Contesto e bisogno
Soluzione per un’azienda attiva sul mercato come fornitrice di gas, energia e fibra. I clienti dell’utility sono: privati (clienti residenziali), PMI (piccole medie imprese) e grandi aziende (clienti business). Il problema che è stato affrontato durante il progetto è quello del churn, ovvero l’abbandono spontaneo di un cliente che passa alla concorrenza.
L’azienda dispone di un’enorme quantità di dati molto diversi tra loro, ma non usati o usati in modo parziale con una modalità che non consente di catturare la complessità dei fenomeni sottostanti il churn. Ad esempio, i clienti arrivano da differenti canali di acquisizione e agenzie di vendita, hanno tariffe e abitudini di consumo diverse: per comprendere le variabili attribuibili ad un alto rischio di churn è necessaria una valutazione sistematica, per evitare di attribuire il churn a cause non reali.
Problema
I dataset di cui dispone l’azienda sono molto eterogenei e non comunicano tra loro. Si tratta di dati anagrafici, geografici, dati che derivano dalle fatture con diverse categorie di costo, di prodotto, di tariffa, agenzie di vendita, dati del funnel, stato creditizio (morosità, insolvenze) dei clienti, interazioni dei clienti con l’azienda.
Una volta iniziato a organizzare e analizzare i dati, questa grande quantità e varietà di informazioni si è trasformata in una quantità vasta di variabili da usare per il modello.
Business need e obiettivo di progetto
In merito ai clienti business, l’obiettivo era capire quali fossero i motivi di abbandono e individuare i clienti ad alto rischio churn per pianificare azioni mirate di retention. Per i clienti residenziali, invece, l’obiettivo era di comprendere i macrofenomeni che impattano sul churn, a livello di processi aziendali o di particolari situazioni relative a cluster di clienti.
Soluzione
Per ragioni di performance e classificabilità, e per ragioni dettate dalle esigenze dell’Area Business, abbiamo sviluppato e portato in produzione un modello previsionale basato su XGBoost da utilizzare sui clienti business.
La pipeline è stata quindi suddivisa in quattro steps:
- analisi esplorativa dei dati (Explorative Analysis) per capire quali variabili potessero essere correlate con il churn
- ingegnerizzazione delle variabili (Featured Engineering), calcolate sui dati disponibili,
- costruzione del modello (Model)
- sviluppo delle procedure di valutazione delle performance (Performance Evaluation) del modello.
Per l’Area Business abbiamo realizzato anche una dashboard che rende facilmente estraibile e scaricabile una lista di clienti a rischio churn, permettendo di fruirne in modo grafico. Abbiamo anche usato una libreria che aiuta a interpretare i modelli, estrapolando le caratteristiche del cliente che hanno contribuito ad aumentare o diminuire il rischio di churn.
Per i clienti residenziali, l’azienda non aveva necessità di sviluppare un modello predittivo e probabilistico di churn, ma desiderava ottenere degli insights di business utili a capire i motivi per cui i privati cambiano servizio. Sono state quindi svolte analisi esplorative molto dettagliate dei dati, dialogando continuamente con il business in un lavoro di continuo feedback. Ad esempio, analizzando il Customer Journey, cioè tutto il percorso digitale seguito dal cliente fino all’attivazione del contratto, abbiamo individuato i canali e le procedure critiche che portavano ad acquisire clienti a rischio churn. A seguito di queste evidenze la società ha pianificato interventi su questi ambiti.
Benefici ottenuti dal cliente
- Valorizzazione dei dati del Cliente, che vengono usati per migliorare i processi interni e per mettere in atto azioni mirate per ridurre il tasso di churn.
- Analisi multifattoriale delle cause di churn, che per i Clienti business ha consentito di realizzare un modello previsionale di rischio churn; per l’impresa significa conoscere le probabilità di abbandono di un Cliente e intervenire o correggere quei processi interni che impattano negativamente sul churn.
- Creazione di insights robusti e facili, che il team di customer care è in grado di usare e analizzare autonomamente.
Contattaci per ricevere ulteriori informazioni
