Metodi Quantitativi per Economia, Finanza e Management Lezione n°2

L’organizzazione dei dati SIGI SAVA CDV Fonti esterne Repository Temporaneo Data Warehouse Fonti interne ZURIGO Italia is an insurance company of Zurich Group. The name of the project we are going to describes BIS (Business intelligent System). This project consist of two phases. The first regard the construction of a database marketing and this phase is the subject of this presentation. The second regards Customer segmentation and activity of target marketing using data mining. This phase will be the next phase in 1999.

Data Warehouse Il Data Warehouse è un ambiente dati a supporto dei DSS con le seguenti caratteristiche: Integrato Fonti diverse (interne – esterne) Dati omogenei Meta-informazione Non volatile Profondità temporale 3-5 anni Aggiornamenti per accodamento Data inizio validità in chiave

L’organizzazione dei dati Data Warehouse Multi Level Summary CDB OLAP Analisi Statistica

L’organizzazione dei dati Interni Gestore anagrafiche Dati Esterni CDB Data Mart Analisi Cliente Data Mart Analisi Prodotto Data Mart Analisi Mercato Segmentazione comportamentale Modelli di Scoring Associazioni Segmentazione socio-demo Potenziali di zona Proposta commerciale: selezione target e product mix. R.O.I. Gestore campagne

L’organizzazione dei dati Interni Gestore anagrafiche Dati Esterni CDB Data Mart Analisi Cliente Data Mart Analisi Prodotto Data Mart Analisi Mercato Segmentazione comportamentale Modelli di Scoring Associazioni Segmentazione socio-demo Potenziali di zona Proposta commerciale: selezione target e product mix. R.O.I. Gestore campagne

L’unità logica di buiness (unità statistica) c\c C1 c\c C2 NDGC1 NDGC2 titoli C2 c\c F2 NDGF1 moglie NDGF2 marito NDGF3 padre cliente marito= c\c C1 c\c F2 c\c C2 titoli C2 + cliente moglie= c\c C1 cliente padre= c\c C2 titoli C2 +

Un giusto equilibrio (la matrice dei dati) Customer Table Per ciascun cliente o prospect si vuole misurare il numero di auto acquistate per: A) tipologia di auto => 10 segmenti di mkt B) evoluzione storica => 0-2, 2-5 oltre 5 anni C) fedeltà => Fiat, Alfa, Lancia, Giapponesi, Euro1, Euro2, USA per poter incrociare le tre dimensioni A) x B) x C) => 10 x 3 x 7=210 variabili !

L’organizzazione dei dati Interni Gestore anagrafiche Dati Esterni CDB Data Mart Analisi Cliente Data Mart Analisi Prodotto Data Mart Analisi Mercato Segmentazione comportamentale Modelli di Scoring Associazioni Segmentazione socio-demo Potenziali di zona Proposta commerciale: selezione target e product mix. R.O.I. Gestore campagne

Data Mining & Customer Profiling DataBase Segmentazione Scoring System Come identificare i segmenti per l’attività di target marketing? Predisposizione dei dati comportamentali Analisi e classificazione Implementazione piano di marketing Valutazione dei risultati Identificazione area di business Chi sono i migliori destinatari della campagna XYZ? Raccolta dei dati comportamentali Costruzione del modello di scoring Implementazione della campagna Valutazione dei risultati Identificazione regole marketing a priori Decisioni strategiche Decisioni tattiche

Segmentazione Marketing Segment Behavioral Clusters % CRM Actions VIP High Rollers 2.0% To Take Care (one-to-one) Maximum Time Consuming Share-of-wallet Retention using Business and Management Rules Premium Got-it-all Frequent Flyers 20.0% To Invest High Time Consuming Up-selling using Business Rules and Propensity Models Portfolio Retention using Churn Models High Potential Customer Young warriors High potential 26.3% To Improve Medium Time Consuming Cross-selling using Propensity Models Product Holding Retention using Churn Models Basic Customers Young Consumers Conventional Savers Abandoned hounds 51.7% To Manage Low Time Consuming Basic Up & Cross-selling using Business Rules and Propensity Models Customer Retention using Churn Models

Modelli di Scoring % Population Score MIN-MAX Avg Score Cum. # Customers Cum. # Target Cum. Redemption Cum. Lift % Response Captured 5 1:0.1577-0.8055 0.2703 27509 5.00 18.73 8.37 41.83 10 2:0.0835-0.1576 0.1141 55026 10.00 13.51 6.04 60.36 15 3:0.0509-0.0834 0.0655 82537 15.00 10.59 4.73 70.96 20 4:0.033-0.0508 0.0409 110025 20.00 8.74 3.90 78.04 25 5:0.0231-0.0329 0.0276 137442 24.98 7.41 3.31 82.62 30 6:0.0169-0.023 0.0197 165356 30.05 6.42 2.87 86.12 35 7:0.0127-0.0168 0.0146 192621 35.01 5.68 2.54 88.84 40 8:0.0096-0.0126 0.0110 219814 39.95 5.09 2.27 90.88 45 9:0.0072-0.0095 0.0083 247301 44.94 4.62 2.06 92.69 50 10:0.0053-0.0071 0.0061 275370 50.04 4.21 1.88 94.12 55 11:0.0039-0.0052 0.0045 303506 55.16 3.87 1.73 95.36 60 12:0.0029-0.0038 0.0033 329490 59.88 3.60 1.61 96.27 65 13:0.0021-0.0028 0.0024 356163 64.73 3.36 1.50 97.09 70 14:0.0014-0.002 0.0017 386197 70.18 3.12 1.39 97.79 75 15:0.0009-0.0013 0.0011 414908 75.40 2.92 1.31 98.51 80 16:0.0006-0.0008 0.0007 439066 79.79 2.78 1.24 98.97 85 17:0.0003-0.0005 0.0004 474474 86.23 2.58 1.15 99.49 90 18:0.0002-0.0002 0.0002 491813 89.38 2.50 1.11 99.65 95 19:0.0001-0.0001 0.0001 517245 94.00 2.38 1.06 99.86 100 20:0-0 0.0000 550258 100.00 2.24 1.00

L’evoluzione dei progetti di Master en Investigación de Mercado y Data Minin L’evoluzione dei progetti di Customer Profiling Modelli di Scoring Segmentazione Comp. Credit Scoring X Basel II Social Network Analysis Credit Scoring X Griglie Segmentazione Needs Based 1990 2000 Vendita a Distanza Telecomunicazioni New Media Finanza Editoria