Banking Analytics Workshop

Transcript

1 Banking Analytics Workshop Ezio Viola, Co-Founder& General Manager, The Innovation Group Milano, 13 Maggio 2014 The Innovation Group The management consulting & advisory boutique

2 Una data driven enterprise gestisce come asset il portafogliodei datiaziendali Unstructured Data Transactional Data Machine Data Third Party Data Semi- Structured Data Analytical Data Audio Visual Data Manually Managed Data Scientific Data Application Data User Data EDW Data Web Data Financial Data SCM / ERP Data Sales Data Forrester: «Firms use effectively 5% of available data» Gartner: «enterprisedata isexpectedto growby 650% in the next5 years» 3

3 Business Analytics: dove siamo Da diversiannile aziendefannoanalisideidatima.. Le Sorgentidi dati sono relativamente piccole, strutturate, all interno dell azienda I Dati sono memorizzatiin DW o Data Mart aziendaliprima dell analisi La maggiorparte delleanalisisonodi tipodescrittivoe orientate al reporting La creazione di modelli di analisi era/è un lavoro Batch che può richiedere diverso tempo Le analisiquantitative sonofatteda risorseseparate dal business Poche aziende hanno la visione di poter competere con gli analytics 4

4 Cosac èdi nuovo: ibig DATA creanovaloreper ilbusiness I BIG DATA sonodiversiperchèhannoaltivolumi, vengono dall esterno e sono non strutturati Devono essere memorizzati e processati rapidamente Necessitano di architetture nuove Nuove modalità di analisi non solo descrittiva Nuove tecniche di Visualizzazione dei dati 6

5 Quale utilizzodi BA e BIG DATA Social Intelligence Sentiment Analysis, Social Customer Care Predictive Analytics Propensity, Price Elasticity, Anti-Fraud Analytics Segmentation Insights Funnel Analysis, Behavioral Patterns, Cohort Analysis Mobile Analytics Ad-Targeting, Geo-spatial Analytics 7

6 La priorità del Customer Engagement Per quali motivi le aziende puntano a fidelizzare maggiormente i Clienti e incrementare il Customer Engagement? Ridurre il rischio di Churn dei clienti Mantenere i clienti più profittevoli Facilitare il Cross-Selling 47% 56% 53% Espandere la base clienti tramite il passaparola Stimolare la crescita della base clienti Facilitare la Brand Extention (nuovi prodotti/marchi) Creare una "Barriera di entrata" per la concorrenza Garantire entrate tendenzialmente stabili nel tempo 34% 31% 31% 28% 25% Fonte: Big Data e Customer Engagement, TIG, giugno 2013 N = 33 aziende B2C medio grandi. Ridurre i costi di ricerca dei Prospect 9% Customer Engagement: strettamente collegato alla redditività dell azienda. 8

7 CustomerInsights: ampia diffusione per tutti i canali Vengono fatte attività analitiche sul comportamento dei Clienti? 10% 21% 10% 21% 28% 24% 7% 10% No e non previste No, ma previste 34% 17% 14% Si, in modo discontinuo 69% 34% 48% 52% Si, in modo continuativo Comportamento dei clienti sul sito Web dell'azienda Comportamento dei clienti online o su Social Networks Acquisti fatti dai clienti nei negozi Acquisti dei clienti sul sito di ecommerce dell'azienda Le attività analitiche sui clienti riguardano già oggi canali digitali e fisici, con tassi di crescita importanti (+21%) per quanto riguarda le analisi su Social Networks. 9

8 Anche il trend relativo agli investimenti mostra il forte orientamento verso i canali digitali e analytics Con riferimento agli investimenti per il Customer Engagement, quale è la situazione nel vostro caso? 7% 56% 74% 59% Incremento degli investimenti Investimenti stabili 37% 15% 33% 11% 7% Diminuzione degli investimenti Canali tradizionali Canali online Customer Analytics Diminuisce la spesa verso i canali tradizionali (pubblicità su TV, giornali) mentre crescono gli investimenti verso canali online e Customer Analytics. 10

9 Benefici associati ai Business Analytics e Big Data Quali saranno secondo voi i principali benefici associati alla BA e Big Data sui Clienti? Migliore conoscenza del Cliente e capacità di rispondergli meglio Sviluppo di nuovi approcci più efficaci rivolti a incrementare l'engagement dei Clienti Produzione di Customer Insights in tempi più rapidi per migliorare il supporto decisionale 70% 67% 73% Ottimizzazione di processi core dell azienda (es. campagne promozionali) Possibilità di misurare meglio la Customer Satisfaction Altro 7% 43% 40% Churn prevention, sviluppo nuovi servizi 11

10 Utilizzo dei BIG DATA: previsioni di ampia crescita Quali fonti di dati utilizzate per le analisi sul comportamento dei Clienti? Dati sul comportamento online dei clienti (visite) Conversazioni su siti Social (Sentiment data) Anagrafica clienti Analisi di mercato (fonti esterne) Transazioni relative agli acquisti Dati demografici (fonti esterne) Indagini di Customer Satisfaction Comunicazioni dei clienti ( , customer service) Dati di geo-posizionamento (GPS) Feedback dei clienti (negozio, online) Dati generati da sensori/misuratori digitali (RFID) Registrazioni video 70% 43% 50% 83% 80% 77% 67% 10% 67% 10% 57% 13% 27% 43% 53% 13% 3% 33% Big Data 10% 23% Big Data 23% 3% 3% 7% Big Data Big Data Big Data Big Data Big Data Ad oggi Tra 2 anni 0% 20% 40% 60% 80% 100% Già oggi, le fonti di Big Data relative ai clienti utilizzate dalle aziende del B2C sono numerose. Per alcune fonti di dati sono previsti ampi tassi di crescita (es. Sentiment data, GPS, sensori, video). 12

11 FACEBOOK POSITIONING QUADRANT BANCA MEDIOLANUM e BANCA IFIS: IPM, Engagement Rate, post per day CHEBANCA: IPM e Engagement Rate rimangono invariati, Post per day UNICREDIT: IPM, Engagement Rate, post per day (ma con un tasso inferiore alla media) IBL BANCA: IPM, post per day Banca Mediolanum Hello Bank Italia Banca IFIS Risultati Veneto Banca UniCredit Italia Findomestic Banca Banca Mediolanum Fineco Intesa Sanpaolo ING Direct Italia CheBanca! Banca Sella Banca IFIS ING Direct Italia Fineco Intesa Sanpaolo Credem MPS Findomestic Banca CredemIWBank IBL CheBanca! WeBank BNL WeBank MPS IWBank IBL Banca UniCredit Italia BNL Banca Sella Attività 13

12 TWITTER POSITIONING QUADRANT CheBanca! HELLO BANK ITALIA: IPM, Engaged user, tweet per day 5 4 CheBanca! IBL Banca Hello Bank Italia IWBANK e IBL BANCA : IPM, Engaged Users, tweet per day Risultati UniCredit Italia UniCredit Italia Banca IFIS Banca IFIS ING Direct Italia Banca Sella Veneto CredemBanca Hello Bank Italia IBL Banca MPS Credem MPS Veneto Banca BNL Banca Sella BNL ING Direct Italia IWBank Banca Mediolanum Banca Mediolanum Fineco Fineco WeBank IWBank WeBank -3-1,0-0,5 0,0 0,5 1,0 1,5 Attività 14

13 Quale approccioper la BA e BIG DATA nelleaziende Top down: definire lo use case (partire dalle domande giustecon delleipotesi) Bottom up: scoprireilvaloredeidati collezionandolie condividendoli Integrazione e Sperimentazione: trial pilot & repeat Nuova cultura della qualità e dell utilizzo del dato Nuovi Approcci al disegno e sviluppo delle applicazioni Team Multi-interdisciplinare e massa critica organizzativa Focus sulearning by doing 15

14 Big Data Analytics: un esempio

15 17