Abstract
La transizione verso un ecosistema finanziario europeo sempre più data driven, alimentato da FinTech e Big Data, sta favorendo il passaggio dall’open banking all’open finance. In tale contesto si colloca la Proposta di Regolamento UE FIDA (Financial Data Access), volta a disciplinare l’accesso, la condivisione e il riutilizzo dei dati finanziari, previo consenso dell’interessato, anche da parte di soggetti terzi autorizzati. Il contributo esamina le implicazioni giuridiche di tale evoluzione con specifico riguardo alla profilatura della clientela nei servizi e nelle attività di investimento ai sensi della disciplina MiFID, tradizionalmente fondata su modelli dialogici e oggi potenzialmente integrabile mediante strumenti algoritmici. L’analisi evidenzia come FIDA, pur non regolando direttamente le tecniche di profilatura, incida sulle condizioni informative che ne rendono possibile lo sviluppo, ampliando la disponibilità dei dati e favorendo servizi più personalizzati. Al contempo, l’estensione della circolazione informativa e il ricorso a processi automatizzati accentuano i rischi di opacità, bias, asimmetrie algoritmiche e compressione degli elementi qualitativi della valutazione dell’investitore, rendendo necessari adeguati presidi di trasparenza, governance e controllo umano, ferma restando la responsabilità dell’intermediario nella valutazione di appropriatezza e di adeguatezza.
Finanza digitale e Big Data: la profilatura c.d. algoritmica dell’investitore tra innovazione tecnologica e tutela del mercato
La trasformazione digitale del sistema finanziario, avviatasi nei primi anni del XXI secolo, ha determinato un mutamento strutturale profondo, che va oltre la mera digitalizzazione di processi tradizionali. Essa si fonda, infatti, sull’impiego di tecnologie intelligenti capaci di raccogliere, elaborare e interpretare grandi quantità di dati, sviluppando inferenze e modelli predittivi idonei a incidere in modo significativo sull’organizzazione e sul funzionamento dei mercati finanziari.
In tale contesto, i Big Data assumono un ruolo centrale, costituendo una risorsa strategica per banche e intermediari finanziari. La possibilità di analizzare informazioni in tempo reale consente di migliorare l’efficienza operativa, rafforzare i sistemi di gestione del rischio, supportare le decisioni strategiche e favorire la creazione di prodotti e servizi sempre più personalizzati, con effetti rilevanti anche sulla relazione con la clientela, con i concorrenti e con le autorità di vigilanza.
Particolare rilievo assume l’utilizzo di tali strumenti nell’ambito dei servizi e delle attività di investimento prestati dagli intermediari del mercato mobiliare, settore in cui l’innovazione tecnologica sta producendo un vero e proprio cambio di paradigma.
In questo scenario, la profilatura c.d. algoritmica dell’investitore si configura come un’evoluzione della tradizionale raccolta di informazioni basata su questionari dialogici, aprendo alla prospettiva di sistemi automatizzati capaci di elaborare profili finanziari dettagliati.
Attraverso l’analisi di set informativi ampi ed eterogenei, tali sistemi consentono di acquisire una conoscenza più approfondita delle caratteristiche personali dell’investitore, della sua situazione finanziaria, degli obiettivi di investimento, della propensione al rischio e delle preferenze di sostenibilità. La profilatura algoritmica diviene così una fase essenziale del processo di investimento, funzionale alla prestazione di servizi finanziari personalizzati e coerenti con il profilo del cliente, nel rispetto delle prescrizioni normative vigenti.
Permangono, tuttavia, rilevanti criticità connesse all’uso dei Big Data e degli algoritmi complessi, soprattutto in materia di sicurezza dei dati, protezione della privacy e qualità delle informazioni. Ne consegue che l’innovazione tecnologica, pur offrendo notevoli opportunità in termini di efficienza e competitività, impone un attento bilanciamento tra sviluppo digitale e tutela dell’investitore e del mercato.
La profilatura c.d. algoritmica nel processo di investimento
La profilatura dell’investitore si inserisce all’interno del più ampio processo di investimento, il quale può essere inteso come una sequenza di fasi autonome, ancorché tra loro strutturalmente e funzionalmente interconnesse, che prende avvio dalla conoscenza in capo all’intermediario dei prodotti offerti e consigliati, si articola successivamente nella raccolta e fornitura di informazioni dal e al cliente, prosegue con la valutazione e sistematizzazione di tali informazioni, e culmina nella formulazione di una raccomandazione personalizzata ovvero nell’esecuzione di un’operazione finanziaria coerente con il profilo previamente ricostruito.
In tale prospettiva, la profilatura rappresenta la base conoscitiva su cui si fonda l’intero meccanismo di adeguatezza e appropriatezza previsto dalla disciplina MiFID: senza una corretta individuazione delle caratteristiche dell’investitore non è possibile assicurare la fondamentale coerenza tra prodotto e cliente, ovvero la concreta attuazione della c.d. know your customer rule, un pilastro fondamentale delle regole di condotta che ciascun intermediario autorizzato è obbligato a rispettare.
Appare evidente come, ad oggi, questa attività venga svolta principalmente attraverso un modello “dialogico”, il quale si fonda sull’interazione diretta tra intermediario e cliente nonché sul ricorso a questionari strutturati e colloqui individuali.
Tuttavia, pur essendo tale modello formalmente conforme alle norme in vigore, emergono importanti aspetti di criticità che rendono la ricostruzione dell’investor profile soggetta a margini di incertezza e a potenziali distorsioni in grado di incidere sulla significatività e affidabilità della valutazione raggiunta. In particolare, la natura autodichiarativa delle informazioni raccolte può risentire di asimmetrie informative e bias cognitivi da parte dell’investitore; al contempo, la standardizzazione degli strumenti di raccolta e l’impiego, anche solo parziale, di domande a risposta chiusa, rischiano di semplificare eccessivamente la complessità delle caratteristiche finanziarie di ciascun individuo. Infine, il modello risulta esposto a possibili comportamenti opportunistici da parte delle istituzioni finanziarie, le quali potrebbero costruire dei profili “ad hoc” per forzare la corrispondenza strumento-investitore e favorire la conclusione di operazioni scorrette e contrarie all’interesse del cliente.
Tenuto conto delle problematiche sopra descritte, viene messa in discussione la perdurante centralità del sistema dialogico per la raccolta delle informazioni ai fini MiFID, ritenuto non del tutto idoneo e comunque suscettibile di essere almeno integrato alla luce delle possibilità offerte dalla tecnologia.
Grazie alla disponibilità massiva di dati (Big Data), alle tecniche di inferenza e agli strumenti di AI appare auspicabile, se non inevitabile, un’integrazione del questionario tradizionale con sistemi algoritmici.
Tali sistemi operano attraverso tecniche di data mining e predictive analytics, le quali consentono l’elaborazione di ampi dataset grezzi in informazioni strutturate, classificate e segmentate in funzione delle diverse caratteristiche degli investitori.
L’idea è quella di ricavare dati utili alla profilatura non più (o non solo) dalle risposte fornite direttamente dal cliente, spesso svogliate, reticenti o influenzate dalla struttura del questionario, ma piuttosto dalla traccia digitale che ciascun individuo dissemina costantemente online, dai propri comportamenti quotidiani di consumo e sostenibilità, fino alle interazioni avvenute sulle pagine social. Inoltre, mediante modelli di machine learning, addestrati su dataset storici, le informazioni possono essere rianalizzate in chiave probabilistica al fine di stimare la tolleranza al rischio e i comportamenti finanziari attesi dei diversi investitori.
Ne deriva la possibilità di costruire un profilo finanziario almeno altrettanto attendibile di quello derivante da un’intervista classica, garantendo altresì maggiore efficienza e vantaggio competitivo per la stessa impresa d’investimento.
Dal punto di vista normativo, come sostenuto dalla dottrina, non sembrano esservi ostacoli sostanziali: le linee guida MIFID indicano il questionario come uno dei metodi disponibili alla raccolta delle informazioni, non come l’unico e obbligatorio.
Secondo il Regolamento (UE) 2016/679 (GDPR) e la Direttiva MiFID II, benché la profilazione automatizzata possa ritenersi, in linea astratta, compatibile con l’impianto regolamentare, la sua legittimità deve essere valutata alla luce del rispetto dei principi di liceità, correttezza e trasparenza che governano il trattamento dei dati personali, nonché del principio di minimizzazione dei dati, che impone il trattamento esclusivo dei dati strettamente necessari alle finalità perseguite. Si riconosce inoltre il diritto di opposizione alla profilazione, nonché il diritto a non essere sottoposti a decisioni basate esclusivamente su processi automatizzati che producano effetti giuridici significativi sulla persona. In conclusione, l’intermediario rimane pienamente responsabile delle valutazioni effettuate, non potendo in alcun modo trasferire sull’algoritmo le conseguenze delle decisioni adottate.
Alcune evidenze empiriche e profili problematici delle tecniche algoritmiche
Nel panorama odierno dei servizi di investimento è possibile individuare alcuni intermediari
finanziari che integrano tecniche di Big Data analytics e, in alcuni casi, modelli di machine learning, nelle diverse fasi di prestazione del servizio di investimento, esclusa, però, la profilatura MiFID dell’investitore.
Il fenomeno risulta particolarmente evidente nell’ambito della consulenza finanziaria algoritmica (robo advice), un’innovazione di processo rispetto alla consulenza tradizionale che pone il sistema automatizzato al centro dell’attività svolta. In tale contesto, così come nella gestione di portafogli, si configura uno dei pochi ambiti in cui è teoricamente possibile riscontrare un processo di investimento algoritmizzato, salvo che per la profilatura MiFID, dall’attribuzione del profilo di rischio, alla valutazione dell’adeguatezza e appropriatezza dell’operazione, fino alla raccomandazione come output finale del sistema informatico.
Tra gli esempi più significativi si possono richiamare Moneyfarm, un intermediario operante in Italia e nel Regno Unito che adotta procedure algoritmiche per abbinare l’investitore ad un determinato profilo finanziario di rischio; Scalable Capital, che adotta modelli quantitativi e analisi statistiche riguardanti la tolleranza al rischio e l’andamento del mercato per costruire portafogli ottimali e coerenti con le esigenze dell’investitore; nonché realtà statunitensi come Betterment e Wealthfront, le quali dichiarano apertamente l’impiego di algoritmi avanzati per segmentare la clientela e personalizzare le raccomandazioni in modo più granulare rispetto ai modelli tradizionali.
Tuttavia, è evidente la difficoltà di accertare in concreto in quale misura ciascun intermediario deleghi ai sistemi intelligenti le diverse fasi del processo decisionale, soprattutto in considerazione del fatto che le politiche promozionali adottate non sempre risultano pienamente trasparenti, tendendo talvolta ad enfatizzare l’impiego delle nuove tecnologie. Allo stato attuale, si assiste esclusivamente a una fase iniziale di integrazione nella quale automazione e intervento umano coesistono in un equilibrio ancora da definirsi, mentre la profilatura MiFID dell’investitore rimane prevalentemente ancorata a logiche tradizionali e strumenti scarsamente adattivi.
Tale situazione è dovuta, da un lato, alla non piena maturità delle tecnologie impiegate e, dall’altro, alla cautela degli operatori del settore di fronte ad alcune aree di complessità: l’opacità di alcuni modelli, il rischio di errori valutativi o malfunzionamenti, le problematiche connesse alla data quality e alla presenza di bias, nonché le incertezze legate alla ripartizione delle responsabilità interne. A ciò si aggiunge la già citata tendenza degli intermediari a voler preservare, almeno in parte, il controllo sulla profilatura della clientela per fini puramente commerciali.
Malgrado ciò, la traiettoria appare chiaramente orientata verso una progressiva diffusione di queste tecnologie rendendo plausibile che, nel prossimo futuro, un numero sempre maggiore di operatori si affiderà agli algoritmi in fasi ancora più delicate del processo di investimento, come, appunto, quella della profilatura.
FIDA e accesso ai dati finanziari
L’analisi condotta sin qui ha evidenziato come, nel contesto della finanza digitale, la profilatura algoritmica possa rappresentare lo strumento fondamentale attraverso cui tradurre grandi quantità di informazioni, divenute elemento strategico per gli operatori del settore, in decisioni finanziarie coerenti con i requisiti di adeguatezza e appropriatezza previsti dalla disciplina vigente.
Tuttavia, la crescente centralità di questi modelli mostra chiaramente come la qualità e l’affidabilità del decision making process dipendano, in larga misura, dall’ampiezza, dalla varietà e dall’attendibilità dei dati disponibili. Ne consegue la necessità di interrogarsi non soltanto sulle modalità attraverso cui queste informazioni vengono elaborate, ma anche sulle regole che ne disciplinano l’accesso e la circolazione all’interno del sistema finanziario.
È proprio in questo contesto che si colloca la Proposta di regolamento FIDA (Financial Data Access) del 28 giugno 2023 – COM (2023) 360 final – procedura 2023/0205 (COD) – la quale mira a ridefinire il quadro normativo relativo alla condivisione dei dati finanziari nell’Unione Europea, incidendo indirettamente sulle condizioni strutturali entro cui la profilatura dell’investitore si realizza.
La Proposta in esame si inserisce nel più ampio percorso europeo finalizzato alla costruzione di un ecosistema finanziario unico e armonizzato, fondato sulla condivisione e sulla valorizzazione dei dati finanziari, personali e non. In particolare, essa mira ad estendere la logica già introdotta dal corpus normativo relativo alla direttiva (UE) 2015/2366 sui servizi di pagamento (PSD2), segnando il passaggio dal modello dell’open banking al più ampio paradigma dell’open finance.
In sintesi, la Proposta prevede la possibilità per i clienti, persone fisiche o imprese, di autorizzare la condivisione dei propri dati finanziari detenuti da un intermediario (data holder) con soggetti terzi autorizzati e sottoposti a vigilanza (data users), al fine di promuovere lo sviluppo e l’offerta di servizi finanziari innovativi e maggiormente personalizzati, favorire la creazione di modelli di business all’avanguardia e stimolare la concorrenza in un settore storicamente caratterizzato da una significativa concentrazione informativa in capo agli operatori tradizionali.
La Proposta prevede altresì la creazione di sistemi organizzati per la condivisione dei dati finanziari (financial data sharing schemes), ossia strutture che riuniscono titolari e utenti dei dati con l’obiettivo di definire standard tecnici comuni, regole di governance e modelli contrattuali idonei a garantire una circolazione ordinata delle informazioni, nonché l’applicazione di elevati standard di sicurezza e riservatezza da parte degli intermediari tradizionali e, in particolare, dei newcomers.
Tali sistemi sono chiamati, tra l’altro, a disciplinare le modalità di accesso ai dati, i meccanismi di responsabilità tra i partecipanti e le eventuali forme di compenso dovute ai titolari dei dati per la loro messa a disposizione.
La Proposta è idonea a facilitare la c.d. profilatura MiFID automatizzata o algoritmica in quanto amplia e struttura il perimetro dei dati finanziari accessibili, includendovi anche le informazioni raccolte ai fini della valutazione di adeguatezza e appropriatezza ex art. 25 MiFID II, e ne consente la condivisione, previo consenso del cliente, in modo continuo e standardizzato. In tal modo, riduce gli oneri di raccolta originaria delle informazioni sul cliente, favorisce la precompilazione e l’aggiornamento dinamico dei questionari MiFID e rende tecnicamente più agevole l’impiego di sistemi di robo-advice o di modelli decisionali algoritmici fondati su basi informative più ampie, aggiornate e cross-provider. FIDA, dunque, non introduce autonomamente un nuovo regime sostanziale di profilazione, ma crea l’infrastruttura giuridica e tecnica che può rendere più efficiente e accurata la ricostruzione del profilo dell’investitore, fermo restando il permanere degli obblighi MiFID in tema di correttezza della valutazione, trasparenza verso il cliente, controllo umano e supervisione degli algoritmi.
FIDA, pertanto, non disciplina direttamente la profilatura MiFID, ma modifica l’ecosistema informativo in cui quella profilazione potrà svilupparsi.
Tali elementi potranno accrescere la qualità e il grado di personalizzazione dei servizi di investimento offerti, superando le problematiche dei modelli dialogici di profilazione, con possibili effetti positivi sulle dinamiche competitive di mercato in ragione dell’ingresso di nuove categorie di service providers in un settore storicamente presidiato dagli intermediari tradizionali.
Tra le principali controindicazioni della Proposta, in rapporto alla profilatura MiFID automatizzata, vi è anzitutto il rischio che la valutazione del cliente si fondi in modo eccessivamente meccanico su dati storici condivisi da altri intermediari, i quali, pur più facilmente accessibili e riutilizzabili, possono risultare incompleti, non aggiornati o non pienamente idonei a rappresentare la situazione concreta dell’investitore. A ciò si aggiunge il pericolo di una standardizzazione eccessiva del processo di suitability, tale da comprimere quegli elementi qualitativi e contestuali che, nella disciplina MiFID, richiedono ancora un apprezzamento sostanziale e non meramente automatizzato. Ulteriori profili critici riguardano l’opacità dei modelli algoritmici, il rischio di bias o discriminazioni indirette, la maggiore circolazione di dati personali finanziari con possibili tensioni rispetto ai principi di minimizzazione e limitazione della finalità, nonché l’incremento dei rischi operativi e di cybersicurezza connessi a un ecosistema fondato su interfacce standardizzate e accesso continuo ai dati. In questa prospettiva, FIDA può certamente rendere più efficiente la costruzione del profilo MiFID, ma non elimina la necessità di un controllo umano effettivo, né attenua gli obblighi dell’intermediario in ordine alla correttezza, trasparenza e personalizzazione della valutazione di adeguatezza.
Inoltre, in questo contesto, l’intermediario non solo dispone di un patrimonio informativo più ampio, ma possiede anche la conoscenza tecnica dei modelli utilizzati per l’elaborazione dei dati e per la determinazione del profilo finanziario; il cliente, al contrario, rimane generalmente privo degli strumenti necessari per comprendere le logiche decisionali sottese ai sistemi algoritmici impiegati. Ne deriva il rischio di una asimmetria algoritmica, nella quale lo squilibrio tra le parti non riguarda soltanto l’accesso alle informazioni, ma anche la capacità di interpretarle e trasformarle in decisioni di investimento.
Infine, sebbene la Proposta attribuisca al cliente un ruolo centrale nel controllo della circolazione dei propri dati finanziari, resta da verificare se il consenso alla condivisione di tali informazioni sia effettivamente espresso in modo pienamente informato e consapevole, soprattutto in un contesto non sempre trasparente in cui l’elevata complessità tecnologica può rappresentare una vera e propria barriera tra le parti coinvolte.
Conclusioni
L’analisi svolta mostra come la trasformazione digitale del settore finanziario stia progressivamente incidendo anche sulle modalità di ricostruzione del profilo dell’investitore, ponendo le basi per una profilatura sempre più orientata all’impiego di Big Data, tecniche inferenziali e modelli algoritmici. In tale contesto, la profilatura c.d. algoritmica appare idonea a superare alcune delle debolezze del tradizionale modello dialogico, consentendo una conoscenza del cliente potenzialmente più ampia, dinamica e granulare e favorendo, al contempo, una maggiore efficienza nella prestazione dei servizi di investimento.
Tuttavia, le opportunità offerte dall’innovazione tecnologica non eliminano i profili critici che accompagnano l’automazione del processo decisionale. Restano centrali, infatti, i problemi connessi alla qualità e all’affidabilità dei dati utilizzati, all’opacità dei modelli, al rischio di bias e discriminazioni, alla protezione dei dati personali, nonché alla necessità di evitare che la valutazione dell’investitore si traduca in un procedimento meramente meccanico e standardizzato.
In questa prospettiva, la Proposta di Regolamento FIDA assume rilievo quale fattore di potenziale accelerazione della profilatura MiFID automatizzata, poiché amplia e struttura l’accesso ai dati finanziari, rendendo più agevole l’elaborazione di profili fondati su basi informative più ampie e interoperabili. Nondimeno, essa non incide sugli obblighi sostanziali gravanti sull’intermediario, il quale continua a essere responsabile della correttezza, trasparenza e personalizzazione della valutazione di appropriatezza e di adeguatezza.
Ne consegue che il futuro della profilatura dell’investitore non sembra orientarsi, almeno in una prima fase, verso una sostituzione integrale del modello dialogico, bensì verso forme di integrazione tra raccolta tradizionale delle informazioni e strumenti algoritmici avanzati. La sfida regolatoria consisterà, pertanto, nel governare tale evoluzione in modo da coniugare efficienza e innovazione con l’esigenza, non superabile, di tutela dell’investitore e di integrità del mercato.
—
Fonti:
- de Mari, La profilatura finanziaria algoritmica, in Orizzonti del Diritto Commerciale, fasc. 1/2021, p. 144 ss., disponibile al seguente link; Agenda Digitale, Big data e banche, qual è il ruolo dei dati per il settore finanziario, 2025, disponibile al seguente link; Workinvoice, Big data in ambito finance: cosa sono e a cosa servono, 2024, disponibile al seguente link; IUSinItinere, Big Data, Fintech e merito creditizio, 2020, disponibile al seguente link.
- de Mari, La profilatura finanziaria algoritmica, cit., p. 135 ss.; M. de Mari, Diritto delle imprese e dei servizi di investimento, 2024 (2^ ediz.), p. 237 ss.
- Comunicato stampa CONSOB, Intermediazione finanziaria: migliora la profilazione dei clienti. In dieci anni questionari più chiari ed efficaci, ma si può fare ancora meglio, 2023; Discussion paper CONSOB, Profilazione della clientela ai fini della valutazione di adeguatezza, 2022, disponibili entrambi al seguente link.
- de Mari, La profilatura finanziaria algoritmica, cit., p. 144 ss., disponibile al seguente link; International Organization of Securities Commissions, The use of artificial intelligence and machine learning by market intermediaries, 2021, p. 15 ss., disponibile al seguente link; European Banking Authority, Report on big data and advanced analytics, 2020, p. 29 ss., disponibile al seguente link; Financial Stability Board, Artificial intelligence and machine learning in financial services, 2017, p. 17 ss., disponibile al seguente link; Joint Committee of the European Supervisory Authorities (EBA, EIOPA, ESMA), Report on automation in financial advice, 2018, p. 13 ss., disponibile al seguente link.
- de Mari, La profilatura finanziaria algoritmica, cit., p. 135 ss., disponibile al seguente link; F. Annunziata, La disciplina del mercato mobiliare, Torino (10^ ediz.), p. 133 ss., ove si evidenzia come la disciplina MiFID non imponga specifiche modalità tecniche di raccolta delle informazioni, richiedendo piuttosto il conseguimento di un’adeguata conoscenza del cliente.
- ESMA, Orientamenti su alcuni aspetti dei requisiti di adeguatezza della MiFID II, ESMA35-43-1163 IT, 2018, agg. 2023, parr. 22–24, disponibile al seguente link.
- Joint Committee of the European Supervisory Authorities (EBA, EIOPA, ESMA), Report on automation in financial advice, 2018, p. 13 ss., disponibile al seguente link; CONSOB, Lo sviluppo del Fintech. Opportunità e rischi per l’industria finanziaria nell’era digitale, Quaderni FinTech, n. 1, marzo 2018; nonché, con riferimento a prassi di mercato e politiche promozionali, le informazioni rese disponibili dagli intermediari Moneyfarm, Scalable Capital, Betterment e Wealthfront sui rispettivi siti istituzionali, ove si evidenzia l’impiego di modelli algoritmici e tecniche quantitative nella prestazione dei servizi di investimento.
- Proposta di regolamento FIDA, 2023, COM (2023) 360 final – procedura 2023/0205 (COD), disponibile al seguente link; DB non solo diritto bancario, FIDA: la proposta di regolamento in materia di open finance, disponibile al seguente link. La Proposta è ancora nell’iter legislativo UE, il Consiglio ha adottato la propria posizione nel dicembre 2024 e il dossier risulta ancora pendente nel processo legislativo europeo nel 2026.
- Un ruolo centrale è attribuito ai Financial Information Service Providers (FISP), ossia soggetti terzi autorizzati e vigilati che non coincidono necessariamente con gli intermediari del mercato mobiliare e che possono operare come soggetti autonomi specializzati nell’aggregazione, analisi e trasmissione dei dati finanziari. Il rapporto tra FISP e intermediari si configura, pertanto, in una logica di complementarità: i primi facilitano l’accesso e la circolazione dei dati, mentre i secondi restano titolari del rapporto con il cliente nonché responsabili della prestazione del servizio d’investimento, ivi inclusi gli obblighi di valutazione di adeguatezza e appropriatezza. Ne deriva che l’eventuale utilizzo dei dati ottenuti tramite FISP non attenua né trasferisce le responsabilità proprie dell’intermediario, ma si inserisce nel processo decisionale come input informativo ulteriore, soggetto ai presìdi di trasparenza, controllo e governance previsti dalla normativa vigente.
- FIDA amplia enormemente la base dati disponibile. Non si limita ai conti di pagamento in stile open banking, ma copre anche investimenti, prodotti assicurativi di investimento, pensioni e altre attività finanziarie. Per un algoritmo MiFID questo significa poter leggere una rappresentazione molto più realistica del cliente: patrimonio investito, distribuzione degli asset, storico, eventi del ciclo di vita degli strumenti, e non solo le risposte a un questionario.
