diverse dai dati), interpretare le informazioni e, infine, usarle in chiave commerciale (che altrimenti rimaniamo nel campo del divertissement).
