Profilazione Dei Clienti

Customer Profiling, Segmentazione
e Strategie di Marketing nelle

Telecomunicazioni
Reggio Emilia, 25 Marzo 2003
Bruno Scarpa
Universit di Pavia
la mia esperienza in azienda
! Nel 1997, dopo gli studi, ho avuto loccasione di cominciare
unavventura nel mondo delle aziende...
a. in RAS mi sono occupato della quotazione dei rischi e della
definizione delle tariffe e dei prezzi delle assicurazioni non vita
(auto, infortuni, incendio...)
b. Sono poi passato in OMNITEL dove ho avuto modo di impostare le

attivit di data mining come strumenti statistici per il marketing
sulla clientela...
c. Dopo un po di esperienza sono passato a TIN.IT dove oltre alle

analisi statistiche avevo il compito di curare le azioni di marketing
verso i clienti/navigatori/sottoscrittori...
d. Lultima tappa della mia esperienza aziendale stata in H3G,

una azienda in start up, dove avevo il compito di curare
limpostazione globale e quindi la definizione di requisiti per la
gestione della relazione con i clienti.
statistica nel marketing
Diversi livelli di coinvolgimento della statistica nel fare business
focus sui prodotti
Supporto
Fare analisi e
Analisi di alluomo di Guida
proporre idee:
marketing: marketing: commerciale
il motore
reports e aiuto e tecnologica
delle azioni di
statistiche quantitativo
marketing
descrittive di alle idee di
base marketing
focus sul cliente
Strumenti: Reports Reports Tabelle Modelli Statistici

Tabelle Tabelle Indicatori/tassi Data mining
Semplici indicatori Semplici indicatori Modelli Reports
Semplici modelli Data mining Tabelle
Indicatori
unazienda di telecomunicazioni
Customer Base Nuove Acquisizioni

4000 1200
3500
1000
3000
pay 800 pay
2500
totale totale
2000 600
1500
400
1000
200
500
0 0
dic-99
dic-99
feb-00
feb-00
apr-00
apr-00
giu-00
giu-00
ago-00
ago-00
ott-00
ott-00
totale
totale
dic-00
dic-00
pay
pay
IL MANAGEMENT DELLA CUSTOMER BASE
GUIDA LA STRATEGIA DI MARKETING
customer base: approccio strategico
Un unico obiettivo
Aumentare il Customer Lifetime Value

attraverso la riduzione del churn
e laumento dellARPU
attraverso
PROFILING & SEGMENTATION

Identificare i potenziali churners
Ridurre il churn
Massimizzare la soddisfazione dei clienti
Massimizzare il
Focalizzarsi su target per cross e up sell valore del cliente
Customer Relationship Management
Identificare
Realizzare
Praticare
tutte le attivit necessarie a garantire
il processo di attenzione e
fidelizzazione dellindividuo verso
lazienda e la sua offerta di prodotti e
servizi
e, conseguentemente
la massimizzazione delle opportunit
di business attraverso la
soddisfazione costante dei bisogni
profiling
Identificare
Classificare
Acquisire
Gestire
tutte le informazioni che consentono la
conoscenza e lanalisi del proprio target di
riferimento
e, conseguentemente
la realizzazione di prodotti e servizi ad
elevata probabilit di soddisfazione dei
suoi bisogni
sources analysis mgmnt

customer base: segmentazione di base
100%
COSTRUIRE MASSIMIZZARE
FELDELTA IL VALORE
" DIFFERENZIAZIONE DEI SERVIZI

VALORE DEL CLIENTE
" OPERATORE CC PERSONALE
INBOUND & OUTBOUND " NUOVI VAS
" SCHEMA DI LOYALTY (Incentivi) " MEMBER GETS MEMBER
" BLOCCHI (Disincentivi alla fuga) " CURA & ATTENZIONE
AZIONI A BASSO AUMENTARE IL

COSTO/ NO VALORE
PROMOZIONI
" AZIONI DI UP / CROSS SELL

" NON COSTI AGGIUNTIVI PER LA
GESTIONE DEL CLIENTE " INCENTIVARE LUSO
" AZIONI DI MASSA " INCENTIVARE ATTIVAZIONE DI
VAS
0%
0% FEDELTA DEL CLIENTE 100%
ALLA CONCORRENZA!
crm approach
Generazione di profitti attraverso lacquisizione di clienti ad alto valore, la creazione di valore e
unattenta politica di cost to serve
4Acquisizione di clienti (conversione di prospect in clienti)
OBIETTIVI 4Aumento del valore dei clienti attraverso azioni di cross-sell e di up-sell
4trattenere i clienti (retention)
4Attenzione al cost to serve
4Campagne
4Programmi di Loyalty
4Personalizzazione dei Servizi
AZIONI 4Gestione dei canali di contatto
4(sviluppo di nuovi prodotti)
4Analisi delle propensioni sui contatti

4Analisi di dati sui clienti Uso dei canali
4Segmentazione & micro-segmentazione Ragioni di contatto
ANALISI 4Suggerimenti sui bisogni e le 4Esperienza del cliente per ogni canale
(CC, Portale,chat, Messaging, Dealers)
(PROFILING) preferenze dei clienti
4Efficienza del Customer Care
CUSTOMER DATA
4ID (nome, indirizzo, num. di telefono, piano tariffario...) 4Storia dei contatti del cliente
4Dati Demografici (et, citt, ...) Uso dei canali
4Dati Socio-economici (reddito, professione, titolo di Motivo di contatto
studio, classe di valore, ...) Numero di contatti
DATI GREZZI
4Dati Psicografici (ambiente, preferenze, hobbies, ...)
4Patterns duso (spesa telefonica, servizi usati e DATI SUI LIVELLI DI SERVIZIO DEI CANALI
frequenza, ...) ...
dati
!Dati sui clienti #dati da internet
#generali dati di traffico web
informazioni socio demografiche page provisioning/ Web contents (es. p
dati di attivazione (es. Dati di views, unique visitors, ...)
sottoscrizione, tipo di contratto, piano dati sulle e-mail
sottoscritto, ...)
dati raccolti attraverso il web (questino
#dati di fatturazione e customer behaviour)
#dati sulle telecomunicazioni dati sulle community
dati di traffico telco #dati sulla gestione della customer base
Dati sui VAS & Killer Applications dati dal CRM operazionale
Dati su altri servizi a valore aggiunto Dati sul campaign Management &
(internet, Msites ...) Marketing contact history
#dati esterni Dati dai progammi di loyalty
#ricerche di mercato #Informazioni sugli errori (madornali)
#informazioni sui costi dellazienda, (e.g. billing errors, ...)
#
TLC: alcuni problemi
!acquisizione della clientela
#prospect
Raggiungere una soglia minima di clienti ASAP
Trovare e attrarre i clienti giusti: quanto spendere per ciascun diverso cliente
potenziale?
#Scoprire frodi di sottoscrizione

determinare domande di sottoscrizione fraudolente
!profittabilit dei clienti

#valore del cliente
#dormienti e share of wallet
#monitoraggio e management del rischio

Determinare e ottimizzare i parametri di rischio
TLC: alcuni problemi
$fedelt !Customer profiling

#approccio predittivo #chi sono i clienti?
modelli di previsione del churn
#cosa ciascun cliente vuole?
#attrito e retention #come contattare ogni cliente?
Modellazione e determinazione e delle
principali cause
$valutazione delle azioni
#azioni: programmi di loyalty/campagne/up #Spesso non possibile effettuare
sell-cross sell esperimenti caso-controllo
I clienti sono autoselezionati
#relazione col cliente
#Valutare a posteriori alcune azioni
Personalizzazione dellattenzione de del
Stima gli effetti delle azioni
contatto
condizionatamente alleffetto di
tutte le altre variabili
modelli statistici e data mining
4Utilizzo di tecniche e metodologie statistiche di vario tipo e di

diverso livello di complessit
4Lapproccio graduale: si parte da soluzioni e metodologie

semplici e poi man mano ci si sposta su modelli e strumenti pi
sofisticati (KISS = Keep It Simple. Sam!)
4 preferibile non affidarsi a soluzioni automatiche (black box)

che propongono schiaccia il bottone e il computer far tutto da
solo (la proposta tipica dei tools in vendita)
4Data mining: Insieme di tecniche statistiche (e non) per la

stima di modelli non-lineari per grosse quantit di dati, ma
caratterizzate da ridotta complessit computazionale.
Il valore del cliente
Obiettivi
"Individuazione dei clienti da trattare con
maggior cura
"Individuazione di clienti su cui agire per
aumentare la redditivit
Strumenti
"Determinazione di un indicatore del
valore di ciascun cliente per lazienda
"Definizione di poche classi di valore
Funzione di profittabilit
Eventuale
Costi fattori di
Revenue Vita stimata Eventuale
Valore di mensili di Costi di Costi di
un Cliente = mensile - chiamate e - gestione x per quel
cliente
x
sconto
/crescita - acquisizione - subsidy
servizi (upgrades/
downgrades)
Drivers / % Fattura % Costi di % Costi di % Lunghezza di % Tassi di % Advertising % Upgrades &

mensile rete customer vita prevista sconto /Promozioni downgrades
Components: care con H3G per le previsti
aziende
% Costi di % Costi % Costi di
attivazione diretti dei % G&A % Soddisfazione Commissione
servizi
% Cambi di % Selling
propensioni Overhead
% Handset
subsidies
Il valore del cliente legato allintero ciclo di vita e

non solo al profitto annuale
Il valore: le classi
Si determina per ogni cliente un indicatore di valore con caratteristiche di
semplicit, intuitivit e stabilit nel tempo
Si determina la classifica dei clienti ordinata secondo il valore che essi portano
allazienda e si cerca un numero limitato di classi per i vari sottogruppi di clienti
quota clienti quota valore
totale
5.7%
1 48.4%
Login per tipo di Abbonamento e classe a valore
100%
90%
25.1%
80%
2
5.47% 14.5%
Classe 7
81.4%
70%
Classe 6
60%
Classe 5
50% Classe 4
40% Classe 3
14.0% 18.5%
3
30% Classe 2
20% Classe 1
10%
0%
30.8% 13.1%
4
ADSL Pay Free Hosting
Login pay, free, ADSL e hosting per classe a valore

100%
15.7%
5 3.8% 80%
60% hosting
pay
6.9%
6
free
1.0% 40%
ADSL
20%
20.7%
7 0.7%
0%
Classe 1 Classe 2 Classe 3 Classe 4 Classe 5 Classe 6 Classe 7
Classi a valore
customer base: il churn
Modellare la disattivazione:
costruire, validare, interpretare un modello che
descriva il comportamento degli utenti in termini
di disattivazione in relazione ad altre variabili
note
Perch?
"Per descrivere il fenomeno
"Per prevedere i potenziali futuri disattivi
"Per predisporre azioni
"Per verificare lefficacia di operazioni di
marketing/Customer Operation
customer base: il churn
Le fonti
Aziendali: (DWH, RADIUS, logs, Altre fonti: Ricerche di mercato

Remedy,)
Per un piccolo campione casuale di
Per tutti i clienti
clienti
Informazioni su
Informazioni su
traffico
servizi opzionali comportamenti
comportamento del cliente stili di vita

reclami-rapporti con customer care motivi della disattivazione
azioni di marketing/customer care tempi della scelta
fatture/ricariche
ottenuti tramite interviste
dati demografico/anagrafici
il churn: gli obiettivi
& Determinare un indicatore di propensione alla disattivazione per

ogni login
& Prevedere i potenziali futuri disattivi
& Capire i motivi fondamentali che portano alla disattivazione e i
comportamenti che la precedono
& Individuare possibili azioni volte alla retention del cliente
& Verificare lefficacia di operazioni di Marketing/Customer
Operation
il churn: gli obiettivi
Chi a rischio di
disattivazione? Quando
maggiore il rischio
&Caratteristiche demografiche di disattivazione?
&Usage di internet
&Comportamenti di traffico
&Contatti con lazenda &Promozioni della concorrenza
&Informazioni sul billing Comportamento &Eventi della vita
&Copertura della rete dei pop dei clienti sul churn
Perch sono a
rischio di &Offerte della concorrenza
disattivazione? &convenienza dei prezzi
&Prezzo dellHardware
&Servizio al cliente
&Programmi a premi
il churn: data mining
Passi principali
& Identificazione della popolazione

& Determinazione e reperimento delle variabili
& Definizione del target
& Stima del modello
& Verifica dellaccuratezza
& Utilizzo del modello
Selezionare la popolazione
Prima di estrarre i dati da DWH necessario
definire in maniera precisa la popolazione da
analizzare.
Esempio
I clienti utilizzati per costruire un modello di churn per il prodotto
pippo sono i clienti che hanno data di attivazione precedente il
1/12/2000 ed aventi data di disattivazione superiore al
31/1/2001 o ancora attive nel mese di Febbraio 2001.
Per ciascuna di queste login sono stati estratti da DWH (input al

sistema di data mining) i dati (le variabili x,y,z...) di Luglio 2000,
Agosto 2000, Settembre 2000, Ottobre 2000, Novembre 2000.
Loggetto della previsione

La variabile target va definita con precisione in
termini di status dei clienti e date degli eventi
considerati (disattivazione, attivazione,
sospensione)
Esclusione variabili leaker

Alcune delle variabili presenti nei dati in
ingresso sono strettamente correlate con
loggetto della previsione per diversi motivi.
Le variabili che trasudano informazione sulla variabile target

(leakers) devono venire identificate ed escluse dallinsieme di dati a
disposizione (ad es. data di disattivazione, status della login, flag
varii)
il churn: esempio
TLC - Mobile
necessario un diverso approccio tra prepagate e post-pagate perch
& Per il post-pagato

'Il cliente CHIEDE di essere disattivato via raccomandata
& Per il free

'Il cliente VIENE disattivato quando non ricarica per 12 mesi
I clienti prepagati decidono di andare alla concorrenza

molto prima della disattivazione tecnica
il churn: esempio
Churn: prepagato-postpagato
Per il post-pagato, per C un chiaro evento:

disattivare il servizio lazienda sa quando
necessario inviare una lutilizzatore vuole
raccomandata disattivare
Il prepagato non viene

Non c evidenza di
disattivato. Esce dalla
Customer base dopo 12 quando il cliente decide
mesi consecutivi senza di abbandonare
ricarica
il churn: esempio
Loggetto della previsione: prepagato
( Identificazione di un segnale del churn effettivo

Tale segnale dovrebbe essere
semplice da calcolare
% intuitivo e semplice
% legato alla decisione del cliente di andarsene
% accurato e autoesplicativo
% Il segnale viene individuato sulla base di
% Traffico outgoing
% Traffico incoming
Modelli per il churn

Regressione
lineare/logistica
Il modello pi semplice (lineare)

non sufficiente a descrivere i dati
"bisogna ipotizzare modelli pi

complessi
"lasciarsi guidare dalle MARS/

reti neurali
Alberi di
regression
osservazioni per costruire le e/
CART
relazioni tra variabili e

disattivazione Regressione
projection pursuit/
GAM
CART: Alberi di classificazione
4Alberi che crescono in maniera
ricorsiva
4Un nodo terminale g diviso in due
parti (figli di destra e di sinistra, gL
e gR) in maniera da aumentare
maggiormente il criterio di divisione
(split)
Dg-DgL-DgR
4dove D una misura della bont di
adattamento (goodness of fit)
4Tipicamente gli split vengono definiti 4Principali Vantaggi:
come partizioni univariate di ogni Facile da capire e da interpretare
singola variabile di input Considera facilmente osservazioni
4Una volta costruito lalbero pi mancanti attraverso la creazione di
grande viene generalmente potato variabili fittizie
(pruned) seguendo un criterio 4Pricipali Svantaggi:
(generalmente basato su una Enfatizza le interazioni
funzione di costo) La superficie di previsione non liscia
churn: CART I

Predisposizione data set
deactiv
deactiv train build models

train + test test and select
activ test
activ model
dataset
evaluate evaluate evaluate evaluate evaluate

model
CART: stima del modello
"Si stima un modello CART (Classification and Regression Tree)

"Si predispone un cammino di stima guidato, per cui le variabili da inserire nel modello
e lordine di entrata viene definito e deciso a priori sulla base di
%Conoscenza del business
%Actionability
%Modelli di data mining stimati in precedenza
%Analisi preliminari e stime univariate
"Si utilizza come regola di split lindice di Gini
"Le variabili risultate non significative allentrata per qualche ramo vengono eliminate
solo nel ramo di riferimento
"Per scelta (aumentare lactionability) non si effettua una analisi di pruning per
eliminare variabili
"Calcolo della stima di una misura di propensione al churn per ciascun nodo nel dataset
eval e determinazione dellordine dei nodi rispetto alla propensione alla disattivazione.
CART: previsione
"Determinazione delle soglie per la scelta delle tre classi di

rischio sulla base di numerosit dei nodi nel dataset eval e del
livello di rischio dei nodi.
"Per ciascun cliente si determina la foglia nellalbero a cui

appartiene e si definisce Propensione al churn per quella login il
valore della propensione nella foglia di riferimento.
"Classificazione dei clienti nelle tre classi di rischio

CART: previsione
Ad ogni nodo e foglia dellalbero associato un diverso indice di

propensione al churn (segnale). (I colori delle foglie dellalbero
indicano classi di rischio: & bassa, & media, & alta)
campione CB
"churn"=1.8%
sottoscrive servizio A non sottoscrive servizio A

"churn"=5.5% "churn"=1.4%
attivazione prima del xxx attivazione dopo il xxx

usa servizio B non usa servizio B

pi di n chiamate outbound meno di n chiamate outbound

"churn"=3.1% "churn"=16.1%
pi di m mail ricevute meno di m mail ricevute et superiore ai k anni non persona fisica et inferiore ai k anni
"churn"=2.6% "churn"=6.8% "churn"=14.0% "churn"=16.0% "churn"=19.6%
femmina maschio
"churn"=17.8% "churn"=20.3%
residente nelle regiorni a,b,c,d,e residente nelle altre regioni

"churn"=19.2% percentuale dellacustomer base=1.8%
"churn"=21.1%
CART: la valutazione dei modelli
Il modello stato stimato per poter essere utilizzato per

fare previsione:
deve essere valido per qualsiasi altra situazione analoga.
(PCR)
Misure di accuratezza
"Matrice di confusione
"Lift
Misure globali: gli errori
Omissione: percentuale di clienti previsti ad alto rischio sul totale dei

clienti effettivamente disattivati (cio quanti di quelli
effettivamente disattivati erano nella classe pi a rischio il
mese prima). Lerrore di omissione viene indicato anche
come falsi negativi
Commissione: percentuale di clienti disattivati sul totale dei clienti

nella classe pi a rischio (cio quanti di quelli considerati a
rischio sono stati effettivamente disattivati il mese
successivo). Lerrore di commissione indicato anche con il
termine falsi positivi.
accuratezza del modello

omissione: alto Rischio medio Rischio basso Rischio
SC = Y 27.94% 29.46% 42.60 % ( = 100%)
SC = N 3.57% 6.83% 89.60% ( = 100%)
comissione:
SC = Y SC = N
alto Rischio 49.33% 50.67% ( = 100%)
medio Rischio 34.92% 65.08% ( = 100%)
basso Rischio 94.42% ( = 100%)
5.58%
Misure locali: il lift

I record (i clienti) vengono ordinati per propensione al churn decrescente, in
modo da avere gli elementi ritenuti pi a rischio nella prima parte della lista.
Si suddivide linsieme cos ottenuto in quantili e si calcola quanti disattivati reali

si trovano nel primo quantile.
Il rapporto fra la percentuale di disattivati reali nel primo quantile rispetto alla
percentuale di disattivati su tutta la popolazione considerata detto lift.
Il lift misura quindi di quanto nel sottogruppo selezionato si prevede meglio la

disattivazione rispetto a quello che si farebbe nella popolazione globale.
Pi in generale tale misura definita per un selezionato sottogruppo di una popolazione pi vasta
come la proporzione di disattivi nel sottogruppo diviso la proporzione di disattivi in tutta la
popolazione.
Ad esempio:
Se linsieme totale di login esaminate costituito da 100.000
elementi di cui 3.000 disattivi, il tasso di churn per questa
popolazione sar di 3.000/100.000=0,03.
Se ordinando i risultati del sistema di previsione per propensione al
churn decrescente si individuano, fra le prime 1000 login di
questa lista, 150 disattivati, il tasso di churn sar di
150/1000=0.15.
Ci significa che il lift del sistema di previsione utilizzato pari a
0.15/0.03=5.
Nota
Nelle telecomunicazioni in Italia il tasso di churn in un mese

molto basso (si aggira attorno all1%-5%).
In questo caso, anche un metodo particolarmente accurato (es.
lift=6) ha comunque un numero molto elevato di falsi positivi,
cio un errore di commissione particolarmente elevato (infatti
per es. sui 100 clienti pi a rischio secondo il sistema
previsionale utilizzato, solo 6 saranno effettivamente
disattivati).
churn: CART
! Lift: la funzione descrive, per ogni

Lift percentile della distribuzione (ordinata
4 per propensione al churn stimata), il
rapporto tra la percentuale di disattivati
nel sottogruppo rispetto alla stessa
3.5
3 percentuale sullintera popolazione

2.5 ! una misura di quanto meglio si stimi il
2
churn col modello, rispetto allutilizzo di
una strategia di non modello
! Il lift globale dellintero gruppo di clienti
1.5
1 che si prevede disattivino (circa il 15%

della customer base) di circa 2.74
0 10 20 30 40 50 60 70 80 90 100
il churn: previsione
data mining puro Esempio:

Soluzione a black box in cui il Modello A
software (IT) seleziona le
variabili e determina il "Calo del traffico
modello in maniera
completamente automatica non actionable!
data mining guidato Esempio:

Modello B
Soluzione in cui lanalista
"caratteristiche di traffico
guida le analisi nella scelta,
almeno parziale, delle (es. Alto usage nelle ore di picco)
variabili, utilizzando i modelli "Uso dei servizi
di data mining come strumenti
"calo nel traffico
di analisi
"Reclami Azioni di Marketing
e CRM
!obiettivo: trovare per ciascun churn: GAM
cliente un punteggio di
propensione alla disattivazione
Propensione alla disattivazione

(churn)
1.0
1.0
1.0
0.0
0.0
0.0
#Capire quali variabili hanno effetto
-1.0
-1.0
-1.0
0 20000 40000 60000 80000 0 5000 10000 15000 0 2000 4000 6000 8000
sulla decisione di churn e qual Variabileougoing

Traffico A Variabile
Traffico incoming B
Tariffa 'Picco' Traffico incoming Tariffa
Variabile C 'Ordinaria'
Piano Tariffario
leffetto di ogni variabile considerata
alla disattivazione
1.0

1.0
2
tra le altre
0.5
0.0
0.0
0
Propensione
-0.5
-1.0
-1
e
! pi importante capire gli

Tim re 50 25
0 1 2 3 4 1995 1996 1997 1997 1998 1998 a
ine
ss b
-G
old c alo d alo
ree
alo
re
us -V -V -V
20 50
-B Variabile F51 52
AltreVariabile
Sim Attive
D Data di Attivazione
Variabile E 15
effetti che laccuratezza della

Metodo di Pagamento Canale di Vendita Programma Affari
disattivazione
disattivazione
1.5
alla disattivazione
alla disattivazione
4
1.0
precisione
2
0.5
0.5
Propensionealla
Propensionealla
0.0
0
Propensione
Propensione
-0.5
-2
-0.5
ia
#un modello GAM model stato

ar s ler
s n
le ito nc er s ls
a Po
sta b ed c Ba a omot b eec adler
s
eDea fcount goresh omatio hanne SIN NO Y
Cr ne r his De nt c t t
tin
o di io P nc de rA IS Au lC
rt a iaz lar a O
oll
et
Variabile
Ca I icil llu Fr GD ip
n
Variabile
e a jo H OP ffice Specia Variabile I
B m Ce In
d M O
Do
adattato a un campione casuale di Internet Mailbox Opzione Segreteria Zona di Attivazione


dati (bilanciati)
0.0
0.5
1.0
-1.0
-0.5
0.0
#I risultati sono stati valutati
-2.5
-1.5
-1.0
N Y N Y 1 2 3 4
Variabile H
sullintera customer base

Variabile M Variabile N
Customer profiling
PRIVATO
PRIVATO
Culturaintessuta
intessutadidivalori
valori
Profilazione dei valori
Cultura
materiali edaspirazioni
PRIVATO
materiali ed aspirazioni
Etnocentrismo
Interesse individualistiche.
individualistiche.
per la moda Orientamentoaiai Interesse
valoriapparenza
Orientamento valori
Consumismo delAnomia
del seedel
s delprivato
privato
#Usando tutte le variabili a
Ostentazione e
Attenzione prestigio
Edonismo allaspetto
disposizione si vogliono Antiproibizionismo Esoterismo

Industrialismo Chiusura
capire i valori, gli interessi e

mentale
Amore per Insicurezza
laventura
i bisogni dei clienti APERTURA

APERTURA
Narcisismo
Secolarizzazione Paura della
violenza
CHIUSURA
CHIUSURA
Culturaindustriale
Cultura industrialeee Culturadidistampo
Cultura stampo
#Tracciare il grafico dei APERTURA
Cosmopolititsmo
post-industriale,
post-industriale, Semplificazione
della vita
Welfare arcaico
arcaico
Localismo ee
CHIUSUR
clienti sottolineando le aperta
aperta al
cambiamento,
al
Gestione della
preindustriale
preindustriale
arroccata
Centralit dellasui valor
cambiamento, arroccata
famiglia sui valori
differenze nei valori e complessit Liberalismo Polisensualismo
allinnovazione e alla sessuale tradizionaliee
allinnovazione e alla Adesione Interesse Perbenismo tradizionali
bisogni complessit sociale.
complessit sociale.
al nuovo tecnologia diffidenteverso
diffidente versoilil
Impegno nuovo.
nuovo.
Spiritualit Diffidenza per
#Analizzare i bisogni e gli la pubblicit
Nostalgia
interessi dei clienti aiuta a Vita sociale Ecologia natura
capire cosa offrire loro e Antiautoritarismo Ricerca

Revisione interiore
ruoli sessuali Espressione SOCIALE
SOCIALE
come interagire con loro personalit Volontariato Comunitarismo Bisogno di
Creativit
Partecipazione
Cultura personale
solidaristica impregnata radicazione
Idealismo
Cultura solidaristica impregnata
didivalori
valorietici
eticieespirituali.
spirituali.
SOCIALE
Orientamento
Orientamento
allacollettivit
alla collettiviteealalsociale.
sociale.
Customer profiling
Profilazione dei valori PRIVATO Etnocentrismo

Interesse
per la moda Interesse apparenza
Consumismo Anomia

Ostentazione e
Edonismo allaspetto


mentale
laventura
i bisogni dei clienti Narcisismo

Secolarizzazione Paura della
violenza
#Tracciare il grafico dei Cosmopolititsmo

APERTURA Semplificazione
della vita
Welfare Localismo
CHIUSUR
clienti sottolineando le Gestione della Centralit della
sessuale famiglia
Adesione Interesse Perbenismo
bisogni al nuovo
Impegno
tecnologia
Spiritualit Diffidenza per

#Analizzare i bisogni e gli la pubblicit
Nostalgia
interessi dei clienti aiuta a Vita sociale Ecologia natura

Revisione interiore
ruoli sessuali Espressione
Partecipazione Creativit radicazione
personale Idealismo
SOCIALE
Customer profiling
CENTRALIT
Profilazione dei valori DEL CORPO E
DEL CONSUMO
PRIVATO Etnocentrismo
Interesse CULTURA
[7.0%] per la moda Interesse apparenza
PICCOLO
Anomia
Consumismo BORGHESE
Ostentazione e
Edonismo allaspetto [21.7%]

mentale
laventura
i bisogni dei clienti Narcisismo

Secolarizzazione Paura dellaTRADIZIONALISMO
violenza [11.6%]
NUOVA
#Tracciare il grafico dei Cosmopolititsmo
APERTURA FRONTIERA
Semplificazione
della vita
[12.0%] Welfare Localismo
CHIUSUR
clienti sottolineando le Gestione della
[12.0%] Centralit della
sessuale famiglia
Adesione Interesse Perbenismo
bisogni al nuovo
Impegno
tecnologia
IMPEGNO Spiritualit Diffidenza per

#Analizzare i bisogni e gli [10.3%]
la pubblicit
Nostalgia
interessi dei clienti aiuta a Vita sociale Ecologia
RADICI
natura

Revisione
Espressione
interiore [17.3%]
ruoli sessuali
Partecipazione Creativit radicazione
personale Idealismo
SOCIALE
INTERIORIT
[8.1%]
Customer profiling
CENTRALIT
Profilazione dei valori DEL CORPO E
DEL CONSUMO aver
PRIVATO
CULTURA
[7.0%] successo avere molto denaro
e diventare PICCOLO
qualcuno BORGHESE
#Usando tutte le variabili a [21.7%]
disposizione si vogliono NUOVA
divertirsi
TRADIZIONALISM
capire i valori, gli interessi e FRONTIERA [11.6%]
i bisogni dei clienti [12.0%] fare una vita sentirsi al riparo e
al sicuro dai pericoli
intensa di
#Tracciare il grafico dei
relazioni sociali viaggiare [12.0%]
clienti sottolineando le APERTURA CHIUSURA
fare una vita
differenze nei valori e intensa e piena
di esperienza
fare il proprio
dovere
bisogni
sentire
#Analizzare i bisogni e gli affetto
intorno sentire la stima/
imparare/ a s
interessi dei clienti aiuta a arricchire approvazione
delle persone
le proprie
capire cosa offrire loro e IMPEGNO conoscenze che ci circondano
come interagire con loro
[10.3%] RADICI
[17.3%]
SOCIALE
INTERIORIT
[8.1%]
la valutazione delle azioni
Azioni: massimizzare la redemption

" Lanalisi ex post essenziale per identificare quale azione agisce meglio e
su quale target
"Per misurare le azioni necessario

definire: IG
N
ACTI
ES
I modelli di misura N
D
ON D
IO
(indicatori/modelli di analisi e AC
T
algoritmi)
EPLO
Gli strumenti di misurazione
YM EN
T
ACTION
MEASUREMENT
Azione 1: caso-controllo
Target: clienti a rischio con una determinata caratteristica
Azione: (1A) - Lettera con suggerimenti per lutilizzo (DM)
(1B) - Lettera con suggerimenti per lutilizzo + 1 regalo
(DM)
Disegno di indagine: Caso-controllo
Alcuni risultati
Test di significativit
Signal Churn
Azione casi controllo differenza t p-value
1A 61.30% 61.13% +0.17% +0.12 0.90
1B 59.21% 61.13% -1.92% -1.40 0.16

Azione 2: una scelta del cliente
Target: Tutti i clienti
Azione: Sottoscrizione di un particolare servizio
Disegno di indagine: non possibile confrontare i sottoscrittori con un analogo campione di
non sottoscrittori del servizio (autoselezione)
Non possibile disegnare a priori l'indagine
Alcuni risultati: Effetto Marginale

Tasso di disattivazione
Il possesso del servizio si accompagna ad un tasso di disattivazione significativamente

inferiore (-50% circa) rispetto al resto della customer base
Azione 2: una scelta del cliente
Effetto congiunto
Bruno Scarpa
bruno.scarpa@unipv.it

Profilazione Dei Clienti

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Profilazione Dei Clienti

Caricato da

Copyright:

Formati disponibili

Customer Profiling, Segmentazione

e Strategie di Marketing nelle

Reggio Emilia, 25 Marzo 2003

b. Sono poi passato in OMNITEL dove ho avuto modo di impostare le

c. Dopo un po di esperienza sono passato a TIN.IT dove oltre alle

d. Lultima tappa della mia esperienza aziendale stata in H3G,

Diversi livelli di coinvolgimento della statistica nel fare business

focus sui prodotti

Strumenti: Reports Reports Tabelle Modelli Statistici

Customer Base Nuove Acquisizioni

Aumentare il Customer Lifetime Value

PROFILING & SEGMENTATION

sources analysis mgmnt

" DIFFERENZIAZIONE DEI SERVIZI

AZIONI A BASSO AUMENTARE IL

" AZIONI DI UP / CROSS SELL

0% FEDELTA DEL CLIENTE 100%

4Analisi delle propensioni sui contatti

#Scoprire frodi di sottoscrizione

!profittabilit dei clienti

#dormienti e share of wallet

#monitoraggio e management del rischio

$fedelt !Customer profiling

4Utilizzo di tecniche e metodologie statistiche di vario tipo e di

4Lapproccio graduale: si parte da soluzioni e metodologie

4 preferibile non affidarsi a soluzioni automatiche (black box)

4Data mining: Insieme di tecniche statistiche (e non) per la

Drivers / % Fattura % Costi di % Costi di % Lunghezza di % Tassi di % Advertising % Upgrades &

Il valore del cliente legato allintero ciclo di vita e

Login pay, free, ADSL e hosting per classe a valore

Aziendali: (DWH, RADIUS, logs, Altre fonti: Ricerche di mercato

comportamento del cliente stili di vita

& Determinare un indicatore di propensione alla disattivazione per

& Identificazione della popolazione

Per ciascuna di queste login sono stati estratti da DWH (input al

Loggetto della previsione

Esclusione variabili leaker

Le variabili che trasudano informazione sulla variabile target

& Per il post-pagato

& Per il free

I clienti prepagati decidono di andare alla concorrenza

Per il post-pagato, per C un chiaro evento:

Il prepagato non viene

Loggetto della previsione: prepagato

( Identificazione di un segnale del churn effettivo

Modelli per il churn

Il modello pi semplice (lineare)

"bisogna ipotizzare modelli pi

"lasciarsi guidare dalle MARS/

relazioni tra variabili e

il churn: data mining

deactiv train build models

evaluate evaluate evaluate evaluate evaluate

"Si stima un modello CART (Classification and Regression Tree)

"Si utilizza come regola di split lindice di Gini

"Determinazione delle soglie per la scelta delle tre classi di

"Per ciascun cliente si determina la foglia nellalbero a cui

"Classificazione dei clienti nelle tre classi di rischio

Ad ogni nodo e foglia dellalbero associato un diverso indice di

sottoscrive servizio A non sottoscrive servizio A

attivazione prima del xxx attivazione dopo il xxx

usa servizio B non usa servizio B

pi di n chiamate outbound meno di n chiamate outbound

residente nelle regiorni a,b,c,d,e residente nelle altre regioni