Business Intelligence Dai dati alle decisioni

Modulo 5 Customer Profiling e Data Mining Togli la causa e l’effetto sparirà. (Miguel De Cervantes)

Customer Profiling Sistema informativo in grado di fornire, per ogni singolo cliente, un dettaglio del suo comportamento d’acquisto attuale e atteso. Siamo identificati attraverso la transazione. Banca N. Conto Assicurazione N. Polizza Casa Editrice N.Abbonamento Gas N. Contatore Telefono N. Telefono TRANSAZIONE

Customer Profiling Avere come obbiettivo il monitoraggio della transazione è un sistema naturale di controllo se vogliamo aumentare l’efficienza della Produzione e/o Distribuzione, ma se l’obbiettivo è riconoscere, soddisfare e mantenere fedele il cliente dobbiamo cambiare punto di vista. Rapporto personale e sulla relazione. Metodi di esposizione dei prodotti Tessere Fedeltà RELAZIONE

Struttura di un sistema di customer profiling Le informazioni di cui un’azienda può disporre sono descrittive e comportamentali. Tali informazioni sono solitamente disponibili sui sistemi amministrativi e vanno quindi integrati aumentando l’interattività tra azienda e cliente.

Struttura di un sistema di customer profiling Persone Programmi Premio dati anagrafici socio-economici socio-demografici descrittive Aziende comportamento di acquisto comportamento d’uso settore dimensione localizzazione descrittive comportamentali

Struttura di un sistema di customer profiling Esempio Transazioni in banca. N. transaz. Cliente Conto 1 20 A Conto 2 5 B Conto 3 C Conto 4 10 Conto 5 Conto 6 20 transazione a settimana 10 transazione a settimana 5 transazione a settimana Focus sulla transazione Focus sul Cliente B A C

Struttura di un sistema di customer profiling Bisogna quindi pensare a degli indici predittivi del comportamento futuro. Lufthansa Audi Vailant

Indici predittivi Indice della probabilità di abbandono Indice del valore attuale netto Indice della probabilità di frode e morosità Indice della probabilità di acquisto Telefonia Quattroruote Finanziamenti Amazon

Indici predittivi MODELLI DATI STORICI + ESEMPI GIA’ NOTI = probabilità di abbandono valore attuale netto probabilità di frode probabilità di acquisto Tali indici vengono calcolati utilizzando come base il comportamento in un particolare periodo trascorso e applicando degli algoritmi di data mining MODELLI PREVISIONALI DATI STORICI + ESEMPI GIA’ NOTI = Si parte quindi dai dati storici che utilizziamo per trovare indici applicabili ai nuovi dati. Direct Marketing efficacia Customer Services per l’effettivo potenziale affidato Possiamo così classificare Agenti Punti Vendita Venditori

Esempio di Customer Profiling Concediamo il prestito al cliente? debito pagato debito non pagato Debito Reddito

Esempio di Customer Profiling Dobbiamo cercare un modello (Data Mining) che mi possa “assistere” alla decisione: Media Iperpiano Iperpiani paralleli Clustering If (red < s) Then (“debito non pagato”) s (Non Supervisionato) If (a red + b red < s) Then (“debito non pagato”) s (Supervisionato) a b (Supervisionato) (Non Supervisionato)

Si stima che ogni 1.100 giorni, nel mondo, raddoppiano le informazioni memorizzate in formato elettronico I dati restano semplici dati finché non vengono gestiti, ossia organizzati in maniera significativa Se da un lato le aziende hanno a disposizione un’enorme quantità di dati, dall’altro risulta sempre più difficile districarsi tra informazioni rilevanti e superflue. Il Data Mining si pone come processo che impiego più tecniche computerizzate per l’analisi automatica e”l’estrazione di conoscenze” Data Mining

Data Mining Il Data Mining si pone come processo di selezione, esplorazione e modellazione di grosse masse di dati, al fine di scoprire strutture, regolarità o relazioni non note a priori, e allo scopo di ottenere un risultato chiaro e utile al proprietario del database. Le regole statistiche tradizionali di analisi dei dati (ad esempio la regressione) vengono utilizzate per cercare conferma a fatti che l’utente ipotizza o già conosce. Se il database è molto grande non si riesce ad avere una visione completa da cui estrapolare una regolarità e simmetrie. L’idea è che tali strutture non sfuggano ad una elaborazione automatica.

Data Mining Clustering con l’algoritmo k-means Tra le tecniche più diffuse troviamo: Clustering Reti Neurali Reti Bayesiane Alberi di decisioni Apprendimento genetico Analisi delle associazioni Tutte le tecniche comprendo metodi e algoritmi.

Data Mining Clustering con l’algoritmo k-means Tecniche di Data Mining Supervisionate Reti Neurali Reti Bayesiane Alberi di decisioni Analisi delle associazioni Non-Supervisionate Clustering Clustering con l’algoritmo k-means

Clustering (tecnica di Cluster Analysis) Esempio – Metodo k-means (k-medie) metodo partizionante funzione di media k metrica INPUT OUTPUT Algoritmo k-means record k-cluster

Clustering (tecnica di Cluster Analysis) Scegliere un valore k=numero di cluster da determinare. Scegliere in modo casuale k dati del detaset che saranno i (bari)centri del cluster. funzione di media k metrica INPUT OUTPUT Algoritmo k-means record k-cluster

Clustering (tecnica di Cluster Analysis) Definire una metrica per calcolare la distanza dei punti dai centri. Calcolare la media per ogni cluster. funzione di media k metrica INPUT OUTPUT Algoritmo k-means record k-cluster

Clustering (tecnica di Cluster Analysis) Se le nuove medie sono identiche a quelle precedenti il processo termina; altrimenti utilizzare le nuove medie come centri dei cluster e ripetere i passi da 3. a 5. Solitamente si preferisce fermarsi quando siamo arrivati ad un errore quadratico predefinito. INPUT OUTPUT Algoritmo k-means record k-cluster

Clustering (tecnica di Cluster Analysis) Esempio su Excel   x y A 1 2 B 1,5 C D E 4 F G 5 H I 3 J 0,5 2,5 K L M N O

Algoritmi di Classificazione Esempi di alberi di classificazione ALBERO BINARIO ALBERO GENERICO Accetta Comunicazione Zona di residenza Età SI NO ≤45 >45 Nord Centro Sud Isole Valutati da Velocità Scalabilità Robustezza Interoperabilità

Algoritmi di Classificazione Esempio di rete neurale Vettore di Input x1 Vettore di Output x2 f(x) … xn-1 xn Nodo di Output Nodi Nascosti Nodi di Input esempio…

Metodi Bayesiani di classificazione Metodo di Bayes è un metodo di inferenza statistica utilizzato per il calcolo delle probabilità a posteriori. Questi metodi hanno il vantaggio di giungere a descrizioni razionali anche quando non vi sono abbastanza informazioni. Esempio Banale - zona di residenza Esempio Completo -

Algoritmi di Classificazione Esempio di probabilità a posteriori (probabilità a posteriori) A Londra in inverno piove nel 50% dei casi. A Londra è nuvoloso nell’80% dei casi A Londra, quando piove è nuvoloso (100% dei casi) Oggi a Londra è nuvoloso, che probabilità c’è che stia piovendo? Regola di Bayes (Teorema di Bayes) Ci sono 5 probabilità su 8 che a Londra piova!

Algoritmi di Classificazione Su una linea di produzione abbiamo il 30% di difettosità. A valle della linea abbiamo due metodi per riconoscere la difettosità, questi due sistemi di controllo della difettosità danno risposte sbagliate, uno al 2% e l’altra all’8%. Se la prima delle due verifiche ha riscontrato la difettosità mentre la seconda non l’ha riscontrata. Quale dei due controlli ha dato la risposta corretta? Applichiamo la formula di Bayes… Regola di Bayes (Teorema di Bayes)