Modelli di previsione del 'churn' per l'internet banking.

Paolo Picchizzolu, Facoltà di Economia
Relatore: prof. Paolo Giudici

Con il termine 'churn' si vuole indicare il comportamento di abbandono di un servizio da parte di un cliente. Questo termine che nasce nel mondo internet per definire la disaffezzione verso gli internet provider, trova comunemente uso nel mondo della telefonia mobile e in molti ambiti di servizi legati al web.

Caratteristica comune di questi servizi è l'assenza di un canone e di conseguenza di un atto esplicito e formale di cessazione del servizio. La differenza in ambito bancario è l'impossibilità di formalizzare il momento in cui il cliente può essere disattivato, infatti, questi servizi non sono mai disattivabili unilateralmente ed è quindi fondamentale per intraprendere l'analisi fornire una regola per assegnare lo stato di churner al cliente inattivo. Questa regola deve ottemperare a due esigenze, una di carattere formale che vuole il churn come uno stato assorbente da cui in cui il cliente non è più riattivabile, e l'altro che incorpora esigenze di business legate alla rapidità di segnalazione del churner per avere il tempo di mettere in azione programmi di retention.

Queste due esigenze devono trovare la loro composizione nella scelta di un intervallo di tempo di inattività trascorso il quale il cliente si definisce churner.

L'analisi effettuata si è basata sullo studio contemporaneo di 2 modelli:
Il primo utilizza un modello di regressione logistica dove la variabile risposta è dicotomica ed è volto alla previsione dei futuri churners a cui rivolgere campagne di retention; il secondo si basa sulla tecnica dei cumulative logit che accetta come variabili risposta variabili categoriche che nel nostro caso identificheranno lo stato futuro assegnato in 'churn' 'informativo' e 'dispositivo'; questo modello risponde all'esigenza di identificare clienti su cui attuare azioni di up-selling.

Vale la pena sottolineare che le performance di entrambi i modelli si sono rivelate molto buone, con un misclassification rate medio del 14% per il primo e 26% per il secondo.