Pagamenti digitali in Italia: nel 2023 transati 444 mld di euro (+12%)

I dati dell’Osservatorio Innovative Payments del Politecnico di Milano

Il transato dei pagamenti digitali nel 2023 è stato di 444 miliardi di euro, +12% rispetto al 2022 (397mld di euro). Questo valore include sia i pagamenti con carte e wallet (436 miliardi di euro, +12% rispetto al 2022) sia quelli basati su conto corrente e/o su conti di moneta elettronica non alimentati da carte (8 miliardi di transato, + 20 punti percentuali rispetto all’anno precedente).

In particolare, 7,6 milioni di italiani hanno usato lo smartphone o un dispositivo wearable per 1 pagamento elettronico ogni 7 in negozio, per un totale di 29 miliardi di euro (+78% rispetto al 2022). Anche il transato BNPL – Buy Now Pay Later -, che consente di comprare subito e pagare in seguito così da incentivare il tasso di conversione e ridurre quello di abbandono dei carrelli, è stato positivo nel 2023: 4,6 miliardi di euro con una penetrazione sul totale del mercato e-commerce nazionale pari a 6.5%.

Sono questi i principali dati emersi nella ricerca “Osservatorio Innovative Payments della School of Management” del Politecnico di Milano. Ma che cosa sono i pagamenti digitali? Tratteremo l’argomento in questo articolo, dandone una definizione chiara e analizzando anche i vari tipi di pagamenti digitali esistenti.

Che cosa si intende per pagamenti digitali

Per “Digital Payments” (pagamenti digitali), denominati anche pagamenti cashless, si intendono i pagamenti che vengono effettuati, con strumenti elettronici (come carte di pagamento o wallet, portafogli digitali) o tramite addebito diretto su conto corrente, per acquistare servizi o beni. Nella fattispecie, si usa questo termine per indicare le modalità di pagamento innovative, come contactless, e-commerce, mobile POS/smart POS/soft POS, innovative payment (wearable payment, device free-payment). Approfondiamo questi sistemi di pagamenti digitali nel prossimo paragrafo.

Quali sono i sistemi di pagamento digitali

Sono 4 le categorie individuate per distinguere i sistemi di pagamento digitali:

1) contactless, ovvero la possibilità di poter pagare senza un contatto diretto tra i dispositivi. L’esempio standard è il pagamento effettuato con una carta di credito solo avvicinandola, anziché inserirla, al POS;

2) e-commerce, meglio noto come “mobile commerce” in quanto si usa tendenzialmente il proprio smartphone per fare le transazioni online di acquisto prodotti o servizi in pochi clic;

3) mobile POS, il sistema che consente di pagare con la carta anche senza il tradizionale POS utilizzando la connessione da smartphone. In questo caso, tramite ingresso audio o bluetooth, il terminale è associato al cellulare del commerciante e la carta di pagamento dell’acquirente viene letta come se lo smartphone fosse un POS. Accanto al mobile POS c’è anche il Soft POS, anche conosciuto come “tap on phone“, che permette agli esercenti di usare il proprio smartphone o tablet per accettare pagamenti contactless, purché sul cellulare sia installata l’app per la gestione del sistema di pagamento;

4) innovative payments, che include quattro sottocategorie, come vedremo nel prossimo paragrafo.

Infine, ci sono gli APM (Alternative Payment Methods), che non passano dai circuiti tradizionali (es. carta prepagata o voucher).

Innovative Payments: quali sono

Nella categoria innovative payments rientrano:

Mobile Payment

Rientrano in questa casistica le occasioni in cui si utilizza lo smartphone come strumento di pagamento sia in negozi fisici che negli store online. Basti pensare che si lo si utilizza per pagare servizi legati alla mobilità, sia che si tratti di trasporto privato (car/bike o scooter sharing, taxi) sia pubblico (il pagamento del ticket a bordo di treni, bus o mezzi di trasporto pubblico locale).

In questo contesto rientra anche il mobile wallet (portafoglio digitale), una soluzione che a livello europeo si concretizza nell’EUDI (European Digital Identity) Wallet. La tecnologia più diffusa per questo tipi di pagamento è tramite NFC (Near Field Communication, Comunicazione a Campo Vicino) o in alternativa tramite QR code o geolocalizzazione associata al numero di cellulare. È soprattutto il mercato asiatico a farne grande uso con app come Wechat o Alipay, con cui è possibile comprare sia in negozio che online tramite P2B payments (person to business) o inviare denaro a persone con metodi P2P payments (person to person). Data la facilità di accesso al pagamento però si è reso altrettanto necessario dover proteggere i dati dell’utente. Ragion per cui è stata introdotta la principale misura di sicurezza prevista dalla seconda direttiva europea sui servizi di pagamento: l’autenticazione forte del cliente SCA (Strong Customer Authentication) che ridefinisce i metodi di autenticazione legittimi per autorizzare le transazioni finanziarie. A tal fine l’utente deve attivare l’autorizzazione a due fattori, che prevede la conoscenza di pin/password; il possesso dello smartphone o del token bancario; i dati biometrici (es. l’impronta digitale) dell’utente stesso.

Device Free Payment

Pagamenti che non necessitano di dispositivi di attivazione in quanto si sfruttano i dati biometrici (impronte, riconoscimento facciale o vocale) e l’addebito avviene automaticamente senza alcuna operazione fisica dell’utente. Viene perciò chiamato anche “invisibile payment” (pagamento “invisibile”).

Wearable Payment

Sono i dispositivi indossabili che permettono di fare transazioni in modo facile e veloce. Sono infatti frutto dello sviluppo della tecnologia IoT (Internet Of Things) e si integrano perfettamente con la quotidianità di chi li indossa, ottimizzando e automatizzando l’accesso a dati o funzionalità. Questo tipo di dispositivo è diffuso ormai in diversi ambiti. Lo si usa infatti per monitorare la propria attività fisica (fitness), per pagare ticket (trasporti), per rilevare i dati sulla salute e trasmetterli direttamente al medico in modo da avere un consulto da remoto e ricevere tempestivamente interventi salvavita. Anche per i pagamenti wearable entra in gioco, come per i mobile payment, la tecnologia NFC. Non serve quindi neppure prendere la carta, ma solo avvicinare il dispositivo per pagare subito in tutta sicurezza.

Smart Object Payment

Per Smart Object Payment si intendono i sistemi di pagamento mediante oggetti intelligenti, come pagamenti tramite altoparlanti (smart speaker payment), automobili (smart car payment) o addirittura elettrodomestici (Smart Appliance Payment), per esteso qualsiasi oggetto dotato di connessione e intelligente già oggi è predisposto e può essere configurato per operare un pagamento.

I pagamenti digitali tramite l’AI: come funzionano

In questo contesto non si può sottovalutare l’impatto che l’AI (intelligenza artificiale) sta avendo nell’ecosistema finanziario e in particolare nel mondo dei pagamenti, sia da back-office perché è utilizzata per identificare transazioni sospette, sia front office tramite robo advisor (consulenti digitali che forniscono consigli su piani di investimento in base al profilo dell’utente).

Un esempio di sviluppo tecnologico avanzato dei pagamenti digitali tramite AI è l’acquisto di prodotti o servizi tramite la propria voce grazie ad assistenti vocali come Alexa del colosso Amazon o Siri di Apple.

Perché conviene usare l’Intelligenza Artificiale: i campi di applicazione

Il contributo dell’AI è notevole anche:

• nell’analisi predittiva del comportamento di pagamento dei consumatori,che avvienetramite scansione dello storico dei dati. Questo consente di prevedere i volumi delle transazioni e quindi di poter gestire le operazioni di pagamento senza interruzioni, specie durante i periodi di picco delle vendite;
• nell’identificazione dei pagatori morosi;
• nella valutazione del rischio associato ai prestiti e nel processo decisionale del finanziamento. Infatti, l’AI profila il cliente crossando vari dati per determinare il livello di rischio (processo KYC, Know Your Customer), come vedremo dopo;
• nel miglioramento dei processi di autenticazione tramite il riconoscimento biometrico, ad esempio, al fine di rafforzare la sicurezza nei sistemi di pagamento;
• nel processo AP (Accounts Payable, inteso come contabilità dei fornitori esterni): basti pensare che può, per esempio, monitorare le transazioni al fine di rilevare che non ci siano segnali di riciclaggio di denaro o rilevare se due fatture sono duplicate scansionandone il testo mediante l’elaborazione del linguaggio naturale (NLP). Nel campo della PNL (Neuro-Linguistic Programming), inoltre, l’AI contribuisce a potenziare l’utilizzo di chatbot per gestire eventuali domande dei clienti sui pagamenti o i rimborsi, efficientando il servizio di customer care.

Machine Learning per processare le transazioni digitali

Come abbiamo visto, l’AI riduce significativamente la probabilità di transazioni non autorizzate, aumentando di conseguenza il livello di sicurezza dei pagamenti digitali. Infatti, in questo scenario di innovazione e trasformazione digitale, l’esposizione dei dati delle transazioni è molto elevata e conseguentemente soggetta a potenziali attacchi di cyber security. Ragione per cui soluzioni tecnologiche all’avanguardia, come l’adozione di sistemi di Machine Learning, si rivelano impattanti in termini di sicurezza nei digital payments.

Per poter processare l’enorme quantità di dati generata dalle transazioni digitali con l’obiettivo di ridurre il rischio di frode, infatti si ricorre a tecniche di Machine Learning, che, tramite lo storico delle transazioni, processano e misurano specifici parametri del pagamento digitale, rilevando se si tratti di una circostanza anomala o di una normale operazione bancaria. In questo modo, grazie agli algoritmi di apprendimento automatico, si vanno a identificare in tempo reale le potenziali frodi, consentendo un tempestivo intervento di segnalazione, come approfondiremo nel prossimo paragrafo.

Come utilizzare il Machine Learning per prevenire i pagamenti digitali fraudolenti

Entrando nello specifico, come si può utilizzare il Machine Learning per prevenire e rilevare le attività fraudolente? Le tecniche di Machine Learning analizzano i volumi delle transazioni, per riconoscere i modelli di comportamento dell’utente, cioè verificare se si discostano dai modelli normali e si tratti quindi di una truffa.

L’algoritmo di fatto va a crossare il comportamento abitudinario dell’utente con quello sospetto, considerando parametri come la geolocalizzazione, l’importo della transazione, il dispositivo usato e la cronologia di acquisti dell’utente. In questo modo si ha la possibilità di bloccare le transazioni sospette prima che vengano completate. In alcuni casi addirittura si analizza persino la biometria comportamentale dell’utente, ovvero in base a come l’utente ha digitato o ha mosso il mouse, l’algoritmo riconosce se le credenziali siano state compromesse e sia quindi in corso un tentativo di frode.

Alla base della rilevazione delle frodi c’è quindi un sistema di regole deterministiche. Per esempio: se l’importo è maggiore del valore “x” che era stato prefissato o se avvengono più transazioni in poco tempo, scatta un alert. Il sistema di AI infatti riconosce che, se un utente di solito fa piccole transazioni e in una specifica zona geografica improvvisamente ne fa una di grandi dimensioni e in un’altra area, potrebbe trattarsi di frode. In questo modo non solo si intercettano preventivamente i tentativi fraudolenti, ma al contempo se ne riducono anche i falsi positivi.

I vantaggi di ricorrere al Machine Learning pertanto si concretizzano in:

• ottimizzazione dei tempi di individuazione del tentativo di azione fraudolenta;
• realizzazione di modelli efficaci contro eventuali nuove tecniche fraudolente;
• miglioramento dell’affidabilità e della sicurezza del sistema di pagamento usato dai clienti, come nel caso delle banche, ampliando quindi anche le occasioni che una nuova clientela ne usufruisca.

Come le banche usano il Machine Learning

Gli istituti di credito usano il Machine Learning per individuare azioni sospette, in quanto:

1. gli algoritmi analizzano i dettagli della transazione (luogo, attività, importo, ora), rendendo possibile scoprire real time se si tratti di un’operazione sospetta, come l’utilizzo in un breve lasso di tempo di una carta di credito in due luoghi diversi;
2. è possibile anche monitorare le transazioni tramite soluzioni POS (Point Of Sales). Per esempio, se ci sono numerose richieste di sconti o rimborsi da uno stesso individuo potrebbe trattarsi di frode;
3. si può rilevare, mediante analisi delle fatture, se non corrispondono (o sono duplicati) gli importi.

Insomma, il Machine Learning è lo strumento che può essere adoperato per contrastare il fenomeno delle frodi informatiche anche in ambito bancario, in quanto aiuta a sviluppare un sistema più rapido e sicuro per intercettare le transazioni fraudolente. Le circostanze in cui i modelli di Machine Learning si rivelano utili possono essere diverse, ma di seguito riportiamo alcuni casi a titolo esemplificativo:

1. rilevano le anomalie nelle transazioni digitali dato che, grazie a determinati “training”, l’algoritmo impara a riconoscere se sia un’attività sospetta;
2. assegnano punteggi di rischio alle transazioni in base a vari fattori (importo, posizione, frequenza). Più il rischio è alto e più alta sarà la probabilità che sia una frode e sia quindi necessario procedere con un’indagine di approfondimento;
3. verificano la corrispondenza tra i documenti caricati e i dati biometrici del soggetto al fine di prevenire il furto di identità.

Si tratta cioè di potenzialità del Machine Learning e in generale dell’AI che possono essere sfruttate in diversi contesti, come:

• AML (Anti-Money Laundering), dove, ad esempio, si analizza il tipo di transazione eseguita dall’account per verificare che non si tratti di riciclaggio di denaro;
• Fraud Detection, ovvero grazie alla storicizzazione delle transazioni passate si può addestrare il modello di Machine Learning a riconoscere casi simili nelle transazioni future;
• KYC (Know Your Customer), vale a dire che le banche, tramite specifici modelli di Machine Learning, possono profilare i clienti e individuare quelli con coefficiente ad alto rischio, per una conoscenza più completa del cliente.

L’expertise di Sadas a servizio del settore Finance

Le esigenze tecnologiche e le conoscenze di business sono elementi fondamentali per affrontare il potenziale dei dati ricavati dallo scenario dei Digital Payments. In Sadas abbiamo all’attivo importanti progetti che sfruttano il patrimonio informativo per mettere a punto strategie di Business Intelligence che siano competitive per i player di mercato.

Grazie alla comprovata esperienza del nostro dipartimento di Data Science, siamo il partner tecnologico ideale per affrontare le sfide innovative che l’evoluzione del settore comporta.