OR 4 – Churn Prediction & Customer Retention
OR 4: Churn Prediction & Customer Retention
Il Modulo Churn prediction & Customer Retention si pone l’obiettivo di prevedere la probabilità di abbandono dei clienti (Churn-Rate) e sviluppare campagne di fidelizzazione mirate (Customer Retention). Attraverso lo sviluppo di metodi statistici e di apprendimento automatico si potranno ottenere i seguenti vantaggi:
- riduzione del tasso di abbandono dei clienti;
- aumento della fidelizzazione dei clienti;
- miglioramento del ritorno sull’investimento (ROI).
Nello specifico, relativamente alla Churn prediction, si intende sfruttare le capacità di modellazione sequenziale dei dati offerta dai sistemi di Deep Learning (metodi ricorrenti), poiché tali funzionalità non possono essere facilmente incorporate negli algoritmi standard di previsione degli abbandoni senza trasformazioni adeguate. Nel marketing diretto, ad esempio, tre variabili sequenziali che possono influire sul potere predittivo dei modelli di abbandono sono la recency, la frequenza e le variabili monetarie (variabili RFM).
Relativamente alla Customer Retention, all’interno del modulo, si intende utilizzare la modellazione Uplift, un modello predittivo che prevede come l’esecuzione di alcune azioni influenzino un determinato risultato attraverso la valutazione dell’impatto incrementale di un trattamento sul comportamento di un individuo. L’impiego di questa tecnica ricopre vari settori ed è ampiamente sviluppata nell’ambito del direct marketing con l’obiettivo di ottimizzare le campagne di marketing selezionando i potenziali clienti che ne aumentano il profitto.
Attività realizzative
Studio del contesto di riferimento
All’interno di tale attività, IN&OUT procederà all’analisi dei metodi esistenti per la Churn prediction e la Customer retention con un approfondimento specifico per quelli utilizzati nel settore dei contact center. Al fine di avere un quadro completo e individuare i gap tecnologico-funzionali, saranno analizzate le ricerche portate avanti da Università, Centri di Ricerca e OEM (Original Equipment Manufacturer) in questo ambito. Questa attività di studio, coordinata dal team di Project Management, sarà condotta in stretta sinergia fra il team di Software & System Engineer e Business Process & Data Analyst, esperti nelle tecnologie innovative e negli analytics e quello degli SME Subject Matter Expert, profondi conoscitori del contesto e dei processi dei contact center e in particolare delle tematiche di Churn prediction e Customer Retention, con il supporto consulenziale di Advantech.
Definizione delle specifiche del modulo di Churn prediction & Customer Retention per l’ottimizzazione dei processi
Attraverso il principale caso d’uso, si procederà alla definizione delle specifiche del modulo in grado di predire l’andamento futuro del Churn Rate e di suggerire agli operatori eventuali azioni da intraprendere per ottenere un miglioramento delle performance. Questa attività di definizione delle specifiche, coordinata dal team di Project Management, sarà realizzata dal team di Software & System Engineer e Business Process & Data Analyst, supportata dal team degli SME Subject Matter Expert & Process Manager per quanto riguarda le caratteristiche funzionali realmente utili per le tematiche di churn prediction e customer retention. Il supporto consulenziale sarà erogato da Advantech.
Definizione dell’algoritmo innovativo Deep Learning per la Churn prediction
Si procederà con la definizione dell’algoritmo innovativo in grado di prevedere il tasso di abbandono. Nello specifico, si intende incorporare diversi tipi di dati comportamentali dinamici nella modellazione del tasso di abbandono in combinazione con metodi di Deep Learning, quali ad esempio LSTM (Long Short Term Memory). Piuttosto che raggruppare i clienti in base all’età, al sesso e all’area geografica, segmentarli in base ai dati derivati dalla cronologia degli acquisti, della cronologia di risposte alle campagne e dal comportamento di spesa nel tempo può aiutare a identificare il gruppo specifico a cui dovrebbero appartenere (churner o no-churner). Per ottimizzare gli iperparametri degli algoritmi si prevede di utilizzare una procedura di ottimizzazione Bayesiana sia per trovare gli iperparametri di rete sia per le opzioni di training ottimali per le reti LSTM. L’ottimizzazione bayesiana fornisce una strategia alternativa all’eliminazione degli iperparametri in un esperimento. Specifica un intervallo di valori per ciascun iperparametro e seleziona una metrica da ottimizzare.
Questa attività di definizione dell’algoritmo innovativo, coordinata dal team di Project Management, sarà realizzata dal team di Software & System Engineer e Business Process & Data Analyst, supportata dal team degli SME Subject Matter Expert & Process Manager con la consulenza dei ricercatori di Advantech.
Definizione del modello statistico o apprendimento automatico (Machine Learning) per
l’ottimizzazione della Customer Retention
All’interno della presente attività, sarà definito il modello per l’ottimizzazione della Customer Retention. I modelli predittivi tradizionali stimano la probabilità che i clienti presi di mira dalle campagne possano rispondere basandosi su customers simili a coloro che sono stati presi di mira dalle campagne precedenti e che hanno risposto. Dal momento che, intuitivamente, questi non sono in grado di stimare l’impatto incrementale al contrario di quanto fanno i modelli Uplift, questi ultimi possono definirsi dei modelli predittivi migliorati. La modellazione Uplift è anche un problema di apprendimento automatico poiché è necessario addestrare diversi modelli e selezionare quello che produce la previsione di miglioramento più affidabile secondo alcuni parametri di prestazione. Particolare attenzione sarà riservata ad approcci di stima diretta della modellazione Uplift, tra cui il tree-based approach e l’ensamble approach, in grado di garantire migliori prestazioni predittive. Questa attività di definizione del modello statistico, coordinata dal team di Project Management, sarà realizzata dal team di Software & System Engineer e Business Process & Data Analyst, supportata dal team degli SME Subject
Sviluppo e testing dell’algoritmo innovativo Deep Learning per la Churn prediction
All’interno della presente attività, si procederà con lo sviluppare e testare l’algoritmo innovativo per la previsione del tasso di abbandono definito con la precedente AR 4.3.
Questa attività di sviluppo e testing sarà realizzata dal team di Software & System Engineer e Business Process & Data Analyst, con il team di Technical Support con la consulenza dei ricercatori di Advantech.
Sviluppo e testing del modello statistico o apprendimento automatico (Machine Learning) per
l’ottimizzazione della Customer Retention
Si procederà con la realizzazione e testing del modello definito con la precedente AR 4.4. Questa attività di sviluppo e testing sarà realizzata dal team di Software & System Engineer e Business Process & Data Analyst, con il team di Technical Support con la consulenza dei ricercatori di Advantech.
Sviluppo, testing, debugging e fixing del modulo Churn prediction & Customer Retention per l’ottimizzazione dei processi
All’interno della presente attività, attraverso il principale caso d’uso, si realizzerà e testerà il Modulo Churn prediction & Customer Retention per l’ottimizzazione dei processi. Il Modulo, dotato di metodi innovativi integrati, sarà in grado di predire l’andamento futuro del Churn Rate, e di suggerire agli operatori le azioni da intraprendere per ottenere un miglioramento delle performance aziendali impedendo l’abbandono di un brand da parte di un cliente e la fidelizzazione dello stesso. I processi oggetto del modulo saranno Retention Turnaround (relativo ai clienti che hanno già manifestato la volontà di disdire un contratto con un determinato fornitore) e Retention Anti-churn (relativo ai clienti che hanno già dato disdetta).
Questa attività di sviluppo e testing sarà realizzata dal team di Software & System Engineer e Business Process & Data Analyst, con la consulenza dei ricercatori di Advantech.
Test in ambiente rilevante del modulo Churn prediction & Customer Retention per l’ottimizzazione dei processi
Attraverso il principale caso d’uso, si procederà con la sperimentazione del modulo Churn prediction & Customer Retention direttamente all’interno del contesto reale e produttivo della sede di Taranto di Teleperformance attraverso il coinvolgimento di risorse dipendenti impiegate su attività inerenti committenti di diversi settori industriali. Coerentemente all’organizzazione aziendale gli operatori saranno organizzati in team coesi, supportati da supervisori e/o team leader esperti, a loro volta coordinati e gestiti da figure manageriali con anni di esperienza specifica nel settore del Contact Center. Sarà, altresì, impiegato un apposito gruppo di Quality Assurance composto da professionisti esperti e dedicati al fine di verificare, grazie alle procedure aziendali di monitoraggio e controllo, l’aderenza agli standard qualitativi di processo e i miglioramenti operativi e di business ottenuti in seguito all’introduzione nel contact center delle soluzioni sviluppate nel Progetto, producendo apposito report di analisi dei risultati ottenuti. A conclusione della fase di test si procederà alla risoluzione delle criticità emerse. Si procederà infine a coinvolgere gli operatori tramite la somministrazione di un questionario finalizzato a verificare gli effettivi miglioramenti.
L’attività di test in ambiente rilevante del modulo churn prediction & customer retention, coordinata dal team di Project Management, sarà eseguita da:
• team di Software & System Engineer che definirà un documento specifico di Piano di Test e saranno responsabili dell’implementazione dello stesso.
• un team di Quality Assurance composto da professionisti esperti e dedicati al fine di verificare, grazie alle procedure aziendali di monitoraggio e controllo, l’aderenza agli standard qualitativi di processo e i miglioramenti operativi e di business ottenibili in seguito all’introduzione nel contact center del modulo del Metaverso di Progetto, producendo apposito report di analisi dei risultati ottenuti.
• dei team di Operatori, supportati da supervisori e/o team leader esperti, a loro volta coordinati e gestiti da figure manageriali con anni di esperienza specifica nel settore del Contact Center, che effettueranno i test e compileranno dei questionari di feedback sugli esiti.
