Analisi predittiva: cos’è il modello di churn e come è possibile prevenire l’abbandono della clientela con i predictive analytics

 

A cosa serve il modello predittivo di churn

 

I modelli di analisi predittiva del churn vengono sviluppati per fornire al business delle leve, strategiche e tattiche, per prevenire l’abbandono della clientela. L’obiettivo dei modelli di Churn è quello di determinare, per ogni Cliente, una probabilità di abbandono/chiusura dei rapporti. Fanno parte delle famiglia dei Predictive Analytics cioè di quelle soluzioni di Data Intelligence in grado di attribuire la probabilità con cui un evento si verificherà nel futuro.

 

Leggi Predictive Analytics cos’è e che risultati fornisce per maggiori informazioni

 

Considerazioni iniziali

 

Ogni modello predittivo restituisce un risultato, ma non tutti i risultati sono utili. Infatti si può creare modellistica con 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 analisi 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.

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, il downgrading contrattuale, etc.)

Nei modelli di Churn, la variabile che si vuole predire è dicotomica (0: non abbandono 1: abbandono).

 

L’approccio metodologico allo sviluppo del modello predittivo

 

La metodologia che utilizziamo per l’analisi predittiva è 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.

 

  1. Business Understanding: la definizione di obiettivi precisi e controllabili è necessaria per una corretta definizione del problema e per un disegno preliminare di analisi
  2. Data Understanding: valutazione di idoneità, disponibilità e libero accesso ai dati. Comprensione del significato di ogni campo, frequenza di aggiornamento, qualità dell’informazione contenuta e presenza di dati mancanti
  3. Business Understanding: individuati i dati è necessario trasformarli nella forma più opportuna per l’analisi. Trasformazione e ri-codifica di variabili, calcolo di nuovi indicatori, trattamento di valori mancanti
  4. Analysis & Modeling: vengono costruiti differenti modelli, poi testati e calibrati per cercare di individuare i più adatti all’obiettivo finale. Alcune volte è necessario tornare alla fase di data preparation se i modelli testati richiedessero input diversi o nuove variabili da calcolare
  5. Evaluation: i modelli che sembrano avere un buon livello di performance vengono valutati dal punto di vista analitico, di business e degli obiettivi che si volevano raggiungere
  6. Deployment: messa a regime dei modelli sviluppati

 

 

CRISP DM metodologia per sviluppare analisi predittiva e modelli di apprendimento automatico

I risultati che si ottengono dal modello predittivo

 

Il risultato di un’analisi predittiva di churn non è solo la probabilità futura di abbandono calcolata su ogni cliente.

Gli output sono molteplici e la loro applicazione può essere utilizzata sia a supporto di decisioni strategiche sia a livello gestionale, calata nei processi aziendali.

I risultati del modello di churn forniscono all’azienda una lente di ingrandimento sui clienti a maggior o minor rischio, dando evidenza dei fattori che incidono sull’abbandono.

Nello sviluppo di modellistica predittiva sul churn i principali output che rilasciamo ai nostri clienti sono:

 

  • analisi di contesto e trend sul fenomeno dell’abbandono
  • scoring probabilistico (indicazione per ogni cliente della probabilità di abbandono)
  • fattori che incidono sull’abbandono dei clienti
  • focus sui segmenti di clientela e relazione degli stessi con il fenomeno dell’abbandono
  • profilazione dei clienti all’interno dei segmenti di maggior o minor rischio
  • relazione del fenomeno dell’abbandono con le principali metriche (fatturato, marginalità, NPS, RFM, CLTV, potenziale cliente, etc.)
  • indicatori di qualità e rischio potenziale dei clienti declinato nel loro ciclo di vita, fin dal momento dell’adesione
  • semaforo gestionale per simulazione delle campagne di marketing
  • strumento gestionale costituito da una maschera utente attraverso la quale selezionare l’elenco di clienti da gestire nelle campagne di marketing

 

L’applicazione al Business

 

La gestione in anticipo e differenziata per probabilità di abbandono dei clienti offre all’azienda delle leve concrete per migliorare il tasso di retention.

 

 

Vuoi ricevere contenuti esclusivi e in anteprima? Iscriviti ora alla nostra newsletter. Clicca qui