made in italycs, i modelli di churn
TRANSCRIPT
Corporate Presentation
La modellistica e il ciclo di vita del cliente
Acquisition Value StimulationUp sell. & Share of Wallet
ChurnPrevention
Churn RetentionDormienza
NEW Deact
Conosci i tuoi clienti ?
Quali sono i clienti che vuoi trattenere?
WinBack
Qual è il mio potenziale?
Dove posso acquisire?
Su quali canali ?
A livello macro, un modello si può definire come un sistema di equazioni matematico/statistiche che mettono in relazione i dati in
input con un dato fenomeno allo studio, rappresentandone ed interpretandone.
La modellistica offre un supporto alle aziende per affrontare le sfide di ogni giorno, intercettando e gestendo il cliente
coerentemente con il suo ciclo di vita:
Corporate Presentation
Il modello di churn
• L’obiettivo dei modelli di Churn è quello di determinare, per ogni
cliente, una probabilità di abbandono/chiusura dei rapporti.
• L’analisi del Churn è fortemente dipendente dalla definizione che
viene data di “abbandono/chiusura dei rapporti”.
• Nella maggioranza dei settori industriali viene definito normalmente
Churner chi chiude tutti i prodotti/servizi.
• Nei modelli di Churn, la variabile che si vuole predire è dicotomica
(0: non abbandono 1: abbandono);
• Il modello predittivo di Churn restituisce una probabilità tra 0 e 1 che
l’evento avvenga.
Corporate Presentation
Approccio metodologico
Indicatori predittivi per ogni cliente
Variabili target
Campione
Riduzione delnumero di variabili
Costruzione modelli
Validazione deimodelli
Controlli di Validità
Applicazione deimodelli a tutta la customer base
Dati Socio – Comportamentali / KPI /
Segmenti
1 2
3
4
5
67
8
La costruzione di un modello di Churn, nonché la sua significatività statistica (bontà del modello), dipende fortemente dalla
disponibilità delle variabili.
L’esperienza decennale delle risorse che lavorano in Excelle nella costruzione di modelli predittivi ci porta a considerare 2 tipologie
di modellistica:
1) modello di Churn costruito solo ed esclusivamente su dati interni;
2) modello di Churn costruito utilizzando dati interni e dati esterni derivanti da enrichment.
Normalmente siamo propensi nel consigliare il secondo tipo di approccio in quanto migliora sensibilmente il modello di Churn.
Corporate Presentation
From Churn Model to Enrichment Churn Model
Indicatori predittivi per ogni cliente
Variabili target
Campione
Riduzione delnumero di variabili
Costruzione modelli
Validazione deimodelli
Controlli di Validità
Applicazione deimodelli a tutta la customer base
Dati Socio – Comportamentali /
KPI / Segmenti
1 2
3
4
5
6 7
8
Enrichment
0
Corporate Presentation
Le principali modellistiche
Regressione Logistica
Alberi Decisionali
Reti Neurali
Regressione Lineare
Random Forest
Si possono utilizzare differenti metodologie
per la costruzione di un modello in funzione
dell’obiettivo allo studio.
Ad esempio, stimare un reddito (variabile lineare) è
completamente differente, in termini di modellistica,
rispetto la stima di una variabile dicotomica (SI
acquisto / NO acquisto) alla quale poi verrà attribuita
una probabilità.
Corporate Presentation
L’approccio consigliato
Una «ricerca più ecologica», che consuma meno risorse per le aziende, che valorizza al massimo l’informazione già presente in tutte le sorgenti e DB, aziendali e pubblici (smart, medium & big data) di Illumia.
Lo scopo
Cosa fare
Usare l’informazione per costruire vantaggi competitivi (nel sapere e nel fare) spendibili commercialmente sul mercato.
L’offertaApplicare al sistema informativo di marketing dell’azienda (interno ed esterno: ricerche) le tecniche di business intelligence (classiche ed evolute) per costruire la distintività sopra ricordata.
I Partner
La consumer intelligence: GfK EuriskoLe suite di business analysis: SASLa data analysis e la consulenza: Excelle
Corporate Presentation
L’analisi esplorativa dei dati è uno strumento potente.
Questa analisi è assolutamente propedeutica a
qualsiasi altra analisi, che sia di tipo elementare oppure
di tipo avanzato:
- Analisi di Collinearità fra regressori
- Verifica degli assunti distributivi
- Verifica di dipendenza bivariata fra variabile Dipendente ed
Indipendenti
- Trasformazione variabili Indipendenti
- Trattamento Missing
Analisi propedeutiche: le analisi esplorative
Attraverso il data mining e le metodologie di statistica avanzata si cerca di identificare pattern sconosciuti ma interessanti, ad esempio nello studio del comportamento di consumo del cliente. L’obiettivo è quello di identificare gruppi di consumatori simili rispetto ai loro attributi.
Corporate Presentation
MODELLO DI CHURN PREVENTIONOUTPUT GESTIONALE
Alla base di qualsiasi output c’è lo score attribuito ai clienti oggetto di analisi.
Lo scoring formulato da un modello di churn altro non è che una probabilità assegnata ad un determinato cliente di andare in disattivazione in un determinato arco temporale.
Su tale score viene costruito il «semaforo gestionale»
Corporate Presentation
MODELLO DI CHURN PREVENTIONVALUTAZIONE DELLA BONTA’ DEL MODELLO
I primi output da valutare sono quelli relativi alla bontà della previsione formulata dal modello:
% di Fenomeno Catturato: In funzione dello score assegnato al cliente, verranno identificati coloro che, esprimendo un maggior rischio, garantiscono un bilanciamento ottimale fra veri e falsi positivi.Una volta messi in ordine i clienti per score attribuito è possibile suddividere in decili la popolazione ed osservare la % di effettivi churnanti all’interno di tale categorizzazione in modo da valutare a quale livello di rischio gestire il cliente (trade off volumi – rischio intercettato) Definizione semaforo Gestionale
Corporate Presentation
MODELLO DI CHURN PREVENTIONVALUTAZIONE DELLA BONTA’ DEL MODELLO
I primi output da valutare sono quelli relativi alla bontà della previsione formulata dal modello:
Variabili Esplicative:Al fine di valutare la bontà del modello è utile anche valutare l’effettivo impatto delle singole variabili indipendenti scelte dal modello.
Risultati ottimali e coerenti con le relazioni note fra variabile dipendente e indipendenti si ottengono se si è fatto un buon lavoro preliminare di riduzione delle collinearità fra variabili esplicative.
In considerazione del fatto che è praticamente impossibile eliminare del tutto la correlazione fra variabili indipendenti, con la finalità di attribuire un peso veritiero ai regressori utilizzati, verrà adottata la stima secondo la metodologia di Shapley
Corporate Presentation
Senior Data Scientists attivabili sui progettiDavide Camera (Excelle Co-Founder & CEO) 40 anni, Laurea in Economia e Commercio (1999), Laurea in Scienze Sociali per la Cooperazione e Sviluppo (2009). Attualmente sta
conseguendo “certificates” al MIT (via Edx).
15 anni di esperienza nei progetti di Business Intelligence.
Tra le attività svolte in questi anni: Customer Base Analysis, Cluster Analysis, Market Basket Analysis, Modelli predittivi sul Churn, Modellistica Predittiva sulle Vendite, Modelli
Quantitativi, Analisi delle Serie Storiche, Alberi Decisionali, Analisi di Regressioni (Lineari, Logistiche, Multivariate, etc.), Analisi con le Reti Neurali, Campaign Management Targeting,
Campaign Management Redemption Analysis, ROI Analysis, Loyalty Programs Analysis, Social Media Analysis, Text Analytics Models, Text Analytics Cluster Analysis, Etno-Experience
Analysis.
Precedenti esperienze : Gruppo Mediolanum, SAS, Eurizon.Stefano Merighi (Chief of Data Scientists): 34 anni, Laurea in Scienze Statistiche ed Economiche (2004).
In poco più di 10 anni si occupato di temi legati alla Customer Intelligence in differenti settori, ricoprendo ruoli di centralità sempre maggiore e con un forte orientamento alla
generazione di innovazione ed efficienza.
Tra le attività svolte in questi anni:
Segmentazioni Comportamentali; Realizzazione di Modelli di Propensione a supporto della Direzione Marketing e della Gestione Customer Base (One to One Offer Personalization);
Previsione status di Multioperatore; Churn Risk (Mobile Number Portability, Standard Deactivation); Previsione Inattività; Up Selling di prodotto; Definizione del Ciclo di vita del
Cliente (Contact Strategy); Coinvolgimento in progetti di Next Best Activity Management; Definizione di Kpi e relative gestioni in ambito Contextual Marketing (su piattaforme Big
Data); Social Network Analysis; Identificazione Nuclei Familiari; Realizzazione di un Best Tariff Plan Simulator Tool (telco); Progetti di Geo-Marketing a supporto della rete vendita;
Monitoraggio Performance (CB management evaluation: Operational & Financial kpis); Competitive Analysis; Progetti di Definizione e Arricchimento di DWH di Marketing.
Precedenti esperienze : Gruppo Mondadori, Eurizon, Direzione Mobile Consumer Vodafone Italia, i4c Analytics – Accenture.