/ bflows

Bflows: dalla Supply Chain Finance alla Network Finance

Bflows è una tecnologia del tutto inedita che, a livello tecnico e concettuale, si fonda su principi differenti da quelli adottati dai sistemi di finanza tradizionale.
Attualmente, le istituzioni finanziarie considerano i pagamenti tra i propri clienti come singole relazioni tra un debitore ed un creditore. Alla base dell’idea di Bflows c’é la convinzione che uscendo dall’approccio bilaterale del rapporto creditore e debitore si possa guardare al mercato dei pagamenti in un modo del tutto inedito.

Infatti, le stesse informazioni, oggi gestite dalle istituzioni finanziarie come una serie di relazioni bilaterali scollegate tra loro, potrebbero essere gestite in maniera più efficace se riorganizzate secondo una prospettiva di network, valutando le interconnessioni esistenti tra debitori e creditori.
In questo modo Bflows, a partire dalla stessa base dati di relazioni bilaterali, riorganizzata in un’ottica di rete, è in grado di ridurre drasticamente i tempi di pagamento e di offrire pagamenti certi ai soggetti coinvolti per parte delle loro fatture senza necessità di ricorso al credito.

Gli algoritmi di Bflows infatti, raccolti tutti i dati sulle fatture inserite nel sistema, selezionano e validano tutti i cicli di pagamento che si autosostengono senza necessità di finanziamento esterno e, sulla base di entrate e uscite, ne predispone la regolazione.

Gli algoritmi di Bflows, infatti, attraverso l’utilizzo di tecnologie Big Data e di una sequenza di algoritmi di Big Data Analysis proprietari, consentono di individuare una lista ordinata di pagamenti da effettuare nel rispetto di determinati vincoli iniziali (saldo finale di tutti gli utenti coinvolti pari o maggiore di zero), a partire da uno o più dataset di fatture combinati ad uno o più dataset di informazioni relative agli utenti coinvolti (di base: saldo iniziale del conto e informazioni anagrafiche).

Come avviene per tutti i sistemi basati sui Big Data, le dinamiche di analisi connesse ai principi di nesso causale, tipiche delle intelligenze biologiche, sono sostituite da uno schema di correlazione “libero” da vincoli causali, secondo un approccio tipico delle intelligenze sintetiche. Il superamento dell’approccio causale permette ai sistemi di Big Data analysis di rilevare, nelle serie di dati analizzati, pattern e schemi impossibili da prevedere con una analisi a priori svolta secondo lo schema di nessi causali di cui sopra.

Questo tipo di analisi pertanto non è tanto volta a spiegare “il perché” qualcosa accada, come avveniva in passato con i tradizionali sistemi di analisi, quanto più a descrivere “il cosa” accade.

In sostanza, nel caso di Bflows, le correlazioni e le interrelazioni tra i nodi del network non si fondano su un'analisi o uno studio preventivi delle filiere in cui si vorrebbe operare e delle dinamiche di funzionamento interne alle stesse. Sono i dati stessi a “parlare” e a guidare l’output dell’analisi rivelando spesso sottosistemi di relazioni inaspettate di cui difficilmente si sarebbe trovato traccia in una analisi di tipo tradizionale.
Lo stesso network complessivo non viene individuato a priori, ma si compone ad ogni analisi dell’algoritmo, individuando tra migliaia di soluzioni possibili quella più efficiente, garantendo a tutti i partecipanti l’ottimo, ovvero il miglior risultato possibile.

Bflows in questo modo si distacca dal concetto di supply chain finance e inaugura un approccio completamente diverso fondato sulla analisi delle interrelazioni dei vari operatori economici indipendentemente dal loro settore di appartenenza.

Come sappiamo, il concetto della supply chain si basa sulla gestione di imprese e professionisti che operano su di uno stessa filiera di produzione e di distribuzione.
Questo tipo di clusterizzazione permette a determinati elementi della filiera (spesso gli operatori che stanno agli estremi della filiera stessa) di finanziare i flussi necessari all’attività della stessa riducendo nel complesso il rischio di insolvenza. La calmierazione del rischio è dovuta alle informazioni che ogni operatore possiede sugli altri operatori, proprio in virtù della loro appartenenza a questo specifico cluster.

Bflows non necessita per operare di questo tipo di clusterizzazione della base utenti. L’appartenenza stessa alla piattaforma (indipendentemente dal settore di provenienza dei singoli utenti) è condizione necessaria e sufficiente affinché, rispettate determinate condizioni (analizzate in precedenza), possa avvenire il regolamento dei pagamenti fra gli operatori economici che partecipano al sistema e quindi l’ottimizzazione del flusso operativo complessivo.

Volendo essere più precisi nella piattaforma Bflows gli utenti interagiscono fra loro indipendentemente dalla loro appartenenza a specifiche filiere. I modelli di abbattimento del rischio alla base delle dinamiche di supply chain finance, fondati sulla conoscenza degli operatori aderenti e delle dinamiche della filiera in cui operano, non sono una condizione necessaria al buon funzionamento di Bflows.

Bflows, utilizzando un concetto di rete più ampio e generalizzato, opera attraverso una tecnologia che, come abbiamo visto, organizza e ottimizza i flussi all’interno alla rete stessa e non in ognuno degli ambiti separati che potrebbero comporla.
Consideriamo, ad esempio, un network composto da 3 filiere; mentre con i sistemi di supply chain finance si andrebbero ad ottimizzare in maniera indipendente la filiera 1, piuttosto che la filiera 2 o la filiera 3, attraverso Bflows andremo invece ad ottimizzare il network nel suo complesso, indipendentemente dalle filiere stesse che lo compongono, sempre ammesso che ve ne siano.

Il modello che abbiamo progettato non ha pertanto nulla a che vedere con i sistemi di supply chain finance. Infatti, se da un lato, come abbiamo visto poc’anzi, viene meno il concetto stesso di supply chain sostituito dal concetto di network, dall’altro lato, anche relativamente al termine finance, in Bflows viene meno anche la parte relativa al finanziamento.
Infatti, in Bflows, il ciclo dei pagamenti è composto da transazioni alimentate dai flussi in ingresso e in uscita sui singoli nodi, senza bisogno di finanziamenti esterni.
Questo significa che, non essendoci alla base alcun finanziamento, non vi è alcun rischio di credito da calmierare, come invece accade per i sistemi di supply chain finance.

Questo non significa tuttavia che l’utilizzo di Bflows escluda a priori la possibilità di erogare del credito, ma anche l’erogazione di credito potrà essere razionalizzata in funzione delle indicazioni fornite dagli algoritmi, indirizzata su nodi specifici, per importi specifici e finalizzata esclusivamente all’ottimizzazione del ciclo di pagamenti nel suo complesso (surgery landing).

Inoltre, la presenza di pozzi e sorgenti, non impedisce alle stesse aziende a monte delle filiere di sostenere i propri fornitori immettendo liquidità nei cicli anche in importo maggiore rispetto ai propri flussi in ingresso, avendo però la garanzia, attraverso Bflows, che tale liquidità sarà dal un lato “ricompensata” e dall’altra utilizzata per rendere più efficiente e rapido il flusso dei pagamenti da monte fino a valle della filiera, incrementando l’efficacia complessiva del sistema e della filiera in cui operano.

Si tratta di quello che abbiamo definito Network Dynamic Discount, un meccanismo che per il capofiliera ha gli effetti di un classico Dynamic Discount, ma il costo della liquidità (dello “sconto”) viene condiviso da tutti i beneficiari della liquidità a cascata nella filiera incrementando il vantaggio per il capofiliera e diluendo al massimo i costi di smobilizzo per le altre aziende partecipanti, con una dinamica win win.
Surgery lending e Network Dynamic Discount sono due delle nuove funzionalità in pipeline che saranno sviluppate e lanciate sul mercato da Bflows nel biennio 2022/23.

Non è inoltre da trascurare inoltre che, grazie all’implementazione di sistemi di AI basati su dinamiche di deep learning, l’engine di Bflows potrà migliorare ulteriormente la propria efficacia divenendo in grado di “imparare” dall’analisi delle serie storiche.

Ad esempio, con l’esperienza, in funzione di determinati trigger parametrati sulla base di pattern e schemi ricorrenti individuati nella serie storica, potrebbe decidere di non processare alcune delle fatture in stock riservandole per elaborazioni future, al fine di ottimizzare i risultati nel medio periodo.
Oppure, cosa ancora più importante, sarà in grado di fornire agli stessi utenti nuovi elementi decisionali sulla scelta dei fornitori. Infatti, non è difficile immaginare che, nel prossimo futuro, avendo a disposizione una base dati adeguata, divenga possibile associare ad ogni utente un punteggio dinamico che descriva le probabilità di matching della propria azienda con il fornitore x piuttosto che con il fornitore z.

In questo modo la stessa composizione iniziale delle filiere potrebbe gradualmente variare in funzione della spinta rappresentata dalla possibilità di accesso ai vantaggi finanziari derivanti da un utilizzo più efficiente del sistema Bflows. Tali vantaggi, raggiungibili attraverso le indicazioni fornite dallo stesso strumento, faranno sì che non sia più quest’ultimo a doversi adattare alle filiere preesistenti bensì che sia la struttura stessa delle filiere a variare secondo le indicazioni fornite dallo strumento, in un’ottica di efficientamento sia delle performance del singolo che del sistema nel suo complesso.

VAI ALLA CAMPAGNA DI BFLOWS!