Matematica e Consulenza: un connubio perfetto. Mirco Patriarca Università di Pavia, Marzo 2018

Dimensione: px

Iniziare la visualizzazioe della pagina:

Download "Matematica e Consulenza: un connubio perfetto. Mirco Patriarca Università di Pavia, Marzo 2018"

Filiberto Lentini
5 anni fa
Visualizzazioni

1 Matematica e Consulenza: un connubio perfetto Mirco Patriarca Università di Pavia, Marzo 2018

2 AGENDA La mia storia Cosa vuol dire essere un consulente «Data is the new Oil» Esempi di progetto Geo-localization clustering for a Global bank Customer behavioural segmentation for a Global bank Accenture overview

Ingegneria Matematica Top Industrial Managers for Europe Invitato a presentare i

Electronic Journal of Statistics: Analysis of Spike Trains Data: an application

3 LA MIA STORIA: ING. MATEMATICO AL SERVIZIO DELLE IMPRESE Tesi Magistrale nel Dipartimento di Matematica (Prof. Secchi, Vantini, Sangalli) Functional Data Analysis of brain spike trains Ingegneria Matematica Top Industrial Managers for Europe Invitato a presentare i risultati della tesi in USA (Ohio State University) Articolo pubblicato sull Electronic Journal of Statistics: Analysis of Spike Trains Data: an application of K-Mean Alignment Coautore di un R package fdakma, disponibile sul CRAN: Ecole d Ingénieur Cognitive & Analytics Information & Data

4 COSA VUOL DIRE ESSERE UN CONSULENTE Essere un Consulente vuol dire RISOLVERE PROBLEMI!

5 «DATA IS THE NEW OIL» PERCHÉ LE COMPETENZE MATEMATICHE SONO NECESSARIE NEL MERCATO DI OGGI 5

ESEMPIO: GEO-LOCALIZATION CLUSTERING FOR A GLOBAL BANK Obiettivo Identificare i movimenti dei clienti e i luoghi preferiti analizzando la geolocalizzazione dei dati interni ed esterni al fine di

6 ESEMPIO: GEO-LOCALIZATION CLUSTERING FOR A GLOBAL BANK Obiettivo Identificare i movimenti dei clienti e i luoghi preferiti analizzando la geolocalizzazione dei dati interni ed esterni al fine di ottimizzare la rete delle filiali in termini di efficienza, migliorando la Customer Care e intraprendendo iniziative di Co-Marketing Approccio Identificare i movimenti del Cliente Identificare i luoghi abituali del cliente (casa, lavoro, ecc.) e i siti dove effettua transazioni con le carte di credito/debito Applicare Algoritmo di ML Utilizzare degli algoritmi di clustering non supervisionato per clusterizzare i luoghi di interesse e identificare i centroidi Calcolare l effettiva distanza Una volta individuati i centroidi del cliente, calcolare la distanza rispetto alle filiali della banca tenendo conto del chilometraggio effettivo e delle informazioni sul traffico (tempo, giorno della settimana, ecc.) in modo da identificare la filiale più vicina

7 CLUSTERING METHOD: K-MEANS ALGORITHM L'algoritmo segue una procedura iterativa: inizialmente crea K partizioni e assegna ad ogni partizione i punti d'ingresso o casualmente o usando alcune informazioni euristiche calcola il centroide di ogni gruppo; costruisce quindi una nuova partizione associando ogni punto d'ingresso al cluster il cui centroide è più vicino ad esso; vengono ricalcolati i centroidi per i nuovi cluster e così via, finché l'algoritmo non converge.

8 CLUSTERING METHOD: K-MEANS ALGORITHM L'algoritmo segue una procedura iterativa: inizialmente crea K partizioni e assegna ad ogni partizione i punti d'ingresso o casualmente o usando alcune informazioni euristiche calcola il centroide di ogni gruppo; costruisce quindi una nuova partizione associando ogni punto d'ingresso al cluster il cui centroide è più vicino ad esso; vengono ricalcolati i centroidi per i nuovi cluster e così via, finché l'algoritmo non converge.

9 PRIVATI IMPRESE ESEMPIO: CUSTOMER BEHAVIOURAL SEGMENTATION CLASSIFICAZIONE AS-IS DELLA CLIENTELA Patrimonio Fatturato e/o Accordato Large Corporate F: >200 mln A: > 100 mln > 750 K Top Private Core Corporate F: Da 10 a 200 mln A: Da 7 a 100 mln Da 50K a 750K Affluent Medie imprese F: Da 0,25 a 10 mln A: 0,02 a 7 mln <50 K Mass Market Microimpresa F: 0,25 mln A: 0,02 mln

10 ESEMPIO: CUSTOMER BEHAVIOURAL SEGMENTATION GLI AFFLUENT SONO CLIENTI A MAGGIOR VALORE 15% 80% 30% 18% 20% 22%

11 ESEMPIO: CUSTOMER BEHAVIOURAL SEGMENTATION DASHBOARD DI VALUTAZIONE DELLE IPOTESI

12 ESEMPIO: CUSTOMER BEHAVIOURAL SEGMENTATION DASHBOARD DI VALUTAZIONE DELLE IPOTESI

13 ESEMPIO: CUSTOMER BEHAVIOURAL SEGMENTATION TECNICHE STATISTICHE UTILIZZATE Principal Component Analysis (PCA) Nota anche come Trasformata di Karhunen-Loève (KLT), Trasformata di Hotelling o Decomposizione ortogonale propria, la PCA è una tecnica di riduzione dimensionale usata per identificare un numero minore di variabili scorrelate all interno del dataset

14 ESEMPIO: CUSTOMER BEHAVIOURAL SEGMENTATION TECNICHE STATISTICHE UTILIZZATE Principal Component Analysis (PCA)

ACCENTURE OVERVIEW /1 Nel Mondo In Italia NYSE È QUOTATA AL NYSE DAL 2001 5

CRESCITA DELLE PROPRIE PERSONE. ACCENTURE OPERA IN OLTRE 120 PAESI. 5 13.

15 ACCENTURE OVERVIEW /1 Nel Mondo In Italia NYSE È QUOTATA AL NYSE DAL SONO PRESENTI 5 CENTRI DI INNOVAZIONE PER LO SVILUPPO DI SOLUZIONI AVANZATE NEL MONDO ACCENTURE CONTA OLTRE 400 MILA PROFESSIONISTI E SOSTIENE LA CRESCITA DELLE PROPRIE PERSONE. ACCENTURE OPERA IN OLTRE 120 PAESI PROFESSIONISTI IN ITALIA IN ITALIA LE SOCIETÀ DEL GRUPPO SI DIVIDONO TRA LE SEDI DI MILANO, ROMA, TORINO, NAPOLI, BOLOGNA OLTRE A DIVERSI UFFICI.

16 ACCENTURE OVERVIEW /2 LE CINQUE AREE DI ACCENTURE

17 PERCORSO DI Career Track: CLIENT & MARKET ANALYST CONSULTANT MANAGER SENIOR MANAGER MANAGING DIRECTOR

Documenti analoghi

Misura della performance di ciascun modello: tasso di errore sul test set

Confronto fra modelli di apprendimento supervisionato Dati due modelli supervisionati M 1 e M costruiti con lo stesso training set Misura della performance di ciascun modello: tasso di errore sul test