Model Driven Business in Financial Services

Una metodologia per l’adozione degli strumenti di analisi basati su Artificial Intelligence e Machine Learning

1

Model Driven Analytics

Le capacità Model Driven basate sulla analisi predittiva dei datisono un elemento cruciale per un approccio evoluto al Business e il terreno delle Financial Institutions ha tutte le più importanti caratteristiche per essere un ambito fertile alla loro applicazione. Vanno considerate, infatti, alcune peculiarità del contesto: le Financial Institutions attribuiscono, per loro missione, una grande importanza alla raccolta dei dati. Si tratta di una funzione core e non solo in ambito transazionale, ad esempio riguardante dati relativi alle movimentazioni in capitale, ma sempre più anche in ambito comportamentale, con raccolta e valorizzazione di informazioni più labili e fluide come quelle relative all’uso di beni materiali (telematics e IoT del mondo assicurativo), di investimenti (trading), dei pagamenti, e delle operazioni banking digitale. Un secondo elemento di spinta verso il Model Driven Business dei Financial Services, è costituito dalla imponente trasformazione digitale che spinge la domanda dei clienti verso prodotti e servizi sempre più personalizzati, flessibili e immediati da utilizzare.

Come in altri settori Bigh Tech, anche nelle Financial Institutions l’approccio Model Driven business è sempre più guidato da algoritmi e strumenti intelligenti, concepiti per catturare le aspettative degli utenti e trasformarle in servizi, prodotti ed esperienze d’utilizzo. Netflix dichiara che l’80% dei contenuti goduti sulla piattaforma derivi da strumenti di raccomandazione personalizzata; per Amazon, si stima che il 35% degli acquisti dell’e-commerce sia frutto di sistemi automatici di raccomandazione (reccomender systems). E se fino ad oggi l’approccio Model Driven è stato appannaggio esclusivo dei grandi player e ne costituiva un fattore critico di successo, ora è implementabile da chiunque, in modo agile ed a costi decisamente più contenuti. Questo è attualmente possibile grazie a diversi fattori abilitanti:

  • Un’estesa disponibilità di dati, non solo quelli disponibili internamente alle istituzioni finanziarie, ma anche quelli derivanti da partner commerciali, Open Data o terze parti;
  • Una potenziata capacità di calcolo tipica di sistemi che ottimizzano le elaborazioni in memory e le scalano su cluster distribuiti (Big Data);
  • L’adozione di librerie e modelli computazionali basati su euristiche avanzate, strumenti statistici e Machine Learning.

È in tale contesto che l’offerta Reply costituisce un valore aggiunto dal punto di vista consulenziale. L’industry dei Financial Services è caratterizzata da peculiarità che spesso non rendono generalizzabili modelli altrove consolidati.  Ad esempio va considerato come, a differenza degli scenari Retail dove i prodotti sono tipicamente ben definiti e codificabili, in ambito Financial Services il catalogo abbia una serie di complessità legate al ciclo di vita dei prodotti, alla lettura delle esigenze e alla situazione contestuale dei clienti (es. un cliente ha esigenza di un mutuo o di una polizza solo in particolari situazioni della sua vita). Parallelamente, dalla prospettiva tecnologica e infrastrutturale, occorre una profonda conoscenza di soluzioni e architetture enterprise, spesso costruite su modelli legacy consolidati negli anni e tipicamente non scalabili.

2

Iniziative in ambito Bancario

Reply intraprende diverse iniziative di laboratorio e sperimentazione di tipo Model Driven Analytics finalizzate allo sviluppo di modelli avanzati di analisi dei dati in ambito Data Analytics e Customer Intelligence.  

Le esperienze maturate in diverse iniziative di successo in ambito bancario hanno consentito di sviluppare una piattaforma per la modellazione di engine analitici avanzati, basati su tecniche Model Driven e strumenti Machine Learning. Le iniziative nascono tipicamente dalla esigenza di raggiungere diversi obiettivi di business come servizi automatici per le raccomandazioni personalizzate sui prodotti a catalogo, modelli per la segmentazione comportamentale della clientela, la gestione di modelli di scoring di propensione all’acquisto. Vediamoli di seguito in dettaglio.

3

I modelli recommendation engine

Un Recommendation Engine può essere descritto come un meccanismo in grado di costruire un’offerta commerciale personalizzata, in tempo reale, basandosi sulla valutazione di tutte le informazioni disponibili sull’insieme della clientela.
Il principio di un Recommendation Engine si fonda sul concetto di Collaborative Filtering, ovvero sulla possibilità di filtrare utenti simili in una customer base molto estesa.

Nei business case implementati, il Recommendation Engine agisce come un filtro analitico sulla base delle azioni osservate nei clienti della banca. L’idea suggerisce che, qualora sia possibile rilevare la sequenza di azioni dei clienti relative a determinati prodotti, allora sarà possibile anticipare, per similitudine con quella sequenza di eventi, il grado di propensione di altri clienti verso i propri prodotti mancanti (esempio in Fig.1).  L’approccio fornisce sue questa base un ranking di rilevanza personalizzato, azionabile in tempo reale in tutti i processi che coinvolgono la gestione di proposte commerciali al cliente.

L’implementazione del modello ha consentito la realizzazione di un caso pilota. La valutazione si è ottenuta attraverso una proiezione dei risultati, ovvero confrontando le risposte dei modelli con gli effettivi dati delle vendite, osservati posteriormente ad una data . Le metriche considerate rispetto ad un modello  standard hanno mostrato un marcato miglioramento dei valori di Precision fino a +167%, e in quelli di Recall fino a +974%1, offrendo un deciso stimolo alla implementazione di tali modelli in produzione.

1 Per Precision si intende il numero di acquisti fra i prodotti raccomandati diviso per il numero di prodotti raccomandati. Per Recall si intende il numero di acquisti fra i prodotti raccomandati diviso per il numero di acquisti totale.

4

I modelli per la segmentazione comportamentale

I modelli di segmentazione comportamentale offrono una naturale evoluzione data driven alle tradizionali classificazioni di marketing, basate su profili personas calcolati a partire da attributi anagrafici e patrimoniali. Adottare un approccio Model Driven, vuol dire applicare una strategia di profilazione individuale basata su un modello analitico che tiene in considerazione il comportamento reale dei clienti. La precondizione per l’applicabilità di questa tecnica è l’accesso ai dati transazionali di spesa, accessibili ad esempio a partire dalla classificazione dei movimenti delle carte secondo categorie aggregate Merchant Category Code2.
Il modello analitico di segmentazione comportamentale può essere perfezionato in modo incrementale e diviene via via più accurato introducendo tecniche complesse di feature engineering, che consentono di accrescere il contenuto informativo del modello dati di partenza. Uno dei modelli applicati è il Recency-Frequency-Monetary value (RFP), il cui principio suggerisce di combinare le dimensioni di recentezza, frequenza, valore dei movimenti nelle varie categorie di spesa per stabilire segmenti omogenei in base al comportamento.

Per l’analisi numerica vengono utilizzati strumenti di Machine Learning non supervisionato di Clustering (ad esempio K-Means, PCA). Grazie al modello numerico, ogni cliente può essere associato, in tempo reale, ad un segmento di appartenenza. Parallelamente, i segmenti calcolati dal modello possono essere analizzati qualitativamente, con lo scopo di comprenderne la natura in base alla tipologia delle gli attributi che li caratterizzano.

Il valore della segmentazione comportamentale risiede proprio nell’analisi dei segmenti calcolati dal modello. I cluster vengono analizzati per verificare le caratteristiche peculiari derivate direttamente dai comportamenti di spesa osservati. Grazie alla classificazione MCC, è poi possibile determinare segmenti polarizzati sulle varie categorie, ad esempio:

  • Segmento degli shoppers in cui risulta una spesa preponderante in categorie come Food, Clothing e Retailers;
  • Segmento geek in cui risulta una spesa preponderante in categorie come Services, Computer, Technology;
  • Segmento traveler in cui risulta una spesa preponderante in categorie come Hotels, Airlines, Resturants.

È importante sottolineare come il risultato dipenda dalla osservazione reale della clientela in un determinato intervallo di tempo. La stessa clientela osservata in un diverso intervallo temporale, o in diverse aree geografiche, darebbe luogo a segmenti differenti. Analogamente banche caratterizzate da diversa natura di business, distribuite sugli stessi territori, porterebbero alla analisi di segmenti diversi.
Questo approccio garantisce un tipo di classificazione model driven della clientela. Combinando i profili tradizionali basati su attributi patrimoniali e anagrafici a quelli forniti dal modello è possibile comprendere più in profondità la sfera delle abitudini e degli interessi dei singoli cliente. Oltre ad essere un input per iniziative e campagne commerciali mirate, la segmentazione consente di personalizzare i contenuti e lo storytelling, tarandoli esattamente sulle aspettative e i bisogni dei clienti. Il medesimo prodotto potrà essere raccontato in modo diverso a seconda del segmento di appartenenza (shoppers, geek, traveler, etc), con conseguenti miglioramenti dell’efficacia commerciale delle campagne.

2 Merchant Category Code (MCC) è una classificazione standard ISO 18245 utilizzata per classificare le tipologie di spesa nelle financial institutions e nei circuiti internazionali del credito.

5

I modelli di scoring e propensione

Differentemente dai modelli di raccomandazione, che forniscono un ranking di rilevanza nelle associazioni cliente-prodotto basandosi sull’approccio collaborative filtering, i modelli di scoring (o di propensione) consentono la determinazione di una distribuzione probabilistica relativamente a una tipologia di eventi target. Dal punto di vista analitico, i modelli di scoring su evento target si avvalgono della analisi massiva di serie storiche di dati. Attraverso strumenti di Machine Learning supervisionato, i dati osservati dalle serie storiche (features) sono messi in correlazione alle variabili target per verificarne potenziali dipendenze nascoste e sintetizzare un valore numerico (score di propensione al target).

Intuitivamente, ad esempio, qualora il modello fosse informato di un interessamento immobiliare da parte di un cliente, allora potrebbe prevedere uno score alto per la propensione alla sottoscrizione di un mutuo. Se a tale informazione il modello riuscisse a collegare l’utilizzo di una App di compravendita immobiliare e la compilazione di un form per la richiesta di un preventivo di mutuo, il valore dello score potrebbe aumentare significativamente, suggerendo al marketing un valore molto alto di propensione.
In sintesi, lo score è il risultato del modello e costituisce un valore numerico collegato alla probabilità del verificarsi di un evento. L’evento può essere relativo alla sottoscrizione di un determinato prodotto (es. mutuo), ma può essere anche associato alla predizione di eventi diversi dalla vendita, come ad esempio la predizione di una rescissione/abbandono (churn prevention) o la valutazione di un rischio antifrode (fraud detection).
L’applicazione dei modelli di scoring consente di comparare diverse famiglie di algoritmi fra cui reti neurali (Perceptron), alberi decisionali (Random Forrest, Gradient Boosting, Binary Trees, etc.). L’obiettivo del business in questa fase è generalmente quello di individuare fasce di clienti ad alta propensione all’acquisto per prodotti target. Nel caso pilota in ambito bancario, gli algoritmi che, rispetto al modello dati utilizzato, hanno garantito migliori risultati sono stati quelli di regressione logistica (precision 7% e recall 80% per 85-mo percentile degli score) e Gradient Boosting (recall al 90% con precision all’8% per l’85-mo percentile degli score).

6

Utilizzo dei modelli Analitici

Nell’approccio progettuale Model Driven, l’introduzione e l’utilizzo di modelli analitici avanzati vengono guidati da una metodologia consolidata di Reply. In particolare, la metodologia Robotics for Customer, ideata da Reply, facilita l’adozione di modelli analitici in modo plug-and-play nell’ambito dei processi complessi di un’organizzazione. La metodologia consente un’agile integrazione nelle piattaforme tecnologiche e di servizi esistenti (es. tramite sviluppo moduli in cloud e API) senza necessità di investimenti per integrazione di piattaforme aggiuntive.

Dal punto di vista delle funzioni Marketing, possono essere menzionati tre utilizzi principali (si veda figura).  Modelli analitici possono essere utilizzati:

  • Per stimare propensioni all’acquisto/churn del singolo cliente, e su queste basi estrarre liste target per campagne mirate;
  • Per supportare la forza vendita, con suggerimenti mirati azionabili a partire da dashboard di CRM operativo direttamente durante gli incontri con i clienti;
  • Per gestire campagne in tempo reale, integrabili direttamente nella user experience dei canali online (i.e. touchpoint).

7

Conclusioni

L’approccio Model Driven Business introduce un vero salto di paradigma. Contrariamente agli approcci tradizionali basati su regole statiche di profilazione che necessitano di un costoso studio analitico per assegnare ogni cliente a un cluster Personas, in questo caso sono algoritmi e dati già a disposizione a guidare e automatizzare le azioni di Marketing.
Il minimo dataset di eventi primari su cui basare modelli analitici può essere estratto dai dati sulle vendite, normalmente collezionati da un comune datawarehouse commerciale. Inoltre, l’utilizzo di un approccio Model Driven assicura la chiusura di un circolo virtuoso: le dinamiche closed loop fanno sì che i risultati e dati di utilizzo dei modelli vengano riutilizzati continuamente per informare e migliorare le future risposte e perfezionare le capacità predittive degli analytics engine. In sostanza il modello auto-apprende.

Infine, la possibilità di rendere azionabili dati facilmente reperibili garantisce un veloce e ragguardevole ritorno di investimento, e va considerata congiuntamente alla facilità di implementazione dell’intero processo. I casi del laboratorio Data Analytics sono tipicamente realizzati come soluzione a servizio su piattaforme cloud, quindi senza pesanti impatti IT ed in modo totalmente disaccoppiato rispetto ai vincoli della piattaforma CRM della banca.