Gli analytics per studiare la rete di conoscenze e le relazioni tra clienti della banca

“Dimmi con chi vai e ti dirò chi sei” recita un vecchio proverbio. La saggezza popolare, basata sull’osservazione empirica e la probabilità del ripetersi degli eventi, trova una conferma scientifica in chiave moderna con gli analytics. Ottenere informazioni sui legami (familiari, amicali, professionali) del cliente permette di arricchire il dossier sul singolo individuo e sulle persone che rientrano nella sua sfera di relazioni, sia che si tratti di utenti fidelizzati che potenziale. Questo è ciò che emerge dal caso d’uso “Associative relation networks - Analyzing relations between private clients” sviluppato all’interno di UBI Banca dal team di Customer Analytics.

A guidare il progetto è Matteo Gianni, Head of Customer Analytics and Big Data di UBI Banca, con una squadra di 14 persone, tra cui sette data scientists.

“UBI Banca - racconta - è il quarto gruppo bancario italiano per numero di sportelli, con 23mila dipendenti, circa 4 milioni di clienti retail e un modello organizzativo tradizionale, ancora legato al territorio. All’interno della banca, il mio team si occupa di esplorare la conoscenza del cliente, con diversi modelli di scoring per misurare ad esempio, la propensione all’acquisto o il rischio di abbandono. La nostra mission è trasformare le esigenze commerciali in azioni concrete, supportando le filiali e il contact center nel raggiungere gli obiettivi di business. Ad esempio, forniamo nominativi di potenziali clienti per conseguire i risultati trimestrali.”. 

Modelli per misurare la propensione e definire i cluster

Il team di Gianni ha sviluppato 19 modelli di propensione, focalizzati soprattutto sui prodotti core della banca: carte di credito (anche con rateizzazione dei rimborsi), prestiti personali, polizze assicurative. È stato creato un modello per individuare il canale di contatto preferito per ciascun cliente. Sono stati identificati anche precisi cluster di appartenenza, ad esempio: coppie con o senza figli, senior, giovani studenti o lavoratori.

«I dati per le analisi - chiarisce Gianni - provengono dal sistema di Customer Relationship Management della banca (ovvero dal nostro datawarehouse aziendale) e sono integrati con informazioni destrutturate come le causali dei bonifici, le transazioni delle carte di debito o credito, i questionari tipo MiFID (Markets in Financial Instrument Directive) o PEF (Proposta Elettronica di Finanziamento), le note raccolte dai gestori durante le conversazioni con i clienti. Tutti i dati vengono analizzati attraverso la piattaforma SAS e le tecniche di machine learning».. 

Definire la rete di conoscenza dei clienti

Anche il progetto per la definizione della rete di conoscenze sfrutta sia le informazioni certe, fornite e sottoscritte dal cliente durante la stipula dei contratti, sia i dati destrutturati provenienti da una pluralità di fonti.

L’analisi incrociata delle fonti strutturate e testuali permette di identificare quattro classi di connessioni che legano il cliente a un familiare, un amico, un collega o un prospect presente nel database della banca.

“Per identificare i legami di parentela - specifica Gianni - abbiamo esaminato ad esempio le righe dei bonifici: basta un messaggio “Auguri Mamma!” per intuire il rapporto madre-figlio tra destinatario e mittente. Tra amici, si possono trovare indizi come “Quota del Fantacalcio” nella causale. Se più persone ricevono lo stipendio dallo stesso conto aziendale oppure pagano con carta di credito nel medesimo ristorante alla medesima ora probabilmente sono colleghi.” 

Dai legami diretti tra clienti agli influencer

Il progetto Associative relation networks ha riguardato in una fase iniziale solo l’intercettazione dei legami diretti tra clienti e l’implementazione di reti di primo livello. Un secondo step ha permesso di identificare anche le relazioni indirette, quando entra in gioco un soggetto terzo per determinare o chiarire la relazione tra due clienti. Infine, si è passati all’identificazione dei clienti influencer, in grado di condizionare la propensione all’acquisto all’interno della propria rete.

“Abbiamo studiato il comportamento dei clienti all’introduzione di nuove offerte - afferma Gianni -, verificando quanto, come e con quali tempistiche un determinato prodotto si diffonde all’interno delle reti e chi sono i primi acquirenti. I test sono stati effettuati sui servizi meno complessi, ad esempio Ricariconto che permette di rateizzare i pagamenti addebitati sul conto corrente nell’ultimo mese. I mutui invece implicano scelte molto personali e difficilmente vengono sottoscritti solo perché consigliati. Abbiamo notato che i prodotti più ricettivi al modello influencer sono le polizze assicurative e le carte prepagate.”

Conoscere le relazioni per aumentare i profitti

Al momento il progetto è ancora in fase di sperimentazione, ma ha permesso di raggiungere risultati significativi.

“Utilizzando i dati destrutturati - continua Gianni - oltre alle informazioni del Crm, abbiamo ampliato la dimensione delle reti del 33%. Prima ogni network metteva in evidenza solo una relazione, mentre oggi si conoscono almeno due nominativi che sono legati in qualche modo al cliente: uno derivante dalle fonti certe, l’altro ricavato attraverso i modelli. Abbiamo identificato una percentuale di influencer pari a 0,2 su un totale di oltre 4 milioni di clienti retail: un numero significativo che può portare risultati importanti. Soddisfare le aspettative degli influencer significa infatti condizionare positivamente l’opinione e la propensione di tutta la rete. Inoltre, abbiamo potuto individuare prospect nel 65% delle reti costituite da legami familiari.”

Il progetto ha richiesto due mesi di intenso lavoro per lo sviluppo dei modelli. “Si tratta comunque di un processo in continua evoluzione - specifica Gianni -. Gli algoritmi di machine learning arricchiscono il dizionario di nuovi termini ogni volta che viene effettuata un’analisi testuale (ad esempio, nelle causali dei bonifici o nelle note inserite dai gestori). Inserendo via via a sistema i topics non conosciuti, i casi non esplorati saranno quindi sempre meno.”

Dopo la prima release focalizzata sull’identificazione delle reti dirette, il progetto è proseguito con i primi test nelle filiali. Con lo scopo di capire quanto e come le nuove informazioni relazionali possano contribuire agli obiettivi di business della banca. Per concludersi con l’avvio dei progetti pilota