TP Italia porta il progetto HOPE all’Università del Salento: seminario sul futuro dell’automazione intelligente e della customer retention
Seminario universitario: Massimo pacella, Vincenzo Giliberti, Domenico Zurlo
TP Italia ha incontrato gli studenti del primo anno della Laurea Magistrale in Ingegneria Gestionale dell'Università del Salento in un seminario organizzato dal professor Massimo Pacella. Vincenzo Giliberti e Domenico Zurlo hanno presentato le linee di sviluppo del progetto HOPE, focalizzandosi su due fronti strategici: un modulo RPA evoluto per l'automazione dei processi e un sistema predittivo per la retention dei clienti. Il modulo RPA (OR2) ridefinisce i confini dell'automazione da operazioni ripetitive a un sistema in grado di interpretare input eterogenei — testi, documenti, conversazioni — e trasformarli in azioni strutturate senza intervento umano. L'utente descrive l'obiettivo in linguaggio naturale o sceglie tra template guidati per casi ricorrenti — onboarding, aggiornamento ticket, invio comunicazioni — e il sistema fa il resto: gestisce documenti multipli, ne riconosce il tipo, verifica che i form siano compilati correttamente e che i dati siano coerenti prima di avviare il processo. Il sistema analizza testi liberi estrapolando il senso delle richieste, anche quando non sono espresse in modo esplicito e classifica i documenti per area operativa: pratiche amministrative, assistenza IT, contratti, risorse umane. Rilegge anche immagini e scansioni, indicando con precisione dove si trova ogni informazione e con quale livello di affidabilità l'ha riconosciuta. Per quanto concerne il sistema di retention (OR4), lo stesso lavora su due piani: da un lato analizza i dati a intervalli regolari per individuare chi rischia di abbandonare, dall'altro interviene in tempo reale durante ogni contatto con il cliente. Un algoritmo stima la probabilità di abbandono per ogni cliente o tipologia di profilo, alimentando le dashboard aziendali e le strategie di intervento. Per capire se un'azione ha funzionato davvero, il sistema confronta chi ha ricevuto un trattamento con chi non l'ha ricevuto — con gruppi di controllo e storico degli interventi passati — misurando l'effetto netto, l'incremento reale ottenuto. Per ogni combinazione cliente-azione, il sistema calcola le chance di successo e suggerisce la soluzione migliore. Durante le interazioni il motore di raccomandazione classifica le opzioni in tempo reale e propone la prossima azione più efficace e una dashboard unifica i tre indicatori chiave — rischio di abbandono, efficacia degli interventi, probabilità di successo — permettendo di monitorare l'andamento e affinare continuamente le strategie
