{"id":8022,"date":"2024-07-02T12:15:48","date_gmt":"2024-07-02T10:15:48","guid":{"rendered":"https:\/\/itwp2.emea.teleperformance.com\/?p=8022"},"modified":"2026-03-13T15:52:19","modified_gmt":"2026-03-13T14:52:19","slug":"or-2-churnpredcustret","status":"publish","type":"post","link":"https:\/\/www.hopeai.it\/index.php\/2024\/07\/02\/or-2-churnpredcustret\/","title":{"rendered":"OR 4 – Churn Prediction & Customer Retention"},"content":{"rendered":"\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"Logo\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

OR 4: Churn Prediction & Customer Retention<\/h3>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Il Modulo Churn prediction & Customer Retention si pone l\u2019obiettivo di prevedere la probabilit\u00e0 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:<\/p>\n

    \n
  • riduzione del tasso di abbandono dei clienti;<\/li>\n
  • aumento della fidelizzazione dei clienti;<\/li>\n
  • miglioramento del ritorno sull\u2019investimento (ROI).<\/li>\n<\/ul>\n

    Nello specifico, relativamente alla Churn prediction, si intende sfruttare le capacit\u00e0 di modellazione sequenziale dei dati offerta dai sistemi di Deep Learning (metodi ricorrenti), poich\u00e9 tali funzionalit\u00e0 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\u2019interno del modulo, si intende utilizzare la modellazione Uplift, un modello predittivo che prevede come l\u2019esecuzione di alcune azioni influenzino un determinato risultato attraverso la valutazione dell\u2019impatto incrementale di un trattamento sul comportamento di un individuo. L\u2019impiego di questa tecnica ricopre vari settori ed \u00e8 ampiamente sviluppata nell\u2019ambito del direct marketing con l\u2019obiettivo di ottimizzare le campagne di marketing selezionando i potenziali clienti che ne aumentano il profitto.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

    \n\t\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t

    Attivit\u00e0 realizzative<\/h3>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
    \n\t\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t
    \n
    \n\t\t\t\t\t
    <\/path><\/svg><\/span><\/path><\/svg><\/span>AR 1<\/span><\/div>

    Studio del contesto di riferimento<\/p>

    All\u2019interno di tale attivit\u00e0, IN&OUT proceder\u00e0 all\u2019analisi 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 Universit\u00e0, Centri di Ricerca e OEM (Original Equipment Manufacturer) in questo ambito. Questa attivit\u00e0 di studio, coordinata dal team di Project Management, sar\u00e0 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.<\/p><\/div>\n\t\t\t\t\t<\/div>

    \n\t\t\t\t\t
    <\/path><\/svg><\/span><\/path><\/svg><\/span>AR 2<\/span><\/div>

    Definizione delle specifiche del modulo di Churn prediction & Customer Retention per l\u2019ottimizzazione dei processi<\/p>

    Attraverso il principale caso d\u2019uso, si proceder\u00e0 alla definizione delle specifiche del modulo in grado di predire l\u2019andamento futuro del Churn Rate e di suggerire agli operatori eventuali azioni da intraprendere per ottenere un miglioramento delle performance. Questa attivit\u00e0 di definizione delle specifiche, coordinata dal team di Project Management, sar\u00e0 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 sar\u00e0 erogato da Advantech.<\/p><\/div>\n\t\t\t\t\t<\/div>

    \n\t\t\t\t\t
    <\/path><\/svg><\/span><\/path><\/svg><\/span>AR 3<\/span><\/div>

    Definizione dell\u2019algoritmo innovativo Deep Learning per la Churn prediction<\/p>

    Si proceder\u00e0 con la definizione dell\u2019algoritmo 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\u2019et\u00e0, al sesso e all\u2019area geografica, segmentarli in base ai dati derivati dalla cronologia degli acquisti, della cronologia di risposte alle campagne e dal comportamento di spesa nel tempo pu\u00f2 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\u2019ottimizzazione bayesiana fornisce una strategia alternativa all\u2019eliminazione degli iperparametri in un esperimento. Specifica un intervallo di valori per ciascun iperparametro e seleziona una metrica da ottimizzare.
    Questa attivit\u00e0 di definizione dell\u2019algoritmo innovativo, coordinata dal team di Project Management, sar\u00e0 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.<\/p><\/div>\n\t\t\t\t\t<\/div>

    \n\t\t\t\t\t
    <\/path><\/svg><\/span><\/path><\/svg><\/span>AR 4<\/span><\/div>

    Definizione del modello statistico o apprendimento automatico (Machine Learning) per
    l\u2019ottimizzazione della Customer Retention<\/p>

    All\u2019interno della presente attivit\u00e0, sar\u00e0 definito il modello per l\u2019ottimizzazione della Customer Retention. I modelli predittivi tradizionali stimano la probabilit\u00e0 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\u2019impatto incrementale al contrario di quanto fanno i modelli Uplift, questi ultimi possono definirsi dei modelli predittivi migliorati. La modellazione Uplift \u00e8 anche un problema di apprendimento automatico poich\u00e9 \u00e8 necessario addestrare diversi modelli e selezionare quello che produce la previsione di miglioramento pi\u00f9 affidabile secondo alcuni parametri di prestazione. Particolare attenzione sar\u00e0 riservata ad approcci di stima diretta della modellazione Uplift, tra cui il tree-based approach e l\u2019ensamble approach, in grado di garantire migliori prestazioni predittive. Questa attivit\u00e0 di definizione del modello statistico, coordinata dal team di Project Management, sar\u00e0 realizzata dal team di Software & System Engineer e Business Process & Data Analyst, supportata dal team degli SME Subject<\/p><\/div>\n\t\t\t\t\t<\/div>

    \n\t\t\t\t\t
    <\/path><\/svg><\/span><\/path><\/svg><\/span>AR 5<\/span><\/div>

    Sviluppo e testing dell\u2019algoritmo innovativo Deep Learning per la Churn prediction<\/p>

    All\u2019interno della presente attivit\u00e0, si proceder\u00e0 con lo sviluppare e testare l\u2019algoritmo innovativo per la previsione del tasso di abbandono definito con la precedente AR 4.3.
    Questa attivit\u00e0 di sviluppo e testing sar\u00e0 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.<\/p><\/div>\n\t\t\t\t\t<\/div>

    \n\t\t\t\t\t
    <\/path><\/svg><\/span><\/path><\/svg><\/span>AR 6<\/span><\/div>

    Sviluppo e testing del modello statistico o apprendimento automatico (Machine Learning) per
    l\u2019ottimizzazione della Customer Retention<\/p>

    Si proceder\u00e0 con la realizzazione e testing del modello definito con la precedente AR 4.4. Questa attivit\u00e0 di sviluppo e testing sar\u00e0 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.<\/p><\/div>\n\t\t\t\t\t<\/div>

    \n\t\t\t\t\t
    <\/path><\/svg><\/span><\/path><\/svg><\/span>AR 7<\/span><\/div>

    Sviluppo, testing, debugging e fixing del modulo Churn prediction & Customer Retention per l\u2019ottimizzazione dei processi<\/p>

    All\u2019interno della presente attivit\u00e0, attraverso il principale caso d\u2019uso, si realizzer\u00e0 e tester\u00e0 il Modulo Churn prediction & Customer Retention per l\u2019ottimizzazione dei processi. Il Modulo, dotato di metodi innovativi integrati, sar\u00e0 in grado di predire l\u2019andamento futuro del Churn Rate, e di suggerire agli operatori le azioni da intraprendere per ottenere un miglioramento delle performance aziendali impedendo l\u2019abbandono 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 gi\u00e0 manifestato la volont\u00e0 di disdire un contratto con un determinato fornitore) e Retention Anti-churn (relativo ai clienti che hanno gi\u00e0 dato disdetta).<\/p>

    Questa attivit\u00e0 di sviluppo e testing sar\u00e0 realizzata dal team di Software & System Engineer e Business Process & Data Analyst, con la consulenza dei ricercatori di Advantech.<\/p><\/div>\n\t\t\t\t\t<\/div>

    \n\t\t\t\t\t
    <\/path><\/svg><\/span><\/path><\/svg><\/span>AR 8<\/span><\/div>

    Test in ambiente rilevante del modulo Churn prediction & Customer Retention per l\u2019ottimizzazione dei processi<\/p>

    Attraverso il principale caso d\u2019uso, si proceder\u00e0 con la sperimentazione del modulo Churn prediction & Customer Retention direttamente all\u2019interno del contesto reale e produttivo della sede di Taranto di Teleperformance attraverso il coinvolgimento di risorse dipendenti impiegate su attivit\u00e0 inerenti committenti di diversi settori industriali. Coerentemente all\u2019organizzazione 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. Sar\u00e0, altres\u00ec, 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\u2019aderenza agli standard qualitativi di processo e i miglioramenti operativi e di business ottenuti in seguito all\u2019introduzione nel contact center delle soluzioni sviluppate nel Progetto, producendo apposito report di analisi dei risultati ottenuti. A conclusione della fase di test si proceder\u00e0 alla risoluzione delle criticit\u00e0 emerse. Si proceder\u00e0 infine a coinvolgere gli operatori tramite la somministrazione di un questionario finalizzato a verificare gli effettivi miglioramenti.
    L\u2019attivit\u00e0 di test in ambiente rilevante del modulo churn prediction & customer retention, coordinata dal team di Project Management, sar\u00e0 eseguita da:<\/p>