Metodi Quantitativi per Economia, Finanza e Management Lezione n° 13

08/01/ /01/ /01/ /02/ Aula 224 Orari di ricevimento Gennaio-Febbraio 2008

3 Individuals Churn Model Prepared by Alberto Saccardi, Paola Bauce, Elena Pallini (Nunatac) for XXX Banka Version: 5.0 – Final Review November 22 nd, 2006

4 Dopo una serie di analisi preliminari si è deciso di considerare come evento target per il modello di Churn la prima volta in cui un cliente attivo diventa “technical lost” (TL2) oppure “lost” (LOS) all’interno di un periodo di previsione fissato. La scelta di tale evento target è stata supportata anche dal numero dei cosidetti “eventi positivi” osservati. Per avere un modello di Churn (e in generale un modello statistico) robusto è necessario un numero minimo di eventi positivi. Modello di Churn su “Losts” e “Technically Losts”

5 Struttura dei dati Per definire l’evento target sono stati considerati i seguenti intervalli di tempo: Dark Period: dipende dal gap tra l’aggiornamento della base dati e il momento in cui si stima il modello Latency Period: dipende dalla scelta dell’evento target e dalle esigenze di business Prevision Period: dipende dal numero di eventi positivi osservati e dalla stagionalità. Nel nostro caso sono state fissate le durate seguenti: Dark Period: due mesi Latency Period: tre mesi, che è l’intervallo minimo perchè un clienti passi da attivo a TL2 o LOST Prevision Period: due mesi. I dati più recenti disponibili sono aggiornati a Febbraio Questo significa che è necessario considerare le variabili dipendenti relative alla CT di Luglio Inoltre, possono essere considerate solo variabili relative ad uno storico di sei mesi. Prevision Period Dark Period Latency Period History Dec05Nov05Oct05Sept05Aug05 Jan06 Feb06 CT Jul05 Target Event: TL2 or LOST in one of the 2 months ACTIVE in the end of Jul05 Not TL2 or LOST or OLD

6 Due fotografie E’ necessario analizzare almeno due fotografie distinte per essere sicuri che il fenomeno (evento target) sia stazionario nel tempo. E’ stata verificata la stabilità per i mesi di Luglio 2005 e Febbraio Il tasso di abbandono di Lug05 è 2.3%, quello di Feb05 è 2.4%. Il modello viene sviluppato sulla base della CT di Luglio 2005, per la quale si ha un numero di eventi positivi sufficientemente elevato, adeguato per sviluppare il modello. Non è pertanto necessario considerare CT relative a periodi anteriori. Prevision Period Dark Period Latency Period History MONTH T +3 MONTH T +2 MONTH T +1 MONTH T -1 MONTH T -2 MONTH T +4 MONTH T +5 CT 6 MONTS T0T0 T -2 T3T3 T5T5

7 Filtri Cliente attivo 1° Filtro Flag Black List 2° Filtro Flag Dipendent e 3° Filtro Flag Età 4° Filtro Flag Non residente 5° Filtro Flag Prestito Lungo Termine Totale Target#%#%#%#%#%#%#% Total e * Il clienti attivi alla fine di Luglio 2005 sono , con un tasso di abbandono di circa 2.3%. Vengono applicati i seguenti filtri: Black list, Dipendente, Età (<=70), Non residente, Prestito a lungo termine. Il numero di clienti attivi diminuisce ( ), il numero di eventi positivi ha un abbattimento dell’11% (passa da a 13419) e il nuovo tasso di abbandono è di circa 2.35%. (*) Questi clienti sono attivi alla fine di Luglio 2005, attivi/dormienti nel Dark Period e Latency Period e attivi/dormienti/TL2/LOST nel Prevision Period.

8... eventuali ulteriori filtri: Tenure > 6 mesi Target#% % % Totale % Period#% % % % % % > % Missing % Totale %

9 Popolazione target Clienti attivi 6° Filtro Tenure Target# %#% % % % % Totale % % 6° Filtro  Esclusione dei clienti che hanno aperto il loro primo c/c entro gli ultimi sei mesi. Dopo l’applicazione dell’ulteriore filtro Tenure la numerosità della popolazione target è di clienti attivi. Gli eventi positivi sono circa il 9% (passano da a12320), con un tasso di abbandono di circa 2.24%.

10 Variabili Esplicative Nella CT di Luglio 2005 sono state selezionate le seguenti variabili esplicative Selezionate Ulteriori informazioni Non selezionate Problemi relativi ai dati

11 Scelta del primo set di variabili Una prima selezione delle variabili è stata effettuata dopo aver analizzato le distribuzioni univariate di tutte le variabili presenti nella CT di Luglio Criteri di selezione: forma della distribuzione (ad es. il numero totale di transazioni per investimenti è stato scartato per la bassa % di casi ≠0) esclusione delle variabili definite su 12 mesi, dal momento che i dati disponibili consentono un’analisi limitata ad un orizzonte temporale di 6 mesi. altri problemi relativi ai dati

12 Trasformazioni delle variabili Oltre alle variabili originarie sono state prese in considerazione alcune loro trasformate sulla base dei seguenti criteri: trend Δ comportamenti dei clienti In genere variabili di questo tipo hanno una buona capacità predittiva nell’ambito delle dinamiche dell’abbandono.

13 Prodotti ( * ) 18.0%Credit Card 1.8%Investments 18.6%Giro Accounts 99.5%CORE Accounts 46.2%FX Accounts 89.4%Current Account 20.6%Loans not LT 32.0% Savings and Deposits % Customers Products Total # Customers ( * ) I dati si riferiscono a Luglio %Credit Card 0.61%Investments 2.54%Giro Accounts 2.23%CORE Accounts 1.61%FX Accounts 1.93%Current Account 0.58%Loans not LT 1.16% Savings and Deposits Churn Rate Products 2.24% Total # Customers

14 Prodotti (CR+FX+SV+GR) ( * ) ( * ) I dati si riferiscono a Luglio 2005 # Product Target#% pop % 0.46% % % 38.24% % % 39.39% % % 18.51% % % 3.41% % Total Customers % 100% %

15 Età dei clienti Age#% Total *100.00% AgeTarget#% % % % % % % % % % % % % Total % % (*) Dati relativi alla popolazione target dopo l’applicazione di tutti i filtri.

16 Modelli di Churn Modello n°1 Variabili in input: variabili originarie della CT Modello n°2 Variabili in input: Variabili originarie della CT+trasformate

17 Scelta del modello Modello n°1Modello n°2 Dopo aver analizzato le statistiche di fit e la curva lift è stato scelto il Modello n°2 Peggior 5% dei clienti: il tasso di abbandono atteso è 7.45 volte il tasso di abbandono medio. Peggior 10% dei clienti: il tasso di abbandono atteso è 5.63 volte il tasso di abbandono medio. Peggior 5% dei clienti: il tasso di abbandono atteso è 8.37 volte il tasso di abbandono medio. Peggior 10% dei clienti: il tasso di abbandono atteso è 6.04 volte il tasso di abbandono medio.

18 Modello n°2 - Lift Chart sulla popolazione target Peggior 5% dei clienti: il tasso di abbandono atteso è 8.37 volte il tasso di abbandono medio. Peggior 10% dei clienti: il tasso di abbandono atteso è 6.04 volte il tasso di abbandono medio.

19 Modello n°2 - % di risposta catturata Il peggiore 10% dei clienti contiente il 60.36% dei lost/TL. Il peggiore 5% dei clienti contiente il 41.83% dei lost/TL.

20 Regressori selezionati Bill pay service Δ %: # of transactions on COR B:-0.4/-0.05 or 0.05/0.4 A:-0.05/0.05 C:>0.4 A: =9000 B:-1600/1300 Monthly avg. balance for all COR in T1 Monthly avg. balance for Loans in T1 # of transaction on COR in T1 # of transaction on SV in T1 Δ %: amount of credit transaction on COR B:-0.4/-0.02 or 0.02/0.01 A:-0.02/0.02 Δ between Products holding in the previous half-year and in the current month Age of Customer Δ % : amount of debit transaction on COR B:-0.4/-0.02 or 0.02/0.01 A:-0.02/0.02 Δ amount of credit and debit transaction on COR in T1 Sex of Customer Δ %: monthly avg. balance for all COR Last Product assigned is a COR account

21 Come utilizzare il modello 1.Validazione del modello 2.Definizione di una campagna di retention 3.Definizione dell’ampiezza del target 4.Descrizione della target list 5.Misurazione della campagna

22 Definizione della campagna di retention Periodo della campagna? Un mese? Due mesi? Quante campagne posso essere fatte in un anno? Campagna centrale vs campagna locale? Una combinazione delle due? Canale per contattare la clientela? Posta – telefono? Obiettivo del contatto? Visite in filiale per riesaminare le clausole del contratto? Oppure per migliorare le clausole del contratto? Oppure per vendere un’offerta speciale? Come fare in modo che tutti i direttori di filiale seguano la stessa linea? Come guadagnarsi la loro fiducia/impegno? Per quali ragioni i direttori di filiale dovrebbero usare la Target list basata sul modello di churn? Stanziamento di un budget su quella lista? O sul loro portafoglio? Bonus plan? Quanto tempo dovrebbero dedicare alle politiche di retention i direttori di filiale? E durante questa attività quanti conttati dovrebbero essere in grado di gestire?

23 Definizione dell’ampiezza del target Totale: –Rischio Elevato (Rosso) –Rischio medio/alto (Arancione) –Rischio medio (Giallo) Il primo X% della popolazione target Si considera ad es. Il top 10%+altre priorità di business (depositi, entrate, prestiti,…) Campione rappresentativo della Churn Target List che non verrà considerato per la campagna di retention. Si considera ad es. Il 10% della Target Churn List. Descrizione Totale: –Rosso –Arancione –Giallo Ampiezza Popolazione target Popolazione target Target Churn List Target Churn List Test Churn List Test Churn List Target Clienti attivi Non dipendenti No prestiti a lungo termine Età Apertura primo c/c > 6 month Residenti Totale:

24 Descrizione della target list Il modello di churn assegna uno score ad ogni cliente, proporzionale alla probabilità di abbandono Utilizzando tale score si possono identificare varie popolazioni target Il profilo di tali popolazioni deve essere descritto utilizzando le linee guida del modello di churn Per guadagnare la fiducia dei direttori di filiale il linguaggio del modello va però semplificato  utilizzare indicatori molto semplici: Selezionare le sei variabili più significative (criteri statistici) Selezionare le sei variabili più comprensibili (criteri di business) Unire i due insiemi e se quattro delle variabili sono comuni utilizzarle per definire i profili di rischio di abbandono Confrontare il profilo dei clienti a rischio di abbandono con il profilo della popolazione target Costruire grafici efficaci e condividerli con i direttori di filiale

25 Misurazione della campagna di retention Dicembre 2006 – Gennaio 2007 Tasso di abbandono su due mesi Clienti target per la campagna RossoArancioneGialloTop 10% Control Churn Rate Target Churn Rate Popolazione target Population Churn Rate E’ necessario misurare la redemption della campagna considerando diversi tipi di eventi: % contatti positivi % retention su due mesi % retention su sei mesi Trend dei clienti rientrati: A&L Profittabilità....

26 Utilizzo del modello – Business Case % PopulationScore MIN-MAXAvg Score Cum. # Customers Cum. # Target Cum. Redemption Cum. Lift % Response Captured 5 1: : : : : : : : : : : : : : : : : : : :

27 Utilizzo del modello – Business Case Nell’ipotesi di ripetere la campagna di retention quattro volte all’anno, è stato stimato un numero pari a 7000 clienti rientrati. Se si considera un guadagno annuo pari a 100€ per cliente, si stima che il risparmio totale ottenuto grazie alla campagna di retention è di €. Clienti target che avrebbero dovuto abbandonare (*) * Clienti target contattati che hanno abbandonato (***) Clienti target contattati che non hanno abbandonato (***) (*) Calcolato usando il top 10% del tasso di abbandono della popolazione target (13.5%) (** ) Calcolato usando un “positive contact rate” di 75% (*** ) Calcolato usando come benchmark un tasso di retention di 45% Clienti target per la campagna Clienti target che non sono stati contattati e hanno abbandonato (**) Dicembre 2006 – Gennaio 2007 Tasso di abbandono su due mesi