Ibridare i dati per strategie efficienti. Il caso Poste Italiane - ALBERTO CALZA Senior Analist Ricerche di Mercato - Poste Italiane
←
→
Trascrizione del contenuto della pagina
Se il tuo browser non visualizza correttamente la pagina, ti preghiamo di leggere il contenuto della pagina quaggiù
Ibridare i dati per strategie efficienti. Il caso Poste Italiane ALBERTO CALZA Senior Analist Ricerche di Mercato - Poste Italiane NICOLA AUFIERO Direttore Generale Customer insights - Praxidia
PRAXIDIA KNOWLEDGE SERVICES
CI PRESENTIAMO…
● Un Team di oltre 400
consulenti presenti in più di
Consulting Analytics
10 paesi a livello globale
(100 in Italia)
● Oltre 4 decenni di
esperienza in consulenza
● Supportiamo i nostri clienti
nelle loro esigenze di Customer Intelligent
Insights Automation
business con un eccellente
mix di Market Research |
Analytics | Processi di
consulenza
● Utilizziamo tecnologie di
ultima generazione per
offrire elevata produttività, Training
Solutions
efficienza e accuratezza
DATA is the new GOLD …
… but you need to know how to TRANSFORM raw material into a JEWEL!
Quali dati usare? Dati da ricerche di mercato? Dati interni? Dati esterni? Come far parlare i dati tra di loro? Come farli «confessare»?
HYBRIDIZE
LA SOLUZIONE:
PREDICTIVE ANALYTICS SERVICE
STRATEGIC LEARNING INDIVIDUAL CUSTOMER INTEGRATION IN CX
per identificare le root causes e le SCORE MANAGEMENT
variabili chiave per valutare la propensione verso un per ottimizzare gli sforzi con azioni
certo comportamento target proattive
KEY APPLICATIONS
SALES PREVENZIONE CHURN DEBT HR MANAGEMENT PREVENZIONE DELLO RILEVAMENTO FORECASTING DEI
EFFICIENCY RECLAMI PREVENTION COLLECTION per reclutare impiegati SHOCK DA DELLE FRODI VOLUMI
per migliorare per ridurre il livello per trattenere i per generare che siano "high FATTURAZIONE per prevenire le frodi modello econometrico
l’efficienza dei dei reclami, grazie clienti più risparmi, riducendo i performers" e ridurre il per prevenire le reazioni dei di un agente del per prevedere i volumi
processi di ad azioni proattive profittevoli, ad un contatti con i clienti a loro tasso di attrition/ clienti ad anomalie presenti Contact Center, di chiamate Inbound e
Acquisizione e specifiche costo appropriato basso valore atteso abbandono sulle fatturazioni (es. blocco di utilizzando dati il workload
Up/Cross-sell fatturazione) operativi
LE ESIGENZE DI POSTE ITALIANE DISEGNARE INDIVIDUARE OTTIMIZZARE LA UN’OFFERTA POTENZIALITÀ PROPOSIZIONE MIRATA A INESPRESSE COMMERCIALE SPECIFICHE DALLA PROPRIA B2B ESIGENZE CB
IL CASE STUDY DI POSTE ITALIANE
Esigenza: profilare la customer base PMI in relazione alla
vendita di prodotti o beni online (e-commerce)
Il progetto è stato articolato in 4 fasi distinte:
Raccolta di dati comportamentali attraverso una ricerca di
1
mercato
2
Integrazione di diverse fonti dati (dati del CRM, dati
esogeni, dati strutturali, ecc.) per arricchire il patrimonio
DISEGNARE informativo
UN’OFFERTA
MIRATA A 3 Sviluppo di un modello predittivo avente come
variabile target la "vendita di prodotti o beni online (e-
SPECIFICHE commerce)",
ESIGENZE
4 Applicazione del modello predittivo a tutta la
Customer Base al fine di associare degli indici di
probabilità dell’uso dell’e-commerce a ciascuna PMI
6
IL PROCESSO 1
VALIDAZIONE SURVEY AL
DEL MODELLO TEMPO T0
AL TEMPO T1
2
5 RACCOLTA DATI
APPLICAZIONE
DEL MODELLO A ALTRE FONTI AL
TUTTA LA CB TEMPO T0
4 3
COSTRUZIONE INTEGRAZIONE
DEL MODELLO DATI IN UNICO
PREDITTIVO DATAMARTRACCOLTA E INTEGRAZIONE DATI
COMPORTAMENTALI RECLAMI STRUTTURALI ECONOMICI
Dati campionari Dati interni Dati esterni Dati interni
(survey based)
TIPOLOGIA LOCALIZZAZIONE GEO RICAVI
QUOTA COMPETITORS AZIONE ALTITUDINE VOLUMI
USO E-COMMERCE CANALE POPOLAZIONE PRODOTTI
….… ….… ….… ….…
XX XX XX
DATA MODEL
Unique ID
▪ CODICE FISCALE
▪ COMUNE
▪ ID PRXDMODELLO E-COMMERCE
LE PERFORMANCE
CURVA DI GAIN
100%
AZIENDE CHE FANNO E-COMMERCE
Baseline E-commerce
80%
60%
40%
32%
20%
0%
0% 20% 40% 60% 80% 100%
% PMI
(ORDINATE PER SCORE DECRESCENTE)ESTENSIONE DEL MODELLO ALLA CB
MODELLIZZAZIONE ESTENSIONE ALLA VAIDAZIONE DEL
SUL SAMPLE CUSTOMER BASE MODELLO
CUSTOMER BASE SURVEY T0 DATA MART SURVEY T1
DATI RECLAMI DATI
ECONOMICI STRUTTURALILA VALIDAZIONE DEL MODELLO
CURVA DI GAIN MATRICE DI CONFUSIONE
100%
AZIENDE CHE FANNO E-COMMERCE
Baseline
Valore
Modello 2018 predetto
80%
Validazione 2019
SI NO
60%
osservato
SI 14% 19%
Valore
40%
NO 10% 57%
20%
Corretta predizione: 71%
0%
0% 20% 40% 60% 80% 100%
% PMI
(ORDINATE PER SCORE DECRESCENTE)Ibridare i dati incrementa esponenzialmente il
loro valore
Il solo possesso dei dati non basta: bisogna
saperli gestire
Se opportunamente usati, i dati generano
valore e non solo insightsPuoi anche leggere
