Tag: Banche

Next Best Product – Suades – Deutsche Bank

Scritto da Aldo Loconsole il 22 Ottobre 2022. Pubblicato in BANCHE, NOTIZIE, SUADES.

La Divisione Marketing della Deutsche Bank, sempre alla ricerca di soluzioni innovative, utilizza SUADES per identificare il gradimento dei prodotti da parte dei clienti.

Tramite la matrice generata da SUADES “cliente/prodotto/rate” individua tutti i clienti ai quali uno specifico prodotto “piace” di più oppure quali sono i prodotti più “graditi” da uno specifico cliente.

Le informazioni sono utilizzate:

per effettuare campagne di marketing mirate
dai gestori dei clienti tramite CRM per proporre nuovi prodotti o fornire informazioni mirate al momento giusto
su home banking
per inviare SMS o mail personalizzate
su mobile tramite app geo localizzate
per analisi statistiche
per prevedere il gradimento di nuovi prodotti
per attuare azioni di survey su Clienti a rischio di abbandono
per fidelizzare i Clienti

Per raggiungere le migliori performance SUADES analizza diversi dati di ogni cliente:

i prodotti già posseduti
il ciclo di vita
lo status economico
lo stile di relazione fra cliente e banca
i cambiamenti intervenuti recentemente nella situazione finanziaria del cliente

In Figura 1 è riportata una schermata di SUADES con i feedback utilizzati.

feedback

Figura 1. Feedback utilizzati dal sistema SUADES

Il servizio viene erogato in modalità non invasiva: periodicamente vengono inviati i dati dei clienti a CONQUIST che provvede ad elaborarli tramite SUADES ed a restituire alla banca la matrice “cliente/prodotto/rate”.

La banca può accedere da remoto al sistema, per effettuare in maniera autonoma qualsiasi tipo di analisi, tarando a proprio piacimento i vari parametri di SUADES.

Algoritmi

Sono considerati due tipi di algoritmi, entrambi del tipo “collaborative filtering”, cioè basati sull’approccio collaborativo.

Questi algoritmi appartengono a due famiglie:

Collaborative user-based
Collaborative item-based

Gli algoritmi del tipo collaborativo “user-based” effettuano il confronto fra ogni coppia di righe della matrice dei dati di partenza (cioè i clienti) calcolando una misura quantitativa di similarità.

In questo modo identificano gruppi di clienti simili, ovverosia clienti con preferenze simili (che tendono ad acquistare gli stessi prodotti finanziari).

Per stimare la probabilità di acquisto di ogni prodotto da parte di ogni cliente utilizzano i dati disponibili relativi al gruppo di clienti simili.

Gli algoritmi del tipo collaborativo “item-based” effettuano il confronto fra ogni coppia di colonne della matrice dei dati di partenza (cioè i prodotti) anche in questo caso attraverso una metrica di similarità.

L’algoritmo identifica gruppi di prodotti simili, ovverosia prodotti che tendono ad essere acquistati dagli stessi clienti. Anche in questo caso la stima della probabilità di acquisto viene effettuata utilizzando l’insieme dei dati identificato grazie alla similarità.

Misure di similarità

Sono state implementate nel Sistema di Raccomandazione quattro diverse misure di similarità:

Pearson Correlation
Euclidean Distance
Spearman Correlation
Log Likelihood

Il coefficiente di correlazione di Pearson si ottiene dividendo la covarianza (la covarianza è una misura di dipendenza) fra due serie di dati per il prodotto delle deviazioni standard di ogni serie (la deviazione standard è una misura di dispersione).

Ad esempio, se si considera un algoritmo di tipo user-based, ogni serie di dati descrive le informazioni relative ad un cliente.

La similarità fra due clienti è ottenuta dunque dividendo la covarianza fra i due clienti per il prodotto delle deviazioni standard di ogni cliente.

La distanza euclidea è ottenuta considerando due serie di dati (ad esempio due clienti), calcolando le differenze fra componenti analoghe (ad esempio la differenza fra le età dei clienti), sommando i quadrati delle differenze e calcolando la radice quadrata.

Il coefficiente di correlazione di Spearman può essere considerato una variante del coefficiente di Pearson adatto a variabili di tipo ordinale. Questo tipo di metrica può essere particolarmente utile nel caso dei Sistemi di Raccomandazione quando le preferenze dei clienti sono espresse attraverso “rating” espressi in una scala a valori interi (ad esempio, una scala a cinque valori come accade in molti siti Web).

Il test Log-Likelihood è una statistica che, in generale, un test statistico che consente di affermare con una certa probabilità che due modelli sono identici. Il test fornisce, dunque, anche una metrica per calcolare la similarità fra due modelli, o due serie di dati.

Ampiezza del vicinato

Poiché gli algoritmi utilizzati sfruttano la similarità fra clienti o la similarità fra prodotti, è importante identificare il numero di oggetti (clienti o prodotti) simili da considerare per effettuare la stima della probabilità di acquisto.

Suades è utilizzato facendo variare il numero di oggetti simili considerati, ovverosia la “ampiezza del vicinato” (neighborhood nella terminologia tecnica).

Sono considerati due criteri:

Nearest N User
Threshold User

Il primo criterio, Nearest N User, consiste nel fissare esplicitamente il numero di oggetti simili da considerare.

Il secondo criterio, Threshold User, prevede invece che sia fissata una soglia di similarità: l’algoritmo considera solo i clienti (o i prodotti) che presentano un valore di similarità inferiore alla soglia (il numero di clienti è dunque variabile e non predeterminabile).

In Figura 2 è riportato uno schema delle attività effettuate attraverso i primi tre parametri.

algoritmi

Figura 2. Schema degli algoritmi, metriche di similarità, criteri di ampiezza del vicinato considerati.

Indicatori di performance

Sono considerati tre indicatori di performance:

Precision
Recall
F-Measure

La Precision è il rapporto tra il numero di raccomandazioni previste correttamente (i prodotti con probabilità di acquisto elevata che sono state effettivamente acquistati dai clienti) e il numero di raccomandazioni totali (tutti i prodotti con probabilità di acquisto elevata).

La Recall è il rapporto tra il numero di raccomandazioni previste correttamente (lo stesso numeratore della Precision) e il numero di acquisti totale (tutti i prodotti acquistati dal cliente).

La F-measure (F) è una combinazione delle altre due calcolata come il doppio del rapporto fra il prodotto di Precision e Recall diviso per la somma di Precision e Recall.

Figura 3 riporta uno schema di calcolo di Precision e Recall.

misure

Figura 3. Schema di calcolo di Precision e Recall.

Per informazioni: info@conquist.it

Continua a leggere

Strategic Marketing Service – Piattaforma per le banche

Scritto da Aldo Loconsole il 22 Aprile 2022. Pubblicato in BANCHE.

Una piattaforma innovativa di Marketing Strategico al servizio delle Banche e delle Assicurazioni.

SMS – Strategic Marketing Service (scarica flyer) é in grado di:

Utilizzare i dati provenienti da diverse fonti dati
Fornire indici di produttività per filiale/agenzia, gestore, regione, area territoriale, etc
Fornire previsioni di abbandono dei clienti (CHURN) per consentire di attivare opportune azioni di retention
Prevedere i comportamenti dei clienti in fase di pre-acquisto per il mantenimento dei clienti e per lo sviluppo del mercato (up-selling, cross-selling)
Rendere fruibili gli strumenti ed i dati al marketing ed alla rete vendita

Strategic Marketing Service é una soluzione scalabile e modulare che utilizza SUADES – RECOMMENDER SYSTEM

Continua a leggere

Recommender System – Sistema innovativo – Politecnico di Bari

Scritto da Aldo Loconsole il 10 Marzo 2022. Pubblicato in AZIENDE, BANCHE, SUADES.

SUADES – RECOMMENDER SYSTEM – SISTEMA DI RACCOMANDAZIONE INNOVATIVO

Azioni efficaci in grado di anticipare le scelte del consumatore e spingerlo a comprare più volte uno stesso prodotto (up-selling) oppure prodotti completamente diversi da quelli già acquistati (cross-selling).

DESCRIZIONE ( scarica flyer )
L’impiego di una strategia di marketing che ponga il cliente e la sua soddisfazione come principale obiettivo, per una impresa, comporta una trasformazione dei tradizionali modelli di business e l’adozione di un nuovo sistema di organizzazione che pone l’esigenze del cliente al centro di tutto.

Il raggiungimento di tale obiettivo prevede l’implementazione di sistemi informatici che siano capaci, in maniera automatica, mediante un processo di auto-apprendimento, di comprendere il mutevole atteggiarsi del comportamento del cliente ed anticiparne le mosse.

Così, la possibilità di suggerire prodotti automaticamente secondo il profilo specifico del cliente, risulta essere una azione di marketing particolarmente utile ed efficace.

I sistemi di raccomandazione si classificano in tre categorie:
• sistemi di raccomandazione content-based: all’utente saranno consigliati prodotti con caratteristiche simili a quelli già acquistati (da lui) in passato;
• sistemi di raccomandazione collaborative-filtering: all’utente verranno suggeriti prodotti che sono piaciuti ad altri utenti a lui molto simili;
• sistemi di raccomandazione ibridi: combinano le caratteristiche dei sistemi content-based e collaborative-filtering;

I nostri innovativi sistemi di raccomandazione, realizzati in collaborazione con Ingenium, Spinoff del Politecnico di Bari, sono del tipo “context-aware recommender”.

Sono sistemi ibridi, costruiti in base alle specifiche esigenze del cliente, e considerano anche i dati contestuali, cioè “informazioni” addizionali (di contorno) che condizionano l’acquisto ed inducono lo stesso consumatore ad assumere comportamenti differenti, infatti l’inserimento della variabile contestuale migliora in maniera significativa la capacità di predire l’atteggiamento del consumatore.

Tenere traccia dei dati di contesto, come ad esempio il fine dell’acquisto, consente automaticamente al sistema la comprensione ed individuazione di pattern che descrivono il comportamento di acquisto dell’utente in maniera più dettagliata. Una ulteriore ed efficace informazione che il recommender system considera quando genera suggerimenti di acquisto è la redditività dei prodotti (il margine di profitto).

Continua a leggere

Customer Churn -BPPB

Scritto da Aldo Loconsole il 1 Novembre 2021. Pubblicato in BANCHE.

SUADES – RECOMMENDER SYSTEM – SISTEMA DI RACCOMANDAZIONE INNOVATIVO

Azioni personalizzate efficaci in grado prevenire l’abbandono (churn) dell’azienda da parte del cliente perché se il costo associato alla perdita di un cliente è molto più alto del costo necessario a mantenerlo, il costo per riconquistarlo quando ha abbandonato è ancora più elevato.

L’ impresa ha il bisogno di individuare, in maniera automatica, azioni personalizzate efficaci in grado prevenire l’abbandono dell’azienda da parte del cliente. L’abbandono (churn) è definito come il comportamento di un cliente che sposta le sue attività presso la concorrenza, ed è caratteristico di settori in cui non c’è una differenza di offerta significativa fra i concorrenti.

Anche se il churn è un fenomeno che non riguarda solo quelle che aziende che instaurano con il cliente un legame contrattuale, le imprese che lavorano nel settore dei servizi sono particolarmente interessate a questa problematica ( come ad esempio le banche, le aziende di telefonia, etc. ) e sempre più esposte a casi di abbandono (churn) che possono raggiungere dimensioni preoccupanti ed incidere negativamente sul profitto.

L’abbandono è una conseguenza della diminuzione della soddisfazione del cliente (customer satisfaction) pertanto bisogna agire su questa variabile per arginare in qualche modo il fenomeno del churn.

Per fare ciò è indispensabile adottare di una strategia di CRM, per conoscere i singoli clienti e gestirli in maniera integrata. Il nostro innovativo sistema, realizzato in collaborazione con Ingenium, Spinoff del Politecnico di Bari, è capace non solo di aggregare, analizzare e visualizzare tutte le informazioni legate agli stessi clienti, ma anche di prendere delle iniziative e suggerire automaticamente azioni di marketing efficaci rivolte al singolo cliente per limitare il fenomeno dell’abbandono.

Continua a leggere

Customer Retention ABI – Deutsche Bank, BPPB, BPB

Scritto da Aldo Loconsole il 1 Luglio 2021. Pubblicato in BANCHE, NOTIZIE.

scarica flyer

CUSTOMER RETENTION – CLIENTELA RETAIL

PARTECIPAZIONE AI GRUPPI DI LAVORO ABI

SISTEMA DI MONITORAGGIO DELLE FILIALI

La Customer Retention è una filosofia gestionale che misura la fedeltà della Clientela e le relative correlazioni in termini di redditività, patrimonio finanziario, prodotti posseduti cross-selling, ecc.

L’ABI, la SDA Bocconi ed un gruppo di lavoro di circa 40 banche, hanno formalizzato una metodologia comune individuando le regole per misurare i seguenti indicatori: Tasso di retention; Tasso di retention nuove acquisizioni; Tasso di acquisizione; Tasso di sviluppo; Cross selling dei prodotti; Patrimonio finanziario medio.

Il comportamento di acquisto dei prodotti e servizi finanziari è valutato in termini di trend di diffusione di prodotti/servizi ed incidenza di possesso presso i diversi segmenti di clientela.

I prodotti rilevati sono: Conto Corrente; Conto Corrente a pacchetto; Bancomat; Carte di Credito; Carte Revolving; Depositi a Risparmio; CD; Obbligazioni della banca; Risparmio amministrato; Obbligazioni e titoli di stato; Azioni; PCT; Fondi comuni; GPM e GPF; Assicurazioni; Fondi pensione; Apertura linee di credito; Prestiti personali; Mutui ipotecari; On Banking; Canalizzazione stipendio; Utenze.

I segmenti di clientela sono: Sesso; Età della clientela; Anzianità di relazione; Fasce di patrimonio finanziario; Macro area territoriale di appartenenza.

L’analisi degli indici di Customer Retention, dei trend di diffusione dei prodotti e servizi nonché dell’incidenza del possesso degli stessi nei vari segmenti di clientela sono utili per capire l’addensamento delle problematiche e delle virtù commerciali per settore e per valutare la produttività e sintonizzare la strategia di produzione e di vendita.

I Gruppi di Lavoro ABI della Customer Retention sono quattro:

Customer Retention e Performance Commerciali della Banca per il segmento di clientela Privati
Comportamento di Acquisto dei Servizi Finanziari da parte della sola clientela Privati
Customer Retention e Performance Commerciali della Banca per il segmento di clientela Small Business
Customer Retention e Performance Commerciali della Banca per il segmento di clientela Piccole Imprese

La piattaforma CRABI consente di cogliere due obiettivi fondamentali:
a) Fornire all’A.B.I. i dati relativi al monitoraggio periodico della Customer Retention e delle Performance Commerciali della Banca per il confronto con gli altri istituti di credito consentendo alla banca di partecipare ai primi tre gruppi di lavoro;
b) Creare un osservatorio interno per il monitoraggio e la valutazione delle performance commerciali delle Filiali, delle Aree territoriali, della Banca (ed eventualmente del Gruppo) attraverso un’analisi del “valore” del portafoglio della Clientela ed un’analisi dinamica dell’importanza della clientela con la rilevazione dei flussi di migrazione tra classi di redditività;

Risultati forniti dalla piattaforma:
1. Foglio excel da inviare all’ABI
2. Schede Riassuntive per Filiale, Area territoriale e Banca
3. Report Dettagliati per Filiale, Area territoriale e Banca
4. Accesso diretto ai dati elementari per attività di data mining

CRABI, è una piattaforma software che viene alimentata da forniture periodiche, generalmente trimestrali, provenienti dal sistema informativo della banca generando un archivio storico contenente i dati riepilogativi della clientela retail. I dati fondamentali di ciascun Istituto sono parametrizzati e sono comunque modificabili. L’archivio in ingresso che alimenta la base dei dati storica dei clienti, deve rispettare determinati requisiti.

Continua a leggere

Estratto Conto OK – Verifica correttezza calcoli – BPB

Scritto da Aldo Loconsole il 1 Settembre 2020. Pubblicato in BANCHE, NOTIZIE.

Estratto conto OK ( scarica flyer ) è il software di CONQUIST che consente:

► alla Banca di verificare la correttezza dei calcoli degli estratti conto ed in particolare di verificare che il T.E.G. (tasso effettivo globale) non sia superiore al Tasso Effettivo Globale Usura pubblicato trimestralmente dalla Banca D’Italia. In tal caso consente di eseguire il ricalcolo dell’estratto conto e degli interessi, spese/commissione modificando liberamente, la periodicità, i tassi e le spese/commissioni.

► al Professionista di redigere perizie per la determinazione dei costi dei conti correnti bancari e nasce a seguito delle richieste di strumenti flessibili per il calcolo dei maggiori costi addebitati dalle banche per l’effetto dell’anatocismo.

► all’Azienda di ricalcolare i costi addebitati sui conti correnti bancari al fine di valutare la richiesta di rimborso alle Banche, come previsto dalle normative vigenti.

ECOK si pone a pieno titolo come strumento adatto a soddisfare le esigenze di tutte le parti, utilizzando una procedura semplice ed intuitiva che riesce ad adattarsi ad una innumerevole varietà di condizioni contrattuali applicabili.

Continua a leggere