Ridurre il fenomeno dell’abbandono del cliente (customer churn) è una sfida sempre più difficile. L'utilizzo di advanced analytics permette di individuare in anticipo i clienti che abbandoneranno mettendo in atto opportune strategie di retention

1. Analisi Predittiva Churn
Machine Learning | Data Science | Servizi e Corsi

2. Chi siamo
Excelle nasce nel 2012 ed è una società di consulenza nella quale si incontra la forte esperienza in
ambito Data Intelligence.
Sviluppiamo soluzioni e progetti utilizzando advanced analytics e tecniche di machine learning.
Siamo Senior Partner e Data Scientists in grado di:
 strutturare e lavorare “smart data” e “big data” integrando canali tradizionali e digitali
 interpretare i dati e identificare strategie
Utilizziamo strategie, action plan, algoritmi, metodologie statistiche e matematiche per
incrementare «Revenues» e «Marginalità» dei nostri Clienti

3. Sviluppiamo progetti di Data Intelligence
La trasformazione di dati in informazioni, le informazioni in
conoscenza e la conoscenza in valore.
La Data intelligence rappresenta un abilitatore di una cultura e di
una strategia aziendale che basa i suoi processi sulla conoscenza
che deriva da raccolta, lettura, analisi e interpretazione di dati.
La Data Intelligence diventa uno dei vettori principali per la
trasformazione digitale di ogni azienda.
L’utilizzo dei dati appare in grado di generare miglioramenti
nell’efficacia ed efficienza dei processi aziendali, nelle linee di
ricavi, nella soddisfazione della clientela, nello sviluppo di nuovi
prodotti e servizi.
La sfida per le aziende consiste nella capacità di acquisire un
vantaggio competitivo lavorando sui dati.
Data Intelligence è...

4.  Data Intelligence non è un tool o una tecnologia
 Big Data non vuol dire Data Intelligence
 Smart & Big Data e Tecnologia sono alcuni degli ingredienti
fondamentali per una approccio aziendale basato sulla Data
Intelligence
 Gli analytics non sono frullatori di dati dove magicamente
escono soluzioni
 Senza obiettivi, percorsi e metodologia non si ottiene nulla e
quello che si ottiene è deviante
Data Intelligence
NON è...
Sviluppiamo progetti di Data Intelligence

5. Analytics Assessment
Una diagnosi puntuale
sull’attuale situazione analitica e
una roadmap futura con i
benefici ottenibili se verranno
adottate metodologie e processi
guidati dall’analisi dei dati.
Training
L’Accademia del Dato nasce
con l’obiettivo di divulgare
conoscenza agli attori che
ruotano intorno al magico
mondo della Data Science,
ingrediente fondamentale per
una cultura aziendale basata
sul Dato.
Percorsi formativi per
Manager e per Data Scientist.
Ogni corso può essere
personalizzato in base alle
esigenze e agli obiettivi del
Cliente.
Descriptive Analytics
Tabelle, grafici e principali KPI’s
per una prima descrizione e
conoscenza della clientela.
Reporting & Monitoring
Capire e dare un senso al business
sulla base di eventi passati.
Es.:
• reporting per prodotto /
cliente / rete di vendita
• cruscotti direzionali
• Etc.
Predictive Analytics &
Machine Learning
Modelli predittivi avanzati che
abbracciano tutto il ciclo di vita,
dall'acquisizione al win back.
Modelli di forecasting e what-if.
Marketing Mix Model
Analisi per comprendere:
• Qual è il ROI delle attività
di marketing e
comunicazione?
• Quanto contribuiscono
alle vendite?
• Qual è il ROI per canale?
• Qual è il ROI per cliente?
• In quanto tempo
raggiungo il break even
point?
• Etc.
Marketing (Engagement Plan, Loyalty & CRM Program, Fundraising, etc.)
Sales
Digital & Innovation
Comunication
Data Science + Market
Research
Le nostre partnership con gli
Istituti di Ricerca ci
permettono di rafforzare
l’offerta di Data Intelligence
integrandola con evidenze
provenienti dall’esterno
dell’azienda (es. trovare
target strategici anche
quanto manca l’informazione
sui DB aziendali).
Aree aziendali e servizi

6. Abbiamo sviluppato e stiamo sviluppando progetti e formazione per:

7. Business Case
Analisi predittiva Churn – Settore Energy

8. Obiettivo Cross
Selling
Previsione
Churn
Identificazione
Frodi
Customer
Journey
Advertising Conversion
Customer
Care
Pricing
Optimization
Analytics
Capabilities
Al fine di raggiungere l’obiettivo, ogni soluzione può essere caratterizzata da un certo numero di capacità
analitiche.
Metodologie Ogni capacità analitica viene ottenuta grazie all’adozione di metodologie
Dati e
tecnologie
Dati strutturati / non strutturati e tecnologia rappresentano gli ingredienti di base.
Modello interpretativo della nostra Data Intelligence

9. Supporto alle
attività di new
acquisition
Acquisition Value Stimulation
Up sell. & Share of
Wallet
Churn
Prevention
Churn Retention
Dormienza
NEW Deactivation
Supporto
per le
attività di
win back
Supporto per le attività di marketing e comunicazione
Win Back
La gestione proattiva del “ciclo di vita” del Cliente
Win Back
il modello di “churn”
ovvero, come aumentare la “retention” dei Clienti
9

10. OBIETTIVO
STRATEGICO:
INCREMENTARE LA
RETENTION
OBIETTIVI TATTICI
1. Quanto è il rischio churn?
2. Cosa incide sul churn?
3. Come posso gestire l’abbattimento
del churn ?

11. • Ogni modello predittivo restituisce un risultato, ma non tutti i
risultati sono utili. Si può creare modellistica anche solo su 2
variabili (es. genere, provincia) ma è questo quello che serve?
• Nella fase di Data Management e Data Preparation si creano
le basi per un modello predittivo vincente.
• Le analisi di contesto e di trend, la definizione dell’universo, la
conoscenza delle principali metriche sull’andamento della
Customer Base sono condizioni necessarie per lo sviluppo di
modellistica predittiva.
• La componente umana, i percorsi metodologici, il know how
matematico e statistico, la conoscenza del settore e del
business sono fattori indispensabili e non ancora sostituibili.
Considerazioni iniziali
sui modelli predittivi

12. • 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” (può
comportare in alcuni casi l’analisi dell’abbandono totale, in altri
dello switch, del downgrading contrattuale, etc.)
• Nei modelli di Churn, la variabile che si vuole predire è
dicotomica (0: non abbandono 1: abbandono); il modello
predittivo di Churn restituisce dunque una probabilità tra 0 e 1
che l’evento avvenga.
I modelli predittivi di
Churn

13. L’approccio al modello di churn
Nelle successive slide verrà esploso il fenomeno del churn in modo da ottenere:
- Visione di contesto: trend churn e base active
- Evidenza di uno strumento gestionale che pone una
lente di ingrandimento sui clienti a maggior rischio:
Il modello churn come generatore di
efficienza nella gestione dei clienti a rischio
- Dettaglio delle principali aree informative e della relazione
con il rischio di abbandono.

14. CRISP-DM (Cross Industry Standard Process for Data Mining): una
metodologia aperta in cui confluiscono obiettivi di business che di analisi.
CRISP-DM prevede almeno 6 fasi non vincolate tra loro da rigidità
temporali, che si susseguono. È sempre possibile tornare alla fase
precedente o rivedere le idee alla base dell’analisi, alla luce dei risultati
emersi in un punto qualunque del processo.
Il progetto pertanto non è un processo lineare, caratterizzato rigidamente da
un inizio, un numero determinato di step prefissati e una fine, ma un processo
ciclico, che rappresenta una guida per i progetti che possono iniziare
successivamente.
METODOLOGIA CICLICA CRISP-
DM
Digital C&D - All Rights Reserved

15. PRIMO STEP DEL MODELLO PREDITTIVO
Sulla base dell’obiettivo progettuale vengono effettuate analisi di contesto propedeutiche.
L’obiettivo è ottenere insight utili per lo sviluppo del modello predittivo e migliorare l’identificazione del target da contattare.
Digital C&D - All Rights Reserved
ANALISI DETERMINISTICA

16. Nella dashboard sottostante i clienti agganciati alle principali province nel periodo «X».
Ouput: focus rischiosità della provincia (Agenzia, etc.)
Churn medio ultimo trimestre: 4,7%
VR BO
AN
RM
VI
NA GE MS
VE
0
1
2
3
4
0% 2% 4% 6% 8% 10%
% di rischio
Evoluzionerischio
Livello rischio provincia in decrescita stabile in crescita % clienti
Minor
rischio TN 2,4% 0,4%
VR 2,9% 1,6%
PD 3,2% 1,5%
BO 3,4% 2,6%
AN 3,5% 1,5%
TO 3,7% 2,8%
MI 3,8% 5,4%
RM 3,9% 10,1%Minor
rischio 41,6% 49,4% 11,0% 40,0%
Medio
rischio VA 4,0% 0,8%
CA 4,6% 1,5%
SA 4,8% 2,6%
VI 4,9% 1,5%
CE 5,0% 2,0%
NA 5,2% 4,6%
FI 5,3% 1,8%Medio
rischio 37,7% 101,6% 33,8% 34,6%
Maggior
rischio RC 5,6% 0,3%
PI 5,6% 2,5%
GE 6,1% 6,1%
LU 6,3% 3,1%
MS 7,4% 2,0%
VE 8,1% 1,8%
Maggior rischio Totale 17,2% 50,8% 56,8% 24,2%
% Rischio
16

17. SECONDO STEP DEL MODELLO PREDITTIVO
Digital C&D - All Rights Reserved
L’UNIVERSO DI ANALISI
t0 t2 t3 t4t1tm1……tm12 tm2
T-1 (passato) T0 (presente)
Dataset Storici Inizio Previsioni Target
T+1 (futuro)

18. La SCELTA DELL’ALGORITMO DA UTILIZZARE
La scelta della tipologia di algoritmo è funzione di numerosi fattori, non solo matematico/statistici ma anche di business.
Ad esempio le reti neurali possono essere un buon modello di previsione, ma non forniscono dettagli sull'analisi delle componenti (quali
variabili lo stimano, con che peso, etc.).
L’utilizzo invece di regressioni oppure di alberi decisionali, forniscono anche informazioni, con differente grado di dettaglio, sulle componenti
che concorrono a formare la previsione.
Il modello predittivo finale VIENE creato testando differenti algoritmi (regressione logistica, reti neurali, alberi decisionali, ecc.) al fine di
utilizzare il modello più “performante”.
Algoritmi differenti possono essere sviluppati per obiettivi differenti.
Digital C&D - All Rights Reserved
ALGORITMI

19. Digital C&D - All Rights Reserved
ALGORITMI
A
Algoritmi Principali
• Regressione logistica
• Alberi decisionali
• Reti Neurali
• Analisi delle componenti
principali
• Analisi delle associazioni
• Clustering Gerarchico
• Clustering K-Means
• Support Vector Machine
• ….
B
Tipologia
• Supervised Learning
• Unsupervised Learning
• Semi-supervised Learning
C
Evaluation
0%
20%
40%
60%
80%
100%
1.00
3.00
5.00
7.00
9.00
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
Performance of training vs test
TRAINING
Cumulative LIFT
TEST
Cumulative LIFT

20. IL FLUSSO
MODELLO/I
2
TRAINING
3
TEST
5
Evaluation
4
VALIDATION
7
Predictive Scoring
1
DATA PREPARATION
6
Application to the entire
Customer Base
Digital C&D - All Rights Reserved

21.  Contesto e trend
 Focus sui segmenti e relazione con il fenomeno
abbandono
 Relazione del fenomeno con le principali metriche (es.
anzianità, valore del cliente, CLTV, …)
 Misura della qualità e del rischio potenziale sulle nuove
adesioni
 Fattori di rischio
 Declinazione dei fattori di rischio sui processi aziendali
(es. caring)
 Scoring probabilistico
 Semaforo gestionale per simulazioni e gestione
operativa
I principali output

22. 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 successivamente il «semaforo
gestionale»
Scoring gestionale

23. Il dashboard gestionale è una maschera utente attraverso la quale selezionare l’elenco di clienti da gestire.
La maschera permette di applicare filtri opportuni a seconda del target churn che si vuole contattare.
Dashboard gestionale

24. +85%Provincia
+60%Agenzia
-31%Over 24 mesi
Anzianità contratto
-36%
Presenza cambi tariffari
nel tempo
Fatturazione bimestrale
Invio doc. solo per mail
Con altro contratto elettrico
disattivato negli ultimi 2
mesi
Con contratto gas
disattivato negli ultimi 5
mesi
Se il contratto elettrico è
stato attivato dopo il gas
+32%
-26%
+100%
+100%
-35%
-40% Presenza servizi accessori
Fornitore di
provenienza
+82%
Fattori di abbandono

25. Ecosistema progettuale
Partnership
Tecnologica
Linguaggi
Team
Data Science
c/o Cliente Progetto sviluppato sulla tecnologia del cliente
c/o Excelle Progetto sviluppato sulla tecnologia Excelle e messo a disposizione del cliente
1
2

26. Grazie dell’attenzione!
Excelle S.r.l.
Via Vittoria Colonna, 17 - 20149 Milano
+39.02.36.57.88.20
www.excelle.it