Case Study

Il caso Banca Mediolanum: Laboratorio Data Analytics e realizzazione di un Recommedation Engine

Strumenti basati su Data Driven Analytics sono l’elemento cruciale di servizi che hanno rivoluzionato le modalità di comportamento e utilizzo di contenuti sui canali per miliardi di utenti. Il modello dell’intera fruizione attraverso i canali digitali è sempre più guidato da algoritmi e strumenti intelligenti, concepiti per catturare le aspettative degli utenti e trasformarle in efficace esperienza d’uso. Netflix dichiara che l’80% dei contenuti fruiti sulla piattaforma sia dovuto a strumenti di recommendation personalizzata; per Amazon, si stima che il 35% degli acquisti dell’e-commerce sia derivato dai suggerimenti automatici.

Se fino ad oggi tali servizi erano peculiari dei grandi player del Web e ne costituivano la principale chiave di successo, ora sono realizzabili, in modo agile ed a costi decisamente contenuti, potenzialmente da chiunque.

Tutto ciò è attualmente possibile grazie a due fattori abilitanti: da un lato la immediata disponibilità di dati unita alla potenza di calcolo propria di architetture scalabili basate su cluster (Big Data) e, dall’altro, dalla adozione di librerie e modelli computazionali basati su euristiche avanzate, basate su Machine Learning.

Questo genere di strumenti è oggi disponibile in soluzioni open source facilmente integrabili dal punto di vista tecnologico.

L’INIZIATIVA IN BANCA MEDIOLANUM

Con lo scopo di sperimentare un approccio Advanced Analytics, l’iniziativa di laboratorio Data Analytics di Banca Mediolanum coinvolge la partnership fra il team Marketing Research e Reply per lo sviluppo di meccanismi avanzati di analisi dei dati e l’ideazione di servizi proattivi e personalizzati per il cliente.

Fra le progettualità in corso, un primo risultato di successo si è ottenuto nello sviluppo di una piattaforma per l’analisi e la sintesi di raccomandazioni automatiche orientate alla proposizione di offerte commerciali personalizzate sui prodotti a catalogo della banca. L’iniziativa ha permesso di realizzare una piattaforma sperimentale per la creazione e la valutazione di servizidata driven di tipo Recommendation Engine.

LA SPERIMENTAZIONE DI UN RECOMMENDATION ENGINE IN BANCA 

Un Recommendation Engine può essere descritto come un meccanismo in grado di sintetizzare una raccomandazione personalizzata, in tempo reale, basandosi sulla valutazione comportamentale di un insieme di clienti.

Il principio di un RecommendationEngine si basa sul concetto di Collaborative Filtering, ovvero sulla possibilità di filtrare utenti simili in una grande customer base. In particolare, una misura di similarità può essere modellata con strumenti di Machine Learning sulla base del particolare contesto di business (Retail, come nel caso dei grandi player dell’e-commerce, o Financial Services, come in questo caso) e sull’ analisi puntuale di eventi osservati per singoli clienti (ad esempio prodotti acquistati, comportamenti di navigazione sui canali, ricerche e azioni richieste al Banking Center, etc.). Su questa base possono essere calcolati:

clienti simili: utenti che tendono a compiere gli stessi acquisti;

item simili: item (prodotti) che tendono ad essere comprati da clienti simili.

Nel business case implementato per Banca Mediolanum, il Recommendation Engine funziona come un filtro analitico sulla base clienti. L’idea di base suggerisce che, qualora sia possibile rilevare un numero di utenti che operano una certa sequenza di acquisti degli stessi prodotti, diviene possibile anticipare che tutti i clienti che finora hanno dimostrato similitudine con quella sequenza di eventi completino il loro portafoglio con i prodotti mancanti (esempio in Fig.1). Un concetto molto intuitivo, la cui implementazione diviene tuttavia molto complessa, in presenza di datastream massivi rapportati sulla storia degli eventi di milioni di utenti e migliaia di prodotti a catalogo.

UTILIZZO DI UN RECOMMENDATION ENGINE

Dalla misurazione quantitativa della similarità diviene immediato ricavare una lista di raccomandazioni personalizzate, applicabile agilmente per ogni cliente, in tempo reale. Secondo la metodologia Robotics for Customers, ideata da Reply, l’utilizzo di un Recommendation Engine può essere perfettamente armonizzato nell’ambito dei processi di un’organizzazione ed adottato agilmente nell’ambito di una piattaforma di servizi (es. tramite servizi web o API). Dal punto di vista del Marketing, ad esempio, possono essere menzionati tre utilizzi principali (Fig. 2):

per stimare propensioni all’acquisto 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 CRM direttamente negli incontri coi clienti;

per gestire campagne in tempo reale, fruibili direttamente dai clienti sui canali online (i.e. touchpoint).

Come ulteriore elemento di attenzione va considerato come, a differenza degli scenari Retail dove i prodotti sono tipicamente ben definiti e leggibili, in ambito Financial Services il catalogo ha una serie di peculiarità legata al ciclo di vita dei prodotti, alle esigenze e alla situazione momentanea dei clienti (es. un cliente ha esigenza di un mutuo o di una polizza solo in particolari situazioni della sua vita).

GLI ALGORITMI UTILIZZATI

Il motore di raccomandazione definito per Banca Mediolanum fa uso di due diversi modelli computazionali, implementati secondo due logiche distinte:

fattorizzazioni Matriciali consentono di approssimare un evento e considerarlo tanto più rilevante per un determinato cliente, quanti più sono gli eventi di quel tipo esibiti da clienti che hanno avuto in passato un comportamento simile. In questo modello si osserva tipicamente un evento chiave: i.e. evento primario di conversion (acquisto di un item);

principio di co-occorrenza è basato sul calcolo delle similarità fra clienti in relazione alle catene di eventi osservati. La logica, in questo caso, è che un evento è tanto più rilevante per un dato cliente quante più sono le configurazioni e le catene di eventi che hanno portato alla conversione altri clienti. A differenza del modello a fattorizzazione matriciale, nelle modello a Co-Occorrenza è possibile fondere eventi di natura eterogenea. Possono infatti essere considerati stream di dati in tempo reale es. azioni eseguite sui canali, item comprati, visti, cercati, etc.

METODO SPERIMENTALE E RISULTATI

L’implementazione del modello computazionale ha consentito la realizzazione di un caso pilota per la cui valutazione sono stati utilizzati i dati dei clienti selezionati osservati ad una data t0. Per ognuno dei clienti selezionati in tale data, ci si è basati su una fotografia dei prodotti in portafoglio e alcune informazioni anagrafiche (età, profilo commerciale, classe di patrimonio, etc.). Su questa base clienti è stata successivamente testata una serie di modelli di raccomandazione basati su algoritmi Machine Learning.

Le soluzioni sono state configurate con diversi setting di parametri in modo da consentire una comparazione delle soluzioni e verificare in modo sperimentale l’efficacia dei risultati. La valutazione si è ottenuta attraverso una proiezione dei risultati, ovvero confrontando le risposte dei modelli con gli effettivi dati delle vendite, osservati posteriormente alla data 

Le metriche considerate rispetto ad un raccomandatore benchmark 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.

CONCLUSIONI

Contrariamente agli approcci tradizionali basati sulla segmentazione e profilazione, che necessitano di un costoso studio analitico per assegnare ogni cliente a un cluster Personas, in questo caso sono i dati già a disposizione a guidare il Collaborative Filtering e, quindi, il processo di selezione della migliore offerta.

Il minimo dataset di eventi primari su cui basare un Recommendation Engine può essere, infatti, tipicamente estratto dai dati sulle vendite, normalmente estraibili da un comune datawarehouse commerciale.

La possibilità di rendere azionabili, con notevole ritorno di investimento, dati facilmente reperibili, va considerata congiuntamente alla facilità di implementazione del processo. Il caso pilota in Banca Mediolanum è stato realizzato in modo totalmente disgiunto rispetto alla infrastruttura Business Intelligence della banca e sviluppato come soluzione a servizio su piattaforma cloud.

[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.

You may also like

No contents here.