Data Mining nel Marketing: l`esperienza in una società di internet

CRM & Profiling
Data Mining nel Marketing:
l'esperienza in una società di internet
Trieste, 28 marzo 2001
Agenda
1. Lo scenario di mercato
Actual Figures
Basic concepts
2. Tin.it
3. Il Customer Base Management
CRM Profiling e segmentazione
La Statistica e il Data-mining per il Marketing sulla Customer
Base
4. Alcuni casi: metodologia e pratica
Il valore
Il churn
I surfers: profiling
Confidential
2
CRM&Profiling
1.
Lo scenario di mercato
Confidential
3
CRM&Profiling
Actual Figures: collegamento a internet
NOVEMBRE 2000
3 MESI
TOTALE UTENTI INTERNET
TARGET “ALLARGATO”
N. DI INDIVIDUI
21,7
7 GIORNI
13,9
10.400.000
N. DI INDIVIDUI
6.600.000
(casa, lavoro, scuola, biblioteca, amici, bar)
13
CASA
6,5
LAVORO
SCUOLA
CORSI DI FORMAZIONE
6.200.000
3.100.000
3
0,2
6,6
AMICI
9,6
4,4
4.600.000
2.100.000
1.400.000
1,2
570.000
100.000
0,1
48.000
3.150.000
1,6
770.000
BIBLIOTECA
0,6
290.000
0,3
140.000
BAR
0,9
430.000
0,1
48.000
TOTALE UTENTI INTERNET
TARGET “PRIMARIO”
18,5
8.800.000
12,9
6.200.000
(casa, lavoro, scuola)
POSSIEDONO PC IN CASA
PC DI CASA COLLEGATO
AD INTERNET
Confidential
33,9 16.200.000
19,6
Fonte : Eurisko
9.400.000
4
CRM&Profiling
Actual Figures: l’evoluzione
POSSIEDONO
PC IN CASA
16000
Utenti (in migliaia)
14000
12000
UTENTI DI
PC A CASA
10000
PC DI CASA
COLL. AD
INTERNET
8000
UTENTI
INTERNET
CASA
(ult. 3 mesi)
6000
4000
2000
0
Nov.97
Giu.98
in migliaia di individui
POSSIEDONO PC IN CASA
UTENTI DI PC A CASA
Confidential
Giu.99
Nov.98
NOVEMBRE
1997
GIUGNO
1998
NOVEMBRE
1998
Giu.00
Nov.99
GIUGNO
1999
NOVEMBRE
1999
GIUGNO
2000
Nov.00
NOVEMBRE
2000
10.400
11.300
11.900
12.900
13.050
15.000
16.200
5.600
6.700
6.900
7.500
8.000
9.000
10.600
PC DI CASA COLLEGATO
AD INTERNET
860
1.400
1.900
2.800
4.100
7.100
9.400
UTENTI INTERNET CASA
(ultimi 3 mesi)
520
850
1.200
1.700
2.500
4.600
6.200
5
Fonte : Eurisko
CRM&Profiling
Actual Figures: target potenziale
AMBITI DI COLLEGAMENTO
TOTALE
CASA
LAVORO
SCUOLA
20.500
16.900
6.800
4.800
TARGET ATTUALE (B)
(migliaia di individui)
8.800
6.200
3.100
1.400
INDICE DI SATURAZIONE %
( A/B )
42.9
36.7
45.6
29.2
TARGET POTENZIALE (A)
(migliaia di individui)
Fonte : Eurisko
Confidential
6
CRM&Profiling
Actual figures: penetrazione
Penetrazione di internet in Italia
%
(% del totale famiglie)
50
40
totale on line
broadband
30
20
10
0
1998
1999
2000
2001
2002
2003
2004
2005
Fonte: Forrester Research, july 2000
Confidential
7
CRM&Profiling
Actual figures: i provider
AMBITI DI COLLEGAMENTO
CASA LAVORO SCUOLA
(n=676) (n=391) (n=177)
NOTORIETA’ TOTALE
NOTORIETÀ TOTALE
SPONTANEA
TIN.IT
86
62
LIBERO
82
45
TISCALI FREENET
74
39
87
88
81
83
83
83
75
77
70
INFOSTRADA
32
80
71
79
80
JUMPY
31
80
79
79
83
69
64
67
58
55
55
CLUBNET
67
28
56
WIND
20
KATAWEB
19
60
62
63
71
YAHOO! ON LINE
18
59
59
62
68
52
58
42
46
40
44
47
45
49
43
45
36
19
14
21
93
94
89
96
95
95
49
43
50
SUPEREVA
11
CIAOWEB
10
INFINITO
42
45
41
8
16
INTERFREE 4
92
74
TELECOM ITALIA NET (NET)
96
69
INFOSTRADA (NET)
DADANET (NET)
50
14
ITALIA ON LINE (IOL)
12
45
Fonte : Eurisko
Confidential
8
CRM&Profiling
Actual figures: il contenuto
Connotazione
Siti
Monotematici
Target Portals
V-ortals
Ampiezza
Siti
Aziendali
Confidential
Portals
9
CRM&Profiling
Actual Figures: I primi 10 portali
tin.it
tin.it
clarence.com
yahoo.it
msn.it
altavista.com
kataweb.it
tiscalinet.it
tiscali.it
msn.it
yahoo.it
supereva.it
supereva.it
yahoo.com
msn.com
kataw eb.it
virgilio.it
virgilio.it
iol.it
iol.it
0
50000
100000
150000
200000
Fonte : AC Nielsen
Confidential
10
0
50000 100000 150000 200000 250000 300000 350000
Fonte : One to One Research
CRM&Profiling
Actual figures: Starting Page
tin.it
tin.it
clarence.com
yahoo.it
msn.it
altavista.com
kataweb.it
tiscalinet.it
tiscali.it
msn.it
yahoo.it
supereva.it
supereva.it
yahoo.com
msn.com
kataw eb.it
virgilio.it
virgilio.it
iol.it
iol.it
0
50000
100000
150000
200000
0
50000 100000 150000 200000 250000 300000 350000
Connotazione
Siti
Monotematici
Target Portals
V-ortals
Ampiezza
Siti
Aziendali
Confidential
11
Portals
.
> 90 %
CRM&Profiling
Actual figures: Service Usage
Fonte :
Ipsos - Explorer
E-mail
Surfing
Download/FTP(mp3+SW)
Chat / VideoChat
Newsgroup/Forum
Invio SMS
A/V Streaming
Radio On Line
Newsletters
Instant Messaging
Community
VoIP
Confidential
Active Adv / Eurisko
94 %
82 %
93 %
92 %
45 %
40%
%
46
33 %
40 %
32 %
31 %
29 %
26 %
21 %
20 %
19 %
13 %
10 %
10 %
12
CRM&Profiling
2.
Tin.it
Confidential
13
CRM&Profiling
Tin.it: lo scenario di riferimento
Il primo ISP del mercato Internet Italia
Il titolare della maggiore Customer Base di surfers
Il più capillare gestore italiano di POP fisici
Confidential
14
CRM&Profiling
Tin.it: il modello di business
Presidio capillare del territorio
Portafoglio prodotti segmentato
Modello evolutivo : ISP
Portale Orizzontale
Focalizzazione verso C.R.M.
Linee di Revenues :
Canone mensile / annuale
Traffico Incoming (da T.I.)
Impressions
Commissioni da clicktrough & fee mensile
Confidential
15
CRM&Profiling
Tin.it: Consumer Strategy
Collegare il business al
consumer aggregando
– attraverso i diversi media –
una massa critica di utenti
On line Strategy
La mission è divenire il leader
italiano nei servizi interattivi
online, integrando accesso,
comunicazione, navigazione,
contenuti e commercio per
aiutare gli utilizzatori a realizzare
i benefici di un mondo connesso
Confidential
16
CRM&Profiling
Tin.it: la catena del valore - consumer
Devices
Access
Aggregation
Content
Advertising
&
Commerce
Simple
appliances
Web on TV
Set Top Box
Confidential
17
CRM&Profiling
Tin.it: offerta consumer
Confidential
18
CRM&Profiling
Tin.it: la catena del valore
Portare le piccole/medie imprese e i
professionisti online per aumentare sia la
produttività che la competitività e per
stimolarli alla interazione online con i
clienti
Confidential
19
CRM&Profiling
Tin.it: la catena del valore - business
Un’offerta completa per aiutare i clienti
a ottenere valore da Internet
Web Services
Access
VAS
Web
Hosting
Web
Publishing
eBusiness &
eCommerce
Advanced
Messaging
Desktop
productivity
solutions
LAN
Confidential
WAP services
20
CRM&Profiling
Tin.it: l’offerta business
Alta velocità
Virtual
Company
LAN access
Accesso
Sophisticated
access
Integrated
Basic
e-business
access
E-commerce
Web presence
Entry Level
Di Base
Confidential
Servizi
21
Integrazione
CRM&Profiling
Tin.it: posizionamento
Internet Actor’s Matrix
Connotazione
Siti
Monotematici
Target Portals
V-ortals
Ampiezza
Siti
Aziendali
Portals
neo users
Confidential
22
CRM&Profiling
Tin.it: posizionamento
Area ISP / Prodotti
Help / Ccare / Loyalty
Area Personal Mail
Area Themes
Area News
Area e-commerce
Community /
Messaging / Chat
Advertising
Confidential
23
CRM&Profiling
Tin.it: posizionamento
Area ISP / Prodotti
Help / Ccare / Loyalty
Area Personal Mail
Area Themes
Area News
Area e-commerce
Community /
Messaging / Chat
Advertising
Confidential
24
CRM&Profiling
Tin.it: posizionamento
Area ISP / Prodotti
26 %
Help / Ccare / Loyalty
26 %
Area Personal Mail
3%
Area Themes
9%
Area News
12 %
Area e-commerce
5%
Community /
Messaging / Chat
9%
Advertising
Confidential
customer
needs
?
9%
25
CRM&Profiling
Tin.it: posizionamento
Heavy Users
e-commerce
5%
community
msg chat
9%
Attivazione
pers- e-mail
5%
ISP / Prodotti
26%
news
12 %
Fruizione
Aree
tematiche
9%
help / CCare
loyalty
26 %
advertising
12 %
Dummies
Confidential
26
CRM&Profiling
Virgilio: posizionamento
Area ISP / Prodotti
Help / Ccare / Loyalty
Area Personal Mail
Area Themes
Area News
Area e-commerce
Community /
Messaging / Chat
Advertising
Confidential
27
CRM&Profiling
Virgilio: posizionamento
Area ISP / Prodotti
Help / Ccare / Loyalty
Area Personal Mail
Area Themes
Area News
Area e-commerce
Community /
Messaging / Chat
Advertising
Confidential
28
CRM&Profiling
Virgilio: posizionamento
Area ISP / Prodotti
Help / Ccare / Loyalty
3%
33 %
1%
Area Personal Mail
Area Themes
44 %
Area News
10 %
Area e-commerce
0%
Community /
Messaging / Chat
1%
Advertising
8%
Confidential
customer
needs
29
?
CRM&Profiling
Virgilio: posizionamento
Heavy Users
e-commerce
0%
community
msg chat
1%
Attivazione
pers. e-mail
1%
ISP / Prodotti
3%
help / CCare
loyalty
33 %
news
10 %
Fruizione
Aree
tematiche
44 %
advertising
8%
Dummies
Confidential
30
CRM&Profiling
Insieme: tin.it-Virgilio
Area ISP / Prodotti
Help / Ccare / Loyalty
Tin.it - Virgilio
26 % 3 %
1%
3%
Area Themes
9 % 44 %
Area e-commerce
Community /
Messaging / Chat
Advertising
Confidential
Virgilio
26 % 33 %
Area Personal Mail
Area News
Tin.it -
12 % 10 %
5%
0%
9%
1%
9%
8%
31
CRM&Profiling
3.
Il customer base
management
Confidential
32
CRM&Profiling
Tin.it Customer Base
Nuove Acquisizioni
Customer Base
4000
1200
3500
1000
3000
pay
2500
2000
pay
800
totale
1500
totale
600
400
1000
200
500
0
pay
totale
dic-00
ott-00
ago-00
giu-00
apr-00
feb-00
dic-99
pay
totale
dic-00
ott-00
ago-00
giu-00
apr-00
feb-00
dic-99
0
IL MANAGEMENT DELLA CUSTOMER BASE
GUIDA LA NOSTRA STRATEGIA DI MARKETING
Confidential
33
CRM&Profiling
Customer base: Approccio strategico
Un unico obiettivo:
Aumentare il Customer Lifetime Value
attraverso la riduzione del churn
e l’aumento dell’ARPU
… attraverso
PROFILING & SEGMENTATION
Identificare i potenziali “churners”
Massimizzare la soddisfazione dei clienti
Ridurre il churn
Massimizzare il
valore del cliente
Focalizzarsi su target per cross e up sell
Confidential
34
CRM&Profiling
Basic concept: Customer Relationship Management
Identificare
Realizzare
Praticare
tutte le attività necessarie a garantire
il processo di attenzione e
fidelizzazione dell’individuo verso
l’azienda e la sua offerta di prodotti e
servizi
e, conseguentemente
la massimizzazione delle opportunità
di business attraverso la
soddisfazione costante dei bisogni
Confidential
35
CRM&Profiling
Segmentazione per azioni di “massa”?
1. POCHE VARIABILI
approccio Si/No
approccio “Behavioural”
2. AZIONI DI “MASS”
Impatto sui Prodotti & Servizi
Alto Volume
Economie di Scala
3. UN OBIETTIVO ALLA VOLTA
Sviluppo dei prodotti principali
Crescita dei VAS / Offerte opzionali
Aumento del valore della Customer Base
Diminuzione del Churn
Confidential
36
CRM&Profiling
Profiling per servizi “customized”
1. MOLTE VARIABILI: Previsivo & “Behavioural”
Utilizzo dei VAS
Valore e Revenue attese
Pattern d’uso
Rischio di churn
Scelta dell’abbonamento giusto Chiamate al CC
Dropped calls
Insolvenze
Reazione a campagne di mktg
2. AZIONI INDIRIZZATE AL CLIENTE
Impatto su ogni singolo cliente/Navigatore
Alti costi
Alta “redemption” / Valore
3. MOLTI OBIETTIVI CONTEMPORANEAMENTE!
Aumento della fedeltà (Loyalty)
Azioni di push: Up Sell / Cross Sell
Azioni di push: passaparola
Raccolta di informazioni
Confidential
37
CRM&Profiling
VALORE DEL CLIENTE
100%
Customer base: Segmentazione di base
COSTRUIRE
FELDELTA’
0%
DIFFERENZIAZIONE DEI SERVIZI
INBOUND & OUTBOUND
SCHEMA DI LOYALTY (Incentivi)
BLOCCHI (Disincentivi alla fuga)
OPERATORE CC PERSONALE
NUOVI VAS
MEMBER GETS MEMBER
CURA & ATTENZIONE
AZIONI A BASSO
COSTO/ NO
PROMOZIONI
0%
MASSIMIZZARE
IL VALORE
NON COSTI AGGIUNTIVI PER LA
GESTIONE DEL CLIENTE
AZIONI DI “MASSA”
AUMETARE IL
VALORE
AZIONI DI UP / CROSS SELL
INCENTIVARE L’USO
INCENTIVARE ATTIVAZIONE DI VAS
FEDELTA’ DEL CLIENTE
100%
…ALLA CONCORRENZA!
Confidential
38
CRM&Profiling
Basic Concept: Dimesione per fase
FASE
Barriera
Tecnologica
Curiosita’
Fruizione 1
Fruizione 2
Fruizione 3
Specializzazione e Propensione all’acquisto on line
e propensione all’uso di servizi evoluti
TEMPO
0 – 12 mesi
12 – 24 mesi
> 24 mesi
Frequenza di utilizzo
Corrispondenza dati Datamedia – 09/2000
39 %
26 %
35 %
!!! Piu’ del 60% della popolazione non e’ ancora in
fasi di fruizione evoluta dei servizi di rete !!!
Fonte :
Confidential
39
CRM&Profiling
Actual figures: Needs x segment
Segment
Needs
Barriera
Tecnologic a
Curiosita’
Fruizion e 1
Fruizion e 2
Fruizione 3
Premium Access
Free Access
Directory services
Search Engine
E-mail
Chat
Video Chat
NewsGroup
E-mail / SMS push
Audio / Video Streaming
VoIP
FTP
Confidential
40
CRM&Profiling
Market trends: Customer interest/needs
FASE
Barriera
Tecnologica
Help / Ccare / Loyalty
Directories
Invio SMS
Aree Tematiche
Chat / Video Chat
Personal Mail
ISP Prodotti
Area General News
Confidential
Fruizione 1
Fruizione 2
Fruizione 3
Specializzazione e Propensione all’acquisto on line
e propensione all’uso di servizi evoluti
Services
Advertising
Curiosita’
☺
☺
☺
☺
☺
☺
☺
☺
☺
41
☺
☺
☺
☺
☺
CRM&Profiling
Market trends: customer interest/needs
FASE
Barriera
Tecnologica
Radio On Line
Download (mp3+SW)
Community
Instant Messaging
Newsletters
Area e-commerce
Mobile Channels
Mobile Commerce
Confidential
Fruizione 1
Fruizione 2
Fruizione 3
Specializzazione e Propensione all’acquisto on line
e propensione all’uso di servizi evoluti
Services
Audio Video Streaming
Curiosita’
42
☺
☺
☺
☺
☺
☺
☺
☺
☺
☺
☺
☺
☺
☺
CRM&Profiling
Market trends: l’evoluzione
FASE
Dimensione per Fase
Barriera
Tecnologica
Curiosita’
Fruizione 1
Fruizione 2
Fruizione 3
Specializzazione e Propensione all’acquisto on line
e propensione all’uso di servizi evoluti
2o S 2000
39 %
26 %
35 %
1o S 2001
30 %
35%
35 %
2o S 2001
20 %
30%
50 %
Fonte :
Confidential
43
CRM&Profiling
Basic concept: Profiling
Identificare
Classificare
Acquisire
Gestire
tutte le informazioni che
consentono la conoscenza e l’analisi
del proprio target di riferimento
e, conseguentemente
la realizzazione di prodotti e servizi
ad elevata probabilità di
soddisfazione dei suoi bisogni
sources
Confidential
analysis
44
mgmnt
CRM&Profiling
3.bis
Il customer base management
Il data mining come strumento
Confidential
45
CRM&Profiling
Customer base: il DWH
Informazini
socio demografiche
Informazioni
sulla attivazione
Dati sull’uso &
sulla rete
Pattern di utilizzo
(log files,
files, cookies…)
cookies…)
DATAWAREHOUSE
dati dal call center
(calls,
calls, complains,
complains, billing problems)
problems)
Informazioni da
ricerche di mercato
(customer satisfaction,
satisfaction, U & A, …)
Confidential
46
CRM&Profiling
Customer base: data mining
analisi
statistica e
data mining
Confidential
queries su liste di clienti
Regressioni di base e moderne
K - nearest neighbors
alberi CART
Reti neurali
GAM, MARS
47
CRM&Profiling
Profiling: i problemi
Numero uno:
costruire un DWH
è enorme!
DWH
• tieni conto degli obiettivi dell’analisi
• non concentrarti solo su da dove e come
raccogliere le informazioni
• utilizza estrazioni di parti del DWH (datamart)
diverse a seconda degli obiettivi
Per esempio
Nel datamart per la previsione del churn, è più utile tenere
l’informazione sugli errori di fatturazione rispetto ai dettagli
sociodemografici
Campioni di clienti possono essere molto utili
Confidential
48
CRM&Profiling
Profiling: i problemi
Numero due:
analisi e data mining
Mantienilo semplice!
Parti da un approccio di base e gradualmente spostati su
soluzioni più sofisticate
Non fidarti sulle soluzioni automatiche (black box) come:
”schiaccia il bottone e la rete farà tutto per te!”
Confidential
49
CRM&Profiling
4.
Alcuni casi:
metodologia e pratica
Confidential
50
CRM&Profiling
4.1
Alcuni casi: metodologia e pratica
Il valore
Confidential
51
CRM&Profiling
Il valore del cliente
Obiettivi
Individuazione dei clienti da trattare
con maggior cura
Individuazione di clienti su cui agire
per aumentare la redditività
Strumenti
Determinazione di un indicatore del
valore per tin.it di cascun cliente
Definizione di poche classi di valore
Confidential
52
CRM&Profiling
Il valore: le classi
•Si determina per ogni cliente un indicatore di “valore”
caratteristiche di semplicità, intuitività e stabilità nel tempo
(ARPU)
con
•Si determina la classifica dei clienti ordinata secondo il “valore” che essi
portano a tin.it e si cerca un numero limitato di classi per i vari sottogruppi di
clienti
quota clienti quota valore totale
5.7%
5.47%
25.1%
14.0%
30.8%
15.7%
6.9%
20.7%
Confidential
1
2
3
4
5
Login per tipo di Abbonamento e classe a valore
48.4%
100%
90%
80%
Classe 7
70%
14.5%
Classe 6
60%
81.4%
18.5%
Classe 5
50%
Classe 4
40%
Classe 3
30%
Classe 2
20%
Classe 1
10%
0%
13.1%
ADSL
100%
Clubnet
Premium
PWH
Login premium, clubnet, ADSL e PWH per classe a valore
80%
3.8%
PWH
60%
Premium
6
1.0%
7
0.7%
53
Clubnet
40%
ADSL
20%
0%
Classe 1 Classe 2 Classe 3 Classe 4 Classe 5 Classe 6 Classe 7
Classi a valore
CRM&Profiling
4.2
Alcuni casi: metodologia e pratica
Il churn
Confidential
54
CRM&Profiling
Customer Base: il churn
Modellare la disattivazione:
costruire, validare, interpretare un modello
che descriva il comportamento degli utenti in
termini di disattivazione in relazione ad altre
variabili note
Perché?
Per descrivere il fenomeno
Per prevedere i potenziali futuri disattivi
Per predisporre azioni
Per verificare l’efficacia di operazioni di
marketing/Customer Operation
Confidential
55
CRM&Profiling
Cutomer base: churn
Le fonti
Aziendali: (“DWH”, RADIUS, logs,
Remedy,…)
Altre fonti: Ricerche di mercato
•Per un piccolo campione “casuale” di
clienti
•Per tutti i clienti
•Informazioni su
•Informazioni su
traffico
servizi opzionali
comportamenti
comportamento del cliente
stili di vita
reclami-rapporti con customer care
motivi della disattivazione
azioni di marketing/customer care
tempi della scelta
fatture/ricariche
•ottenuti tramite interviste
dati demografico/anagrafici
Confidential
56
CRM&Profiling
Il churn: obiettivi
■ Determinare un indicatore di propensione alla disattivazione per
ogni login
■ Prevedere i potenziali futuri disattivi
■ Capire i motivi fondamentali che portano alla disattivazione e i
comportamenti che la precedono
■ Individuare possibili azioni volte alla retention del cliente
■ Verificare l’efficacia di operazioni di Marketing/Customer
Operation
Confidential
57
CRM&Profiling
Il churn: obiettivi
Chi è a rischio di
disattivazione?
■Caratteristiche demografiche
■Usage di internet
■Comportamenti di traffico
■Contatti con tin.it
■Informazioni sul billing
■Copertura della rete dei pop
Quando è maggiore
il rischio di
disattivazione?
Comportamento
dei clienti sul churn
Perché sono a
rischio di
disattivazione?
Confidential
■Promozioni della concorrenza
■Eventi della vita
■Offerte della concorrenza
■convenienza dei prezzi
■Prezzo dell’Hardware
■Servizio al cliente
■Programmi a premi
58
CRM&Profiling
Il churn: la previsione
Intera
Customer
base
Costi nella
previsione del
churn
Alti
Grado di successo
dell’azione preventiva
del churn
Basso
Clienti ad alta
propensione al
churn
Medi
Alto
Stadio più
efficiente
Confidential
59
Clienti che
stanno
disattivando
Clienti già
disattivati
Alti
N/A
Medio
N/A
Azioni di
retention
CRM&Profiling
Churn: Data mining
Free
Background
■
Clubnet rappresenta l’ 80% della customer base
■
Non si è fatto un pilot/case studie su questo tipo di clienti
■
Non esiste un evento churn osservabile, ma deducibile
Passi principali
Confidential
■
Identificazione della popolazione
■
Determinazione e reperimento delle variabili
■
Definizione del target
■
Stima del modello
■
Verifica dell’accuratezza
■
Utilizzo del modello
60
CRM&Profiling
Churn: Data mining
Preparazione dati
Selezionare la popolazione
Prima di estrarre i dati da DWH è necessario definire
in maniera precisa la popolazione da analizzare.
Ad es. Le login utilizzate per costruire un modello di churn per i clienti
pay sono dunque le login che hanno data di attivazione precedente il
1/12/2000 ed aventi data di disattivazione superiore al 31/1/2001 o
ancora attive nel mese di Febbraio 2001.
Per ciascuna di queste login sono stati estratti da DWH (input al
sistema di data mining) i dati di Luglio 2000, Agosto 2000, Settembre
2000, Ottobre 2000, Novembre 2000.
Confidential
61
CRM&Profiling
Churn: data mining
Preparazione dati
L’oggetto della previsione
La variabile target va definita con precisione in
termini di status della login e date degli eventi
considerati (disattivazione, attivazione,
sospensione…)
Esclusione variabili leaker
Alcune delle variabili presenti nei dati in ingresso
sono strettamente correlate con l’oggetto della
previsione per diversi motivi.
Le variabili che “trasudano” informazione sulla variabile target (leakers)
devono venire identificate ed escluse dall’insieme di dati a disposizione (ad
es. data di Disattivazione, status della login, flag varii)
Confidential
62
CRM&Profiling
Churn: data mining
Preparazione dati
Predisposizione data set
Divisione casuale circa a metà dell’insieme dei dati a
disposizione. Creazione dei dataset “TOP” (che verrà utilizzato
per la stima) e “BOTTOM” (che verrà utilizzato per la
validazione).
Dal file TOP, selezione di tutte le login disattivate.
Selezione casuale (senza senza ripetizione) di un insieme di
login attive di numerosità circa uguale al numero di disattivi nel
TOP. Unione di queste login alle disattive appena estratte dal
file TOP.
Divisione dei dataset ottenuto in due parti uguali selezionate
casualmente, l’una servirà per stimare il modello e l’altra per
selezionare il modello migliore.
Confidential
63
CRM&Profiling
Data mining: i modelli
Regressione
lineare/logistica
Il modello più semplice
(lineare) non è sufficiente a
descrivere i dati
bisogna ipotizzare modelli
più complessi
lasciarsi guidare dalle
osservazioni per costruire le
relazioni tra variabili e
disattivazione
Confidential
MARS/
reti neurali
Alberi di
regressione/
CART
Regressione
projection pursuit/
pursuit/
GAM
64
CRM&Profiling
Basic Concept: Data mining
Insieme di tecniche statistiche
per la stima di modelli non-lineari
per grosse quantità di dati,
ma caratterizzate da ridotta
complessità computazionale.
Tali tecniche vengono utilizzate
secondo la guida dell’analista
che guida la scelta dei modelli
e delle interpretazioni dei risultati
in modo da evitare di cogliere
relazioni spurie
Confidential
65
CRM&Profiling
Data mining: modelli
Smoothers monodimensionali
polinomi
bin
medie mobili
Stimatori nonparametrici basati
sulle serie o su regressioni
(polinomiali, regressione di
Fourier, splines di regressione,
filtraggio)
rette mobili
loess
Kernel gaussiano
Stimatori nonparametrici kernel
(Nadaraya-Watson, medie
localmente pesate, regressione
locale, loess)
smoothing spline
spline di regressione
spline naturali
Smoothing Splines
(penalizzazione)
Stimatori nonparametrici sui
vicini più prossimi - Near
neighbor (medie mobili,
mediane, stimatori di Tukey)
Confidential
66
CRM&Profiling
Data mining: la valutazione dei modelli
Il modello viene stimato per poter
essere utilizzato per fare previsione:
deve essere valido per qualsiasi altra
situazione analoga.
(PCR)
Misure di accuratezza
Matrice di “confusione”
Lift
Confidential
67
CRM&Profiling
Data mining: la valutazione dei modelli
Accuratezza
Misure globali: gli errori
Omissione:
percentuale di login previste ad alto
rischio sul totale delle login effettivamente
disattivate (cioè quanti di quelli effettivamente
disattivati erano nella classe più a rischio il
mese prima). L’errore di omissione viene
indicato anche come “falsi negativi”
Commissione:
percentuale delle login disattivate sul
totale delle login nella classe più a rischio (cioè
quanti di quelli considerati a rischio sono stati
effettivamente disattivati il mese successivo).
L’errore di commissione è indicato anche con il
termine “falsi positivi”.
Confidential
68
CRM&Profiling
Data mining: la valutazione dei modelli
Accuratezza
Misure locali: il lift
I record (le login) vengono ordinate per propensione al churn
decrescente, in modo da avere gli elementi ritenuti più a rischio nella
parte alta della lista.
Si suddivide l’insieme così ottenuto in quantili e si calcola quanti
disattivati reali si trovano nel primo quantile.
Il rapporto fra la percentuale di disattivati reali nel primo quantile
rispetto alla percentuale di disattivati su tutta la popolazione considerata
è detto lift.
Il lift misura quindi di quanto nel sottogruppo selezionato si prevede
meglio la disattivazione rispetto a quello che si farebbe nella popolazione
globale.
Più in generale tale misura è definita per un selezionato sottogruppo di una popolazione
più vasta come la proporzione di disattivi nel sottogruppo diviso la proporzione di disattivi
in tutta la popolazione.
Confidential
69
CRM&Profiling
Data mining: la valutazione dei modelli
Accuratezza
Ad esempio:
Se l’insieme totale di login esaminate sia costituito da 100.000
elementi di cui 3.000 disattivi, il tasso di churn per questa
popolazione sarà di 3.000/100.000=0,03.
Se ordinando i risultati del sistema di previsione per
propensione al churn decrescente si individuano, fra le prime
1000 login di questa lista, 150 disattivati, il tasso di churn sarà
di 150/1000=0.15. Ciò significa che il lift del sistema di
previsione utilizzato è pari a 0.15/0.03=5.
Confidential
70
CRM&Profiling
Data mining: la valutazione dei modelli
Accuratezza
Nota
Nelle telecomunicazioni in Italia il tasso di churn in un mese è
molto basso (si aggira attorno all’1%-5%).
In questo caso, anche un metodo particolarmente accurato (es.
lift=6) ha comunque un numero molto elevato di falsi positivi, cioè
un errore di commissione particolarmente elevato (infatti per es.
sui 100 clienti più a rischio secondo il sistema previsionale
utilizzato, solo 6 saranno effettivamente disattivati).
Confidential
71
CRM&Profiling
Il churn: la previsione
data mining puro
Esempio in tin.it:
Primo modello
Soluzione a black box in cui il
software (IT) seleziona le variabili
e determina il modello in maniera
completamente automatica
data mining guidato
Soluzione in cui l’analista guida
le analisi nella scelta, almeno
parziale, delle variabili,
utilizzando i modelli di data
mining come strumenti di analisi
Calo del traffico
non actionable!
Esempio in tin.it:
Secondo modello
caratteristiche di traffico
(es. Alto usage nelle ore di picco)
Uso dei servizi
calo nel traffico
Reclami
Confidential
72
Azioni di Marketing
e customer
care
CRM&Profiling
4.2.bis
Alcuni casi: metodologia e pratica
Il churn: 3 esempi concreti e un
paio di idee
Confidential
73
CRM&Profiling
Il churn: free e pay
E’ necessario un diverso approccio tra free e pay perché
■ Per il pay
➡Il cliente CHIEDE di essere disattivato via raccomandata o
email
■ Per il free
➡Il cliente non si disattiva, ma passa tra i non active quando non
naviga per 3 mesi (45 giorni)
I clienti free decidono di andare alla concorrenza
senza disattivare
Confidential
74
CRM&Profiling
Tin.it accesso: pay vs free
Per disattivare il
servizio è necessario
inviare un email o
una raccomandata
C’è un chiaro evento:
tin.it sa quando
l’utilizzatore vuole
disattivare
Il free non viene
disattivato. Esce dalla
Customer base
degliactive users dopo
3 mesi (45 giorni, 30
giorni) consecutivi
senza navigazione
Non c’è evidenza di
quando il cliente
decide di
abbandonare tin.it
Confidential
75
CRM&Profiling
Churn: data mining
Modello guidato
Selezione della Popolazione
Si analizza la customer base dei clienti free al 31
gennaio 2001 che si fosse attivata almeno 6 mesi
prima (prima di agosto 2000) confrontando coloro
che hanno mostrato il “segnale” per la prima volta
nel mese di gennaio 2000 rispetto agli altri. Per
queste login si è considerato il traffico fino a
novembre 2000.
L’oggetto della previsione
La variabile target viene definita con precisione
attraverso un semplice “segnale” che si basa sul
pattern di utilizzo del servizio.
Confidential
76
CRM&Profiling
Churn: Data mining
Modello guidato
L’oggetto della previsione
Identificazione di un segnale del churn effettivo
Tale segnale dovrebbe essere
“intuitivo” e “semplice” da calcolare
“legato” alla decisione del cliente di andarsene
accurato e autoesplicativo
Il “segnale” viene individuato sulla base di
Traffico di connessione
Traffico email
Confidential
77
CRM&Profiling
Churn: data mining
Modello guidato
Predisposizione data set
Divisione casuale circa a metà dell’insieme dei dati a
disposizione. Creazione dei dataset “TOP” (che verrà utilizzato
per la stima) e “BOTTOM” (che verrà utilizzato per la
validazione).
Dal file TOP, selezione di tutte le login disattivate.
Selezione casuale (senza ripetizione) di un insieme di login
attive di numerosità circa uguale al numero di disattivi nel TOP.
Unione di queste login alle disattive appena estratte dal file
TOP.
Confidential
78
CRM&Profiling
Churn: data mining
Modello guidato
Stima del modello
Si predispone un cammino di stima guidato, per cui le variabili da
inserire nel modello e l’ordine di entrata viene definito e deciso a
priori sulla base di
Conoscenza del business
Actionability
Modello di data mining stimato in precedenza
Analisi preliminari e stime univariate
Si utilizza come regola di split l’indice di Gini
Le variabili risultate non significative all’entrata per qualche ramo
vengono eliminate solo nel ramo di riferimento
Per scelta (aumentare l’acrtionability) non si effettua una analisi
di pruning per eliminare variabili
Calcolo della stima di una misura di propensione al churn per
ciascun nodo nel dataset BOTTOM e determinazione dell’ordine dei
nodi rispetto alla propensione alla disattivazione.
Confidential
79
CRM&Profiling
Churn: data mining
Modello guidato
Previsione
Determinazione delle soglie per la scelta delle tre classi
di rischio sulla base di numerosità dei nodi nel dataset
BOTTOM e del livello di rischio dei nodi.
Per ciascuna login si determina la foglia nell’albero a
cui appartiene e si definisce Propensione al churn per
quella login il valore della propensione nella foglia di
riferimento.
Classificazione delle login nelle tre classi di rischio
Confidential
80
CRM&Profiling
Churn: data mining
Modello guidato
Ad ogni nodo e foglia dell’albero è associato un diverso indice di
propensione al churn (segnale). (I colori delle “foglie” dell’albero
indicano classi di rischio: bassa, media, alta)
campione CB
"churn"=1.8%
sottoscrive servizio A
"churn"=5.5%
attivazione prima del xxx
"churn"=4.6%
non sottoscrive servizio A
"churn"=1.4%
attivazione dopo il xxx
"churn"=6.0%
usa servizio B
"churn"=2.5%
non usa servizio B
"churn"=7.2%
più di n connessioni/mese
"churn"=3.1%
più di m mail ricevute
"churn"=2.6%
meno di m mail ricevute
"churn"=6.8%
meno di n connessioni/mese
"churn"=16.1%
età superiore ai k anni
"churn"=14.0%
non persona fisica
"churn"=16.0%
età inferiore ai k anni
"churn"=19.6%
femmina
"churn"=17.8%
maschio
"churn"=20.3%
residente nelle regiorni a,b,c,d,e
"churn"=19.2%
residente nelle altre regioni
percentuale della customer base=1.8%
"churn"=21.1%
Confidential
81
CRM&Profiling
Churn: data mining
Modello guidato
Accuratezza del modello
Omissione:
Alto Rischio
Medio Rischio
SC = Y
27.94%
29.46%
42.60 %
( = 100%)
SC = N
3.57%
6.83%
89.60%
( = 100%)
Comissione:
Alto Rischio
Medio Rischio
Basso Rischio
Basso Rischio
SC = Y
SC = N
49.33%
50.67%
( = 100%)
34.92%
5.58%
65.08%
94.42%
( = 100%)
( = 100%)
Lift
Confidential
Percentile della popolazione
1%
5%
10%
20%
Lift
11.8
10.8
8.9
5.6
82
CRM&Profiling
Churn: data mining
Modello ibrido
Selezione della Popolazione
Si analizza la customer base dei clienti pay al 31
gennaio 2001 che si fosse attivata almeno 6 mesi
prima (prima di agosto 2000) confrontando coloro
che si sono disattivati nel mese di gennaio 2000
rispetto agli altri. Per queste login si è considerato
le informazioni fino a novembre 2000.
L’oggetto della previsione
La variabile target è un indicatore (variabile
dummy) dell’evento disattivazione nel mese di
febbraio 2001.
Confidential
83
CRM&Profiling
Churn: data mining
Modello ibrido
Predisposizione data set
Divisione casuale circa a metà dell’insieme dei dati a
disposizione. Creazione dei dataset “TOP” (che verrà utilizzato
per la stima) e “BOTTOM” (che verrà utilizzato per la
validazione).
Dal file TOP, selezione di tutte le login disattivate.
Replicazione di tali SIM in 11 file TOP01-TOP11.
Selezione sistematica (con campionamento sistematico) di 10
insiemi di login attive (quindi mutuamente escusivi) di
numerosità circa uguale al numero di attivi nel TOP. Unione di
queste login alle disattive già presenti nei file TOP01-TOP11.
Divisione dei dataset TOP01-TOP11 in due parti uguali
selezionate casualmente, l’una servirà per stimare il modello e
l’altra per selezionare il modello migliore.
Confidential
84
CRM&Profiling
Churn: data mining
Modello ibrido
Stima dei modelli
Utilizzando i dataset preparati per la stima, si adattano 11 modelli
CART, uno per ciascun dataset.
Si utilizza:
regola di split: Gini
regola di prune: Costo
densità: 0.01
Calcolo della stima di una misura di predittività (confidence) per
ciascun nodo e determinazione dell’ordine dei nodi rispetto alla
propensione alla disattivazione (per i nodi che prevedono
disattivazione propensione alla disattivazione è la confidence, per i
nodi che prevedono login attive propensione alla disattivazione è
(1-confidence) ).
Determinazione, sui dataset preposti, dei migliori sottoalberi per
ciascun insieme di dati usato.
Determinazione delle misure di accuratezza usuali (matrice di
confusione e lift) per ogni singolo modello utilizzando il dataset
BOTTOM.
Confidential
85
CRM&Profiling
Churn: data mining
Modello ibrido
Costruzione del modello ibrido
Stima della Propensione al churn del nuovo modello attraverso
una media pesata della Propensione al churn (IPC=Indice di
propensione al churn) di ciascun modello. I pesi sono proporzionali
al rango (numero d’ordine) del nodo rispetto all’ordine determinato
per ogni modello nel punto 5 in base alla Propensione al churn.
Il nuovo IPC è ottenuto dalla formula
N
IPC ibrido
max(rank ( IPCi ))
IPCi
∑
rank ( IPCi )
i =1
=
N
max(rank ( IPCi ))
∑
rank ( IPCi )
i =1
dove il max dei ranghi corrisponde al massimo numero di nodi in
ciascun albero.
Confidential
86
CRM&Profiling
Churn: data mining
Modello ibrido
Previsione
Per determinare la previsione delle login che verranno disattivate
si considera la distribuzione della nuova IPCibrido e controllando gli
errori che si commettono, si è fissata una soglia. Per IPCibrido
maggiore della soglia le login vengono considerate a rischio di
disattivazione.
Determinazione delle regole. Si utilizza per ciascuna login
l’intersezione delle regole che la coinvolgono. Ogni regola
determina un sistema di insiemi in un sistema cartesiano di ordine
n. Le intersezione degli 11 sistemi di insiemi determinano la regola
del modello ibrido.
Tale scelta, coerente con il calcolo della propensione al churn del
modello ibrido, risulta però di difficile (costosa in termini di tempo)
implementazione informatica. In una prima fase si è scelto quindi
(facendo un’analisi costi/benefici) di utilizzare le regole del
modello che meglio si comporta nel dataset BOTTOM.
Confidential
87
CRM&Profiling
Churn: data mining
Modello ibrido
Alcuni risultati
Per determinare un indicatore di rischio, si predispone la
distribuzione dell’IPCibrido nell’insieme BOTTOM.
Distribuzione cumulata dell’ IPCibrido
IPCibrido
Per valori superiori a 0.7 dell’IPCibrido la login sarà considerata a
rischio.
Confidential
88
CRM&Profiling
Churn: data mining
Modello ibrido
Alcuni risultati
Le variabili che maggiormente influiscono sulla previsione della
disattivazione dei pay sono :
variabili di traffico
utilizzo di chat
abbonamento scelto
eventuale precedente entrata o l’uscita dal dunning
eventuali informazioni riguardo la richiesta di documentazione
per supposte errate fatturazioni
informazioni sulla regione di appartenenza
informazione sulla fatturazione
Confidential
89
CRM&Profiling
Churn: data mining
Modello ibrido
Accuratezza del modello
Le misure di adattabilità globale usualmente usate fanno
riferimento alla matrice di confusione.
Tale tabella racchiude le informazioni che legano, sull’insieme
BOTTOM, la previsione di disattivazione con l’effettiva
disattivazione. I risultqati salienti sono
L’accuratezza globale risulta dell’85%.
La percentuale di SIM disattive tra quelle previste disattive
(errore di commissione) è del 5.7%. Tale percentuale se
confrontata con l’analoga proporzione nella customer base (che
è di circa 1%) porta a un lift per l’intero gruppo selezionato
(circa il 10% della customer base) di quasi 6.
La percentuale di disattivi previsti dal modello tra tutti coloro
che davvero sono disattivi raggiunge il 45%.
Confidential
90
CRM&Profiling
Churn: data mining
Modello ibrido
Accuratezza del modello: lift
Per misurare la capacità predittiva del modello
generalmente si ordinano le login a seconda dell’IPC
stimato e si calcola il lift per i sottogruppi della
popolazione determinati dai quantili della distribuzione
risultante.
La funzione che traccia i lift al crescere dei percentili
della distribuzione delle login ordinata per IPC in linea
teorica è una funzione non crescente (è una misura su
insiemi ordinati in cui l’i-esimo
comprende tutti i
precedenti).
Confidential
91
CRM&Profiling
Churn: data mining
Modello ibrido
Accuratezza del modello: lift
Percentil
e
1
2
3
4
5
10
20
30
40
50
100
Lift del
percentile
9.30
10.92
9.32
8.59
8.75
3.21
2.50
2.09
1.80
1.60
1
La stima della funzione dei lift ottenuta utilizzando il dataset BOTTOM
per misurare un modello ottenuto su un diverso dataset non è noncrescente.
Considerando piccole percentuali della customer base si può verificare
la presenza di perturbazioni stocastiche (rumore) che localmente non
fanno mantenere l’ordine di pericolosità definito dall’IPC in uso. È
chiaro che tale proprietà viene invece soddisfatta appena le numerosità
nei sottogruppi divengono sufficienti (i percentili crescono).
Confidential
92
CRM&Profiling
Data mining:teoria
GAM
Generalized Additive Models
Idea di base:
usare stimatori non parametrici unidimensionali come blocchi per
la costruzione di una classe ristretta di modelli non parametrici per
la regressione multipla
Definizione:
Y = α + ∑ f j (X j ) + ε
p
j =1
Le fj sono funzioni arbitrarie, una per ogni variabile predittiva
Gli εi sono variabili aleatorie di errore e vengono assunti
indipendenti tra loro, dalle Xj con E(εi)=0 e var(εi)=σ2
inoltre per l’identificabilità si assume che
Confidential
93
E { f j (X j )} = 0
CRM&Profiling
Data mining:teoria
GAM
Stima: algoritmo di backfitting
1.
1 n
Inizializzazione: α = ∑ yi
n i=1
(0 )
f j = f j , j = 1, …,
✫ p
2.
Ciclo: per i=1, 2..., j=1,..., p
f
3.
(i)
j


( i −1 )
= S j Y − α − ∑ fk Xk 
k≠ j


Fino a: ciascuna funzione f j( i ) è uguale alla funzione f j( i−1.)
La convergenza non è assicurata in generale, ma per casi particolari.
Confidential
94
CRM&Profiling
Churn: data mining
Modello GAM
Selezione della Popolazione
Si analizza la customer base dei clienti pay al 31
ottobre 2000 che si fosse attivata almeno 4 mesi
prima (prima di luglio 2000) confrontando coloro
che si sono disattivati nel mese di novembre 2000
rispetto agli altri. Per queste login si è considerato il
traffico fino a settembre 2000.
L’oggetto della previsione
La variabile target è un indicatore (variabile
dummy) dell’evento disattivazione nel mese di
novembre 2001.
Confidential
95
CRM&Profiling
Churn: data mining
Modello GAM
Predisposizione data set
Divisione casuale circa a metà dell’insieme dei dati a
disposizione. Creazione dei dataset “TOP” (che verrà utilizzato
per la stima) e “BOTTOM” (che verrà utilizzato per la
validazione).
Dal file TOP, selezione di tutte le login disattivate.
Selezione casuale (senza ripetizione) di un insieme di login
attive di numerosità circa uguale al numero di disattivi nel TOP.
Unione di queste login alle disattive appena estratte dal file
TOP.
Confidential
96
CRM&Profiling
Churn: data mining
Modello GAM
Stima del modello
Si stima un modello GAM con i seguenti parametri:
•funzione legame logistica
•per le variabili continue, stimatore univariato spline cubiche
•selezione dei parametri di “lisciamento” attraverso ispezione
grafica/tuning manuale sul file di test
•stima con algoritmo di backfitting sul file di test
Le variabili risultate non significative effettuando test statistici
asintotici approssimati sono state escluse
Calcolo della stima di una misura di propensione al churn per
ciascuna login del BOTTOM utilizzando il modello stimato e
determinazione di eventuali classi di rischio.
Confidential
97
CRM&Profiling
Churn: data mining
Modello GAM
80000
5000
1997 1998
ito
an
iaz
-2.5
-1.0
0.0
Internet Mailbox
N
Y
Variabile H
1.0
0.0
8000
ula
rs
rs
ale
s
tio
ts
n
n
a
m h han
aromo cbhisee Dcealer dnt De eccoun fStores ug
to
C
rP
Fr
an
GD
O
dip
d
en
e
ajo
M
rA
I
OP
Variabile H
In
ice
Off
A
Sp
Opzione Segreteria
N
Y
Variabile M
98
ia
ec
l
els
1.0
0.5
0.0
us
-B
e
Tim
20
b- Gold
calo
50
re
-V
51
-V
de
r
alo
50
e re
52
Variabile F
25
alo
-V
1.5
Programma Affari
0.5
4
2
te
ll
Ce
ainess
15
0
ria
ion
0.5
D
icil
om
-0.5
Variabile I
ca
ce B
di
-1.5
rta
Propensione alla disattivazione
bCred
Ca
1998
-2
Propensione alla disattivazione
1.0
0.5
0.0
le
6000
-0.5
1997
Propensione alla disattivazione
1996
Canale di Vendita
ta
4000
-0.5
Propensione alla disattivazione
3
2
1
0
-1
1995
Metodo di Pagamento
in
ett
2000
Traffico incoming
Tariffa
Variabile
C 'Ordinaria'
N
Y
SI
NO
Variabile I
Zona di Attivazione
1.0
4
Data Variabile
di Attivazione
E
a o Pos
Propensione alla disattivazione
3
Altre
Sim Attive
Variabile
D
ll
Bo
Confidential
2
0
Piano Tariffario
Propensione alla disattivazione
-1.0
0.0
1.0
Propensione alla disattivazione
1
15000
Traffico incoming
Tariffa
Variabile
B 'Picco'
-0.5
Propensione alla disattivazione
0
10000
-1.0
1.0
0.0
-1.0
0
Propensione alla disattivazione
60000
0.0
40000
Variabile
A
Traffico ougoing
-1.0
20000
Propensione alla disattivazione
0
Propensione alla disattivazione
-1.0
0.0
1.0
Propensione alla disattivazione
Alcuni risultati
1
2
3
4
Variabile N
CRM&Profiling
Customer base: massimizzare la redemption
Azioni
L’analisi ex post è essenziale per identificare quale
azione agisce meglio e su quale target
Costruire un modello (CART) per determinare il segmento
più reattivo
Clienti che hanno già tanti servizi ne accetteranno di nuovi
Confidential
99
CRM&Profiling
4.2
Alcuni casi: metodologia e pratica
Il profiling sui valori
Confidential
100
CRM&Profiling
Actual figures: Segmentation
LA MAPPA SOCIOCULTURALE
PRIVATO
PRIVATO
Culturaintessuta
intessutadi
divalori
valori
Cultura
materialied
edaspirazioni
aspirazioni
materiali
individualistiche.
individualistiche.
Orientamentoai
aivalori
valori
Orientamento
delsé
séeedel
delprivato
privato
del
APERTURA
APERTURA
CHIUSURA
CHIUSURA
Culturaindustriale
industrialeee
Cultura
post-industriale,aperta
apertaal
al
post-industriale,
cambiamento,
cambiamento,
all’innovazioneeealla
alla
all’innovazione
complessitàsociale.
sociale.
complessità
Culturadi
distampo
stampo
Cultura
arcaicoee
arcaico
preindustriale
preindustriale
arroccatasui
suivalori
valori
arroccata
tradizionalieediffidente
diffidente
tradizionali
versoililnuovo.
nuovo.
verso
SOCIALE
SOCIALE
Fonte : McCANNMcCANN-ERICKSON
Confidential
Culturasolidaristica
solidaristica
Cultura
impregnatadi
divalori
valorietici
eticiee
impregnata
spirituali.Orientamento
Orientamento
spirituali.
allacollettività
collettivitàeeal
al
alla
sociale.
sociale.
101
CRM&Profiling
Actual figures: Segmentation
LA MAPPA SOCIOCULTURALE
PRIVATO
Interesse
per la moda
Interesse apparenza
Anomia
Consumismo
Antiproibizionismo
Etnocentrismo
Attenzione
Edonismo all’aspetto
Esoterismo
Industrialismo
Amore per
l’aventura
Ostentazione e
prestigio
Chiusura
mentale
Insicurezza
Secolarizzazione
Paura della
violenza
Narcisismo
Cosmopolititsmo
Semplificazione
della vita
APERTURA
Gestione della
complessità
Liberalismo
sessuale
Adesione
al nuovo
Interesse
tecnologia
Impegno
Spiritualità
Perbenismo
Diffidenza per
la pubblicità
Nostalgia
natura
Ricerca
Antiautoritarismo
interiore
Revisione
ruoli sessuali Espressione Volontariato Comunitarismo
personalità
Creatività
Partecipazione
Idealismo
personale
Fonte : McCANN-ERICKSON
Confidential
CHIUSURA
Centralità
della famiglia
Polisensualismo
Ecologia
Vita sociale
Localismo
Welfare
Bisogno di
radicazione
SOCIALE
102
CRM&Profiling
Actual figures: Segmentation
• ETNOCENTRISMO
CENTRALITÀ
INTERESSE
DEL CORPO E• PER
LA MODA
DEL CONSUMO
•
[7.0%]CONSUMISMO
EDONISMO •
ANTIPROIBIZIONISMO
•
ESOTERISMO
•
• INTERESSE
APPARENZA
ATTENZIONE
•
ALL’ASPETTO
INDUSTRIALISMO
•
• AMORE PER
L’AVVENTURA
• INSICUREZZA
• SECOLARIZZAZIONE
COSMOPOLITISMO
•
GESTIONE DELLA •
COMPLESSITÀ
SEMPLIFICAZIONE
• DELLA VITA
• LIBERALISMO SESSUALE
• ADESIONE
AL NUOVO
[12.0%]
IMPEGNO
•
IMPEGNO
Fonte : GPF&A
Confidential
•
SPIRITUALITÀ
CONSUMERISMO
•
ANTIAUTORITARISMO
•
RICERCA
REVISIONE •
• INTERIORE
RUOLI SESSUALI
ESPRESSIONE
• VOLONTARIATO
•
PERSONALITÀ
INTERIORITÀ
PARTECIPAZIONE •
CREATIVITÀ •
[8.1%]
PERSONALE
VITA SOCIALE •
• CENTRALITÀ
DELLA
FAMIGLIA
•
PERBENISMO
TECNOLOGIA
[10.3%]
• LOCALISMO
WELFARE •
• POLISENSUALISMO
• INTERESSE
•
CHIUSURA
MENTALE
TRADIZIONALISMO
• PAURA DELLA
VIOLENZA
[11.6%]
DECALAGE
•
NUOVA
•
NARCISISMO
FRONTIERA
[12.0%]
CULTURA
PICCOLO
BORGHESE
[21.7%]
•
OSTENTAZIONE
E PRESTIGIO
ANOMIA •
ECOLOGIA •
103
DIFFIDENZA
PER
• LA PUBBLICITÀ
• NOSTALGIA
RADICI
NATURA
[17.3%]
COMUNITARISM
O
•
•
IDEALISMO
• BISOGNO DI
RADICAZIONE
CRM&Profiling
Segmentation: i bisogni
PRIVATO
aver
successo
e diventare
qualcuno
•
avere molto denaro
•
divertirsi
•
fare una vita
intensa di
relazioni sociali
APERTURA
•
sentirsi al riparo e
al sicuro dai pericoli
•
viaggiare
fare una vita
intensa e piena
di esperienza
•
CHIUSURA
• fare il proprio
•
sentire
•
affetto
intorno
a sé
•
imparare/
arricchire
le proprie
conoscenze
dovere
•
sentire la stima/
approvazione
delle persone
che ci circondano
SOCIALE
Fonte : GPF&A
Confidential
104
CRM&Profiling
I navigatori: profiling
Obiettivi
Capire quanti e quali pattern di
utilizzondi internet hanno i navigatori
dei siti di tin.it
Scoprire le caratteristiche di particolari
gruppi di clienti per personalizzare siti e
azioni
Strumenti
Analisi esplorativa per la
determinazione dei gruppi
Posizionamento dei navigatori/clienti
sulla mappa dei valori
Confidential
105
CRM&Profiling
CRM & Profiling
Bruno Scarpa
[email protected]
http://www.brunoscarpa.it/trieste
Trieste, 28 marzo 2001