I dati alternativi, spesso chiamati alternative data, sono informazioni usate per studiare un'attività economica ma nate fuori dalle fonti finanziarie abituali, come prezzi, bilanci e comunicati societari. Immagini satellitari, visite a un sito, transazioni aggregate con carta e recensioni online sono esempi comuni. Un dato insolito, però, non è automaticamente utile né affidabile.
Dal dato grezzo alla lettura
Il punto di partenza è un'osservazione del mondo reale: veicoli in un parcheggio, navi in movimento o utilizzo di un'app. Per trasformarla in ricerca servono una provenienza verificabile, date corrette e un confronto con ciò che si voleva misurare. Il dato affianca bilanci e prezzi; non li sostituisce per definizione.
“Alternativo” descrive la fonte rispetto ai dati tradizionali. “Non strutturato” descrive invece il formato. Una fotografia satellitare può essere entrambe le cose; una tabella di spesa aggregata può essere alternativa ma già strutturata.
Controlli prima dell'uso
La prima domanda è che cosa rappresenta davvero il campione. I clienti di un singolo fornitore di pagamenti, per esempio, potrebbero non somigliare a tutti i clienti di un'impresa. Copertura geografica, dispositivi osservati e cambiamenti nel metodo di raccolta possono creare falsi movimenti.
Va poi ricostruita la catena del dato: chi lo ha raccolto, quali trasformazioni ha subito, quali diritti ne consentono l'uso e quando è arrivato. Privacy, licenze e condizioni contrattuali non sono dettagli tecnici. La conformità dipende dalla giurisdizione e dal soggetto che usa il dato.
Infine si confrontano costo e utilità marginale. Acquisto, pulizia, collegamento alle società e manutenzione possono costare più dell'informazione ottenuta. Un segnale promettente in passato può inoltre perdere valore quando cambiano il campione, il comportamento osservato o il numero di operatori che lo usa.
Profondità: tempo, leakage e decadimento
Una verifica professionale conserva versioni point in time: per ogni data usa soltanto ciò che era disponibile allora. Se il test incorpora correzioni pubblicate dopo, informazioni future entrano nel passato e producono data leakage. Anche eliminare retroattivamente imprese cessate o utenti scomparsi può introdurre un bias di sopravvivenza.
Il controllo fuori campione riduce l'overfitting, ma non basta. Occorre sorvegliare ritardi, revisioni, copertura ed entity mapping, cioè l'associazione tra osservazioni e società corrette. Quando uno di questi elementi cambia, il significato economico del segnale può cambiare con lui.
I dati alternativi non contengono necessariamente informazioni materiali non pubbliche. Tuttavia lo staff della Division of Examinations della SEC ha segnalato, negli Stati Uniti, carenze nella diligenza su fornitori, condizioni di raccolta e rischio MNPI presso alcuni consulenti. Per questo un processo serio documenta provenienza, segnali d'allarme, controlli periodici e decisioni di utilizzo: il dato è un input di ricerca, non una scorciatoia legale né una promessa di rendimento.
Fonti
- SEC Division of Examinations, Investment Adviser MNPI Compliance Issues — definizione, esempi e rilievi sulla diligenza relativa ai dati alternativi negli Stati Uniti.
- CFA Institute, Data science and AI: A guide for investment managers — ciclo del dato, fonti non tradizionali, qualità e principi di governance.
- CFA Institute Research and Policy Center, Unstructured Data and AI — distinzione fra dati alternativi e non strutturati e uso responsabile nella ricerca.
- CFA Institute Research Foundation, Investment Model Validation: A Guide for Practitioners — bias di sopravvivenza e look-ahead, test fuori campione e validazione temporale.