SEGMENTAZIONE INNOVATIVA VS TRADIZIONALE

Transcript

1 SEGMENTAZIONE INNOVATIVA VS TRADIZIONALE Arricchimento dei dati del sottoscrittore / user Approccio Tradizionale Raccolta dei dati personali tramite contratto (professione, dati sul nucleo familiare, livello di reddito, ecc.) Limiti: I dati relativi a nome e cognome e alla correttezza dell indirizzo non vengono verificati o sono incompleti Spesso i campi non sono compilati o compilati parzialmente La raccolta dei dati personali è soggettiva e poco misurabile perché lasciata alla rete di promotori / agenti Approccio Innovativo Arricchimento del database user con fonti esterne oggettive e misurabili in termini di: Riconoscimento e validazione del nome e del cognome Riconoscimento, validazione, capificazione e normalizzazione dell indirizzo Attribuzione delle coordinate X,Y per la localizzazione del cliente Arricchimento delle informazioni sul cliente relativamente a: o variabili socio demografiche (es. età del cliente, reddito, cluster sociodemografico Value Lab, scoring finanziario, livello istruzione, valore immobili, beni posseduti, tipologia prevalente professioni, ecc.) o variabili territoriali (caratteristiche della microzona di residenza, distanza dalla filiale / agenzia / consulente). Costruzione del database/ datamart per il data-mining Costruzione di un database contenente: anagrafica promotori Creazione di un database finalizzato all analisi statistica secondo modelli statistici (non pura estrazione/ reportistica)

2 anagrafica clienti transazioni avvenute e relativi movimenti reportistiche standard attraverso l incrocio delle diverse viste/dimensioni di analisi quali: albero decisionale (Chaid, C&RT, ecc.) cluster analysis reti neurali La costruzione del database è tipicamente relazionale su cui si appoggiano cubi olap per la parte di reportistica Gli skill necessari allo sviluppo del db tradizionale sono di programmatori, sviluppatori di db, db administrator, ecc. Limiti: permettono estrazioni di liste di clienti in funzione di singole variabili secondo una logica di query sul database non permette di associare / aggregare comportamenti simili tra clienti / promotori perché strutturato secondo logiche di reportistica e non secondo logiche di associazione per similarità Le fasi di costruzione del datamart per il data mining differiscono dalla costruzione di un classico database e prevedono una modellizzazione specifica per tool di analisi statistica muiltivariata (es. SPSS o Enterprise Miner di SAS). Le principali differenze si evincono nelle fasi di: integrazione delle fonti dati Se i dati provengono da più fonti, vanno consolidati in un singolo database riconoscimento cliente unico (doblonatura) modifica e ridefinizione campi inconsistente eliminazione differenti codifiche dei dati eliminazione valori inconsistenti per gli stessi dati creazione di nuovi campi derivati Variazione di una grandezza fra due periodi Relativizzazione di una misura Creazione di indici ad hoc per i modelli statistici (es. standardizzazione delle

3 variabili rispetto alla media e alla varianza) identificazione ed eliminazione di outlier valori massimi e minimi verifica della distribuzione delle variabili eventuale scelta di non considerare nelle analisi variabili distorsive eventuale selezione di un campione per disporre di più basi di confronto per la scelta dei modelli per Testare i modelli su differenti subset di dati trasformazione variabili per specifici modelli Discretizzazione di una variabile continua (es. da fatturato in a classi di fatturato) Creazione di flag (es. da valore della raccolta relativa a un prodotto a prodotto trattato si/no) Trasformazione di variabili qualitative in quantitative Omogeneizzazione delle variablili qualitative e quantitative (per i modelli che prevedono l utilizzo di solo una delle due tipologie) La costruzione del db è effettuata da esperti di statistica

4 Segmentazione La segmentazione avviene introducendo nel db dei filtri (simili ad excel) sulle diverse variabili ma non permette di aggregare i record dei clienti per comportamenti simili. Di fatto non è possibile segmentare correttamente la base clienti. multivariata e non da sviluppatori o programmatori. La segmentazione della base clienti è focalizzata sulla ricerca di cluster di clienti con comportamenti simili tra loro. Le tecniche (e i differenti algoritmi statistici) di cluster analysis o reti neurali consentono di individuare gruppi di clienti omogenei al loro interno e differenziati tra loro. Ciò che distingue questa attività da quella di pura estrazione o applicazione di filtri (metodo tradizionale) è il fatto che nel clustering le classi o i gruppi non sono definiti a priori, ma attraverso un opera di maieutica vengono riconosciuti e descritti a posteriori dal modello e interpretati dal manager. Figura 1 Segmentazione comportamentale Cluster analysis

5 i BANCA Z - Segmentazione comportamentale dei clienti Deposito titoli Bancoma 1, t Carta di credito Mutu i 5, Carte revolving Libretto di risparmio - Domiciliazione utenze Bancomat Carta di credito Gestione patrimoniale Prodotto assicurativo Carte revolving Fond i Home banking Domiciliaz. utenze Prod. assicurativo Credito personale Home banking Credito personale Fondi comuni Gest. patrimoniale Libretto risparmio Cluster Mutui 1 Deposito titol Nella figura 1 il cluster 3 è rappresentato, in una banca con prodotti assicurativi, dai cosiddetti correntisti tecnologici-propensi al rischio che fanno largo utilizzo di home banking, carta di credito, prodotti assicurativi, domiciliazione utenze e hanno un consistente deposito titoli. Su tale cluster l azienda può focalizzare l offerta di prodotti finanziari specifici per il target in oggetto ottenendo redemption significativamente più elevate rispetto alle estrazioni classiche effettuate tramite semplici query.