Customer Analytics: esplorazione dati cliente e analisi predittiva

Mai prima d’ora i clienti hanno avuto così tanto “potere”, grazie ad internet e ad uno smartphone possono scegliere non solo le aziende con cui relazionarsi ma anche le modalità di interazione con queste, stabilendo come e quando farlo.

Mai prima d’ora le aziende hanno avuto così tante informazioni sui propri clienti, sulle loro preferenze e abitudini di consumo, sui loro bisogni, anche quelli non ancora completamente esplicitati, sotto forma di informazioni digitali: i dati. Ma avere tanti dati a disposizione non vuol dire automaticamente ricavarne utilità, anzi come per l’uomo così tante informazioni, così veloci, così varie possono creare problemi di sovraccarico cognitivo[1] anche per le aziende creando caos e immobilismo organizzativo. “Eppure, se analizzati, i dati sono preziosissimi per il business, tanto da essere considerati l’oro del nuovo millennio”.  (Vetere, 2016)

La Business Intelligence (BI) non è certo una novità, e da tempo offre alle aziende un insieme di strumenti per raccogliere ed analizzare i dati supportando attivamente le decisioni di business. Nel tempo, complice la crescita esponenziale di dati e capacità di elaborazione, si è passati da una semplice misurazione dei fenomeni, alla successiva comprensione (data mining), per arrivare all’attuale predizione di eventi futuri (analisi predittiva).

Quale sarà il prossimo prodotto da proporre ad un determinato gruppo di clienti? Tramite quale canale? Quale filiale avrà quest’anno la migliore prestazione? Quali clienti stanno pensando di “tradirci” con la concorrenza? È questo il tipo di domanda alle quali si può dare risposta con un’analisi profonda, identificando pattern (modelli) e correlazioni fra i dati, anche fra quelli non strutturati.

Ma come funziona l’analisi dei (big) dati e quali sono le tecnologie chiave? Non c’è un’unica tecnologia che permetta l’analisi di grandi quantità di dati, ma un insieme coordinato di processi organizzativi e tecnologie che aiutano ad ottenere il massimo valore dalle informazioni.  La gestione dei dati, con particolare attenzione agli aspetti di qualità del dato, tecnologie di data mining, Hadoop per i BIG DATA, analisi di tipo in-memory per avere risposte in tempo reale, analisi predittive, text mining per l’analisi semantica dei dati non strutturati, sono tutti elementi importanti da conoscere, implementare e coordinare per ottenere risultati di business che siano evidenti.

Ma oltre alle diverse tecnologie, è indispensabile promuovere una cultura aziendale orientata al dato, un processo ibrido tecnologico, creativo e manageriale. Fra i tanti aspetti, vorrei focalizzare l’attenzione su quello che possiamo definire il “ciclo di vita di analisi”, ovvero un processo iterativo per fare scoperte dai dati, con l’applicazione delle nuove conoscenze per migliorare continuamente i modelli predittivi e i loro risultati. Vediamo insieme le diverse fasi che lo compongono.

anlysis cycle

Figura 6- Il ciclo di vita di analisi è un processo iterativo per fare scoperte dai dati e l’applicazione di nuove conoscenze per migliorare continuamente i modelli predittivi e i loro risultati. Fonte: http://www.sas.com/it_it/insights/analytics/big-data-analytics.html

Ask | Tutto inizia da qui. Il processo di scoperta è guidato da domande di business che producono innovazione. Questa fase è focalizzata sulla scoperta di che cosa si ha bisogno di conoscere, e come è possibile applicare l’analisi predittiva sui dati in possesso per risolvere un problema o migliorare un processo.

Prepare | La raccolta dei dati di certo non è un problema, tecnologie come Hadoop, e computer sempre meno costosi e più potenti hanno reso possibile memorizzare ed elaborare sempre più dati, anche di diversa tipologia. Ma vi è ancora un problema nel normalizzare questi dati grezzi, provenienti da diverse fonti, in informazioni utilizzabili come input per la fase di analisi.

Explore | L’esplorazione dei dati tramite strumenti interattivi di Self-service Business Intelligence, utile a diverse figure professionali all’interno di un’organizzazione (da l’analista di business, senza conoscenza analitica ad uno scienziato di dati), permette di scoprire relazioni, tendenze e patterns (modelli) nascosti, ed ottenere una comprensione profonda delle informazioni contenute nei dati. In questa fase, viene verificata l’ipotesi formulata nella fase iniziale del progetto (Ask), sviluppando e testando diverse idee su come affrontare analiticamente il problema. Esaminando i dati, si potrebbe rendere necessaria la creazione, selezione o trasformazione di una parte di questi per costruire modelli più precisi e specifici. Servono quindi strumenti potenti per rendere velocizzare questo processo iterativo, che è cruciale per individuare le migliori domande e risposte.

Model | In questa fase, tramite strumenti analitici si cercano la giusta combinazione di dati e tecniche di modellazione (come clustering, alberi decisionali o reti neurali) in grado di garantire una previsione affidabile del risultato voluto.  La sperimentazione è la chiave per trovare la risposta più affidabile, e la costruzione automatizzata dei modelli è il modo più efficiente per ridurre al minimo il tempo per arrivare ad un risultato soddisfacente. In passato, quando la costruzione di modelli era manuale, si riuscivano a creare diversi modelli in una settimana o mese; oggi se ne possono creare centinaia o addirittura migliaia. Grazie ad algoritmi di machine learning ed un campione rappresentativo sarà poi possibile individuare il modello più efficace.

Implement | Qui si passa dalla fase di scoperta a quella di produzione, prendendo le intuizioni (insight) emerse e testandole sul campo con processi automatici ripetibili (deploy). In molte organizzazioni questo è un punto critico, in cui il processo spesso rallenta drasticamente perché non sono ci sono accordi precisi fra i due “mondi” test e produzione. L’integrazione di questi due mondi aiuterebbe non poco ad utilizzare le risposte generate dalle analisi predittive in maniera più efficace ed efficiente, che rischiano altrimenti di rimanere teoriche senza incidere sulle prestazioni di business.

Act | Ci sono due tipi di decisioni che possono essere effettuate sulla base dei risultati analitici: decisioni strategiche prese da esseri umani sulla base dei risultati emersi, e decisioni operative automatizzate, come il calcolo del credit scoring[2] o della next best action in un CRM aziendale, che non richiedono l’intervento umano. Sempre più organizzazioni stanno cercando di automatizzare le decisioni operative e di fornire in tempo reale risposte e risultati per ridurre le latenze decisionali. In più, basandosi sulle indicazioni dei modelli analitici si rendono le decisioni oggettive, ripetibili e misurabili.

Evaluate | Il prossimo – e forse più importante – passo sarà quello di valutare il risultato delle azioni prodotte dal modello analitico. Ci sono risultati tangibili, come ad esempio un aumento delle entrate o riduzione dei costi? Con un monitoraggio continuo e misurazione delle prestazioni dei modelli, è possibile valutare il successo di tali attività e fare in modo che continuino a produrre i risultati desiderati.

[1] Il sovraccarico cognitivo, meglio conosciuto come Information overload(ing), si verifica quando si ricevono troppe informazioni per riuscire a prendere una decisione o sceglierne una specifica sulla quale focalizzare l’attenzione. Fonte: wikipedia.org
[2] Il credit scoring è un metodo statistico di valutazione della solvibilità del cliente utilizzato da banche e finanziarie (in genere per la concessione del credito al consumo): si tratta di un sistema di calcolo, coerente, veloce e accurato che analizza una serie di informazioni sul consumatore e fornisce come risultato un punteggio (score) sul rischio di insolvibilità del cliente. Fonte: bankpedia.org

~

Licenza Creative Commons
La banca liquida: Come la rivoluzione digitale sta cambiando l’industria finanziaria di Francesco Cugurra è distribuito con Licenza Creative Commons Attribuzione – Condividi allo stesso modo 4.0 Internazionale.
Based on a work at https://francescocugurra.wordpress.com/la-banca-liquida/.
Permessi ulteriori rispetto alle finalità della presente licenza possono essere disponibili pressohttp://www.linkedin.com/in/fcugurra.

Annunci