Segmentazione e Targeting: un caso aziendale Milano, 07 Novembre 2002 UNIVERSITA DEGLI STUDI MILANO-BICOCCA FACOLTA DI SCIENZE STATISTICHE CORSO DI LAUREA.

Presentazione sul tema: "Segmentazione e Targeting: un caso aziendale Milano, 07 Novembre 2002 UNIVERSITA DEGLI STUDI MILANO-BICOCCA FACOLTA DI SCIENZE STATISTICHE CORSO DI LAUREA."— Transcript della presentazione:

1 Segmentazione e Targeting: un caso aziendale Milano, 07 Novembre 2002 UNIVERSITA DEGLI STUDI MILANO-BICOCCA FACOLTA DI SCIENZE STATISTICHE CORSO DI LAUREA IN SCIENZE STATISTICHE, DEMOGRAFICHE E SOCIALI Tesi di: BALLARINI MARCO Relatore: PROF. P. MARIANI

2 Indice Il progetto di targeting della clientela -Backup -Gli obiettivi del progetto - Targeting della clientela - Il modello - I risultati

3 Il modello di targeting Modello di Scoring Identificare le caratteristiche finanziarie dei clienti della banca 1 Comparare le caratteristiche finanziarie dei clienti attualmente utilizzatori dei servizi on line con la totalità dei clienti 2 Individuare il modello di targeting della clientela retail e analizzarne i risultati 3 Segmentare ed individuare i clienti ai quali offrire il nuovo prodotto attraverso campagne di marketing mirate 4 Definizione del target Dati clienti della banca Osservazione Confronto dati Dati Clienti Online

4 Approccio progettuale Analisi Funzionale Definizione del modelloDistribuzione dati Risultati Analisi dei dati necessari Rilevazione fonti e strumenti della Banca Rilevazione criticità e priorità di intervento allinterno del Gruppo al quale appartiene la banca Identificazione caratteristiche utili a definire il modello di targeting Integrazione dei dati dei clienti a partire dai database aziendali Definizione del modello di targeting della clientela Analisi del risultato del modello Identificazione del target Definizione di azioni di marketing ad hoc Monitoraggio del modello

5 Uno sforzo significativo è stato fatto per aggregare le informazioni dei diversi database aziendali Base dati Integrata Database operativi c/cFidi Canali diretti Call Center Web Carta credito Marketing Operativo Strategico Analisi DB Marketing Prodotti Segmentazione Prospect Campagne

6 Clienti Lanalisi dei dati è stata effettuata considerando variabili socio demografiche e comportamentali Le variabili analizzate, rappresentanti le caratteristiche finanziarie del cliente, sono di diversa natura: socio demografiche relative a dati di conto corrente relative a dati di dossier titoli e altri prodotti della banca relative ai servizi offerti Le variabili che entrano nel modello sono quelle che meglio identificano il comportamento dei clienti target Lanalisi statistica definisce il sottoinsieme di variabili candidate a far parte del modello. Eta # transazioni # bonifici Giacenza media... on line 35 1500 200 500... off line 42 700 100 35... Caratteristiche clienti

7 Il targeting viene realizzato calcolando lo scoring del cliente Eta # transazioni # bonifici... Cliente 1 23 2000 500... Cliente 2 42 500 1000... Cliente 3 55 100... Caratteristiche + + + - - Scoring Il modello di scoring combina le variabili individuate assegnando un punteggio ad ogni singolo cliente I clienti vengono ordinati e raggruppati in classi sulla base del punteggio ottenuto Il punteggio stabilisce la probabilità che il cliente abbia una maggiore o minore propensione allutilizzo del canale on line

8 Clienti Eta # transazioni # bonifici... Cliente 1 23 2000 500... Cliente 2 42 500 1000... Cliente 3 55 100... Caratteristiche + + + - - Scoring Clienti Target: - Cliente 1 - Cliente 2 Clienti non indirizzabili: - Cliente 3 x Il modello di scoring utilizzato è sensibile alle variazioni dei valori delle caratteristiche finanziarie Il target può evolvere dinamicamente includendo nuovi clienti al variare delle loro caratteristiche finanziarie Eta # transazioni # bonifici Giacenza media... 35 1500 200 500... Caratteristiche Clienti on line 42 Clienti off line 100 35... 700

9 Il modello individuato caratterizza in modo preciso il target primario Aumentando il target della campagna di marketing lhit rate diminuisce Misura dellattitudine al canale internet % clienti banca Campagne mirate hanno hit rate 100% Campagne mirate hanno hit rate < 100% La Banca ha individuato una percentuale significativa della propria clientela alla quale offrire il conto multicanale altabassa 40 25 15 10 5 20 30 35

10 Score Distribution Report nAttraverso il modello definito si assegna un punteggio ad ogni cliente. nIl punteggio (P) è tanto più basso quanto più il cliente è buono (propenso allutilizzo del canale internet) nTutti i clienti sono stati raggruppati secondo intervalli omogenei di punteggio (classe) nIl 30% della clientela risulta avere le stesse caratteristiche del 91.5% dei clienti che hanno un conto on line

11 BACKUP

12 Indice - Il progetto di targeting della clientela - Backup - Gli obiettivi del progetto - Targeting della clientela - Il modello - I risultati

13 Obiettivo del progetto nAnalizzare i dati relativi alle caratteristiche finanziarie di tutti i clienti della banca nComparare le caratteristiche finanziarie dei clienti attualmente utilizzatori dei servizi on line con la totalità dei clienti nIndividuare il modello di targeting della clientela retail nAnalizzare i risultati del modello individuato (per verificare il corretto funzionamento del modello stesso) nSegmentare tutti i clienti della banca nIndividuare i clienti ai quali offrire il conto multicanale attraverso campagne di marketing mirate

14 Le ipotesi sottostanti nI dati sono relativi ai mesi Gennaio - Giugno 2002 nSono stati esclusi i dipendenti nSono stati esclusi i clienti corporate nLestrazione è relativa al portafoglio clienti con c/c aperti nLa tipologia dei clienti interessati riguarda sia il retail (Affluent e Mass Market), sia il Private

15 Indice -Il progetto di targeting della clientela -Backup - Gli obiettivi del progetto - Targeting della clientela - Il modello - I risultati

16 Il modello utilizzato è lineare autoregressivo P= (ßnXn) nP misura il grado di bontà del cliente per internet nß1..ß2..ßn sono i pesi relativi alle variabili in oggetto nX1..X2..Xn sono le variabili esplicative del modello

17 I risultati del modello PowerPriority Età # Addebiti autom. # Carte possedute # mov. avere c/c Imp. Bonifici in Entrata Imp. Disp. di Pagamento 19.07 Saldo medio dare in c/c # Prodotti posseduti # Operazioni in Titoli Sesso 40.94 76.07 34.58 20.68 1 2 2 71.3 42.56 116.14 21.27 15.05 1 1 1 1 1 1 1

18 Indice -Il progetto di targeting della clientela -Backup - Gli obiettivi del progetto - Targeting della clientela - Il modello - Risultati e azioni future

19 I risultati del modello UtentiTotale Score Non Utenti% Cum. 0-81 82-104 105-121 122-133 134-143 144-151 152-158 159-166 166-173 174-179 17.377 18.113 18.325 18.363 18.455 18.482 18.530 18.534 18.542 18.555 736 237 127 92 52 39 28 23 16 17 18.646 18.647 5% 10% 15% 20% 25% 30% 35% 40% 45% 50%

20 Le azioni da intraprendere Breve periodo Mailing mirato durante la campagna di lancio Supporto alla rete durante le fasi di vendita del prodotto tramite Marketing one to one Lungo periodo Scoring dinamico della clientela del nuovo prodotto obiettivi: monitorare lefficacia del modello e delle azioni di marketing intraprese individuare periodicamente nuovi clienti target