Business Cases
Deutsche Bank // Area Finance
La Divisione Marketing della Deutsche Bank, sempre alla ricerca di soluzioni innovative, utilizza SUADES per identificare il gradimento dei prodotti da parte dei clienti.
Tramite la matrice generata da SUADES “cliente/prodotto/rate” individua tutti i clienti ai quali uno specifico prodotto “piace” di più oppure quali sono i prodotti più “graditi” da uno specifico cliente.
Le informazioni sono utilizzate:
- per effettuare campagne di marketing mirate
- dai gestori dei clienti tramite CRM per proporre nuovi prodotti o fornire informazioni mirate al momento giusto
- su home banking
- per inviare SMS o mail personalizzate
- su mobile tramite app geo localizzate
- per analisi statistiche
- per prevedere il gradimento di nuovi prodotti
- per attuare azioni di survey su Clienti a rischio di abbandono
- per fidelizzare i Clienti
Per raggiungere le migliori performance SUADES analizza diversi dati di ogni cliente:
- i prodotti già posseduti
- il ciclo di vita
- lo status economico
- lo stile di relazione fra cliente e banca
- i cambiamenti intervenuti recentemente nella situazione finanziaria del cliente
In Figura 1 è riportata una schermata di SUADES con i feedback utilizzati.
Figura 1. Feedback utilizzati dal sistema SUADES
Il servizio viene erogato in modalità non invasiva: periodicamente vengono inviati i dati dei clienti a CONQUIST che provvede ad elaborarli tramite SUADES ed a restituire alla banca la matrice “cliente/prodotto/rate”.
La banca può accedere da remoto al sistema, per effettuare in maniera autonoma qualsiasi tipo di analisi, tarando a proprio piacimento i vari parametri di SUADES.
Algoritmi
Sono considerati due tipi di algoritmi, entrambi del tipo “collaborative filtering”, cioè basati sull’approccio collaborativo.
Questi algoritmi appartengono a due famiglie:
- Collaborative user-based
- Collaborative item-based
Gli algoritmi del tipo collaborativo “user-based” effettuano il confronto fra ogni coppia di righe della matrice dei dati di partenza (cioè i clienti) calcolando una misura quantitativa di similarità.
In questo modo identificano gruppi di clienti simili, ovverosia clienti con preferenze simili (che tendono ad acquistare gli stessi prodotti finanziari).
Per stimare la probabilità di acquisto di ogni prodotto da parte di ogni cliente utilizzano i dati disponibili relativi al gruppo di clienti simili.
Gli algoritmi del tipo collaborativo “item-based” effettuano il confronto fra ogni coppia di colonne della matrice dei dati di partenza (cioè i prodotti) anche in questo caso attraverso una metrica di similarità.
L’algoritmo identifica gruppi di prodotti simili, ovverosia prodotti che tendono ad essere acquistati dagli stessi clienti. Anche in questo caso la stima della probabilità di acquisto viene effettuata utilizzando l’insieme dei dati identificato grazie alla similarità.
Misure di similarità
Sono state implementate nel Sistema di Raccomandazione quattro diverse misure di similarità:
- Pearson Correlation
- Euclidean Distance
- Spearman Correlation
- Log Likelihood
Il coefficiente di correlazione di Pearson si ottiene dividendo la covarianza (la covarianza è una misura di dipendenza) fra due serie di dati per il prodotto delle deviazioni standard di ogni serie (la deviazione standard è una misura di dispersione).
Ad esempio, se si considera un algoritmo di tipo user-based, ogni serie di dati descrive le informazioni relative ad un cliente.
La similarità fra due clienti è ottenuta dunque dividendo la covarianza fra i due clienti per il prodotto delle deviazioni standard di ogni cliente.
La distanza euclidea è ottenuta considerando due serie di dati (ad esempio due clienti), calcolando le differenze fra componenti analoghe (ad esempio la differenza fra le età dei clienti), sommando i quadrati delle differenze e calcolando la radice quadrata.
Il coefficiente di correlazione di Spearman può essere considerato una variante del coefficiente di Pearson adatto a variabili di tipo ordinale. Questo tipo di metrica può essere particolarmente utile nel caso dei Sistemi di Raccomandazione quando le preferenze dei clienti sono espresse attraverso “rating” espressi in una scala a valori interi (ad esempio, una scala a cinque valori come accade in molti siti Web).
Il test Log-Likelihood è una statistica che, in generale, un test statistico che consente di affermare con una certa probabilità che due modelli sono identici. Il test fornisce, dunque, anche una metrica per calcolare la similarità fra due modelli, o due serie di dati.
Ampiezza del vicinato
Poiché gli algoritmi utilizzati sfruttano la similarità fra clienti o la similarità fra prodotti, è importante identificare il numero di oggetti (clienti o prodotti) simili da considerare per effettuare la stima della probabilità di acquisto.
Suades è utilizzato facendo variare il numero di oggetti simili considerati, ovverosia la “ampiezza del vicinato” (neighborhood nella terminologia tecnica).
Sono considerati due criteri:
- Nearest N User
- Threshold User
Il primo criterio, Nearest N User, consiste nel fissare esplicitamente il numero di oggetti simili da considerare.
Il secondo criterio, Threshold User, prevede invece che sia fissata una soglia di similarità: l’algoritmo considera solo i clienti (o i prodotti) che presentano un valore di similarità inferiore alla soglia (il numero di clienti è dunque variabile e non predeterminabile).
In Figura 2 è riportato uno schema delle attività effettuate attraverso i primi tre parametri.
Figura 2. Schema degli algoritmi, metriche di similarità, criteri di ampiezza del vicinato considerati.
Indicatori di performance
Sono considerati tre indicatori di performance:
- Precision
- Recall
- F-Measure
La Precision è il rapporto tra il numero di raccomandazioni previste correttamente (i prodotti con probabilità di acquisto elevata che sono state effettivamente acquistati dai clienti) e il numero di raccomandazioni totali (tutti i prodotti con probabilità di acquisto elevata).
La Recall è il rapporto tra il numero di raccomandazioni previste correttamente (lo stesso numeratore della Precision) e il numero di acquisti totale (tutti i prodotti acquistati dal cliente).
La F-measure (F) è una combinazione delle altre due calcolata come il doppio del rapporto fra il prodotto di Precision e Recall diviso per la somma di Precision e Recall.
Figura 3 riporta uno schema di calcolo di Precision e Recall.
Figura 3. Schema di calcolo di Precision e Recall.
MAFRAT // Area E-Commerce e Negozi di Abbigliamento
Il progetto realizzato per MAFRAT ha previsto la fornitura di:
- prodotto SUADES personalizzato alle esigenze di MAFRAT
- realizzazione di apposito sito di e-business per incentivare la promozione dei prodotti ed identificare i comportamenti dei Clienti anche dalla navigazione web
Il sistema è in grado di prevedere il comportamento dei clienti e suggerire ad ogni singolo cliente, in modo totalmente automatico, un certo numero di prodotti, servizi e informazioni che risultano di probabile interesse per quel cliente e che potrebbe non conoscere o non aver mai acquistato o aver dimenticato di riacquistare.
I suggerimenti sono “personalizzati”, nel senso che ogni cliente riceverà, in generale, suggerimenti diversi da quelli ricevuti dagli altri, calibrati rispetto alle sue specifiche preferenze.
VISITA IL SITO DI MAFRAT
MACRO ARCHITETTURA - FLUSSO DATI
I sistemi da "raccordare", per consentire il corretto scambio dati e quindi un corretto funzionamento dell'e-business e di SUADES sono tre:
- Sistema gestionale MAFRAT, già esistente
- Sito di e-business, da realizzare
- SUADES, da personalizzare
Il ciclo inizia con un qualsiasi comportamento del Cliente sia esso un acquisto off-line (negozio fisico) sia esso un comportamento on-line (e-business).
MAFRAT utilizza per l'identificazione dei suoi clienti il codice proveniente dal sistema di fidelity card, residente sul sistema gestionale e per far colloquiare i tre sistemi con il codice fidelity, si è deciso di centralizzare tutti i comportamenti di acquisto nel sistema gestionale. Infatti il sistema e-business, per esempio, non sarebbe in grado di assegnare il codice fidelity per un nuovo Cliente. Pertanto in caso di acquisto il sistema e-business trasmetterà un eventuale ordine di acquisto ed il sistema gestionale assegnerà all'acquisto il codice fidelity relativo al Cliente sia esso un nuovo Cliente sia esso già registrato.
SUADES avrà pertanto due fonti di trasmissione dati dei feedback: quelli comportamentali "on-line" provenienti dall'e-business e quelli di acquisto provenienti dal sistema gestionale. SUADES elaborando i dati pervenuti li metterà a disposizione sul suo web-server che potrà, pertanto, essere "interrogato" da qualsiasi sistema che ne abbia facoltà (e-business, gestionale, sistemi di cassa presso i negozi fisici, app, etc). E’ stato reso disponibile il web-server di SUADES per rendere più fruibile ed agevole lo scambio dei dati tra i sistemi ed inoltre per essere predisposto a futuri sistemi consumatori (app ad esempio).
Per quanto riguarda i negozi fisici viene utilizzata la fidelity card per identificare il Cliente all'ingresso del negozio e, contestualmente, sul sistema di cassa vengono poposte le raccomandazioni per quel Cliente.
Per quanto riguarda l'e-business, è stato realizzato, utilizzando template standard poi personalizzati dai grafici, il CMS Joomla versione 3.4.5 ed il modulo e_business Virtuemart versione 3.0.12.
Si noti la finestra "CONSIGLIATI PER TE" che visualizza una raccomandazione per il cliente specifico. SUADES
Le attività svolte per personalizzare SUADES alle esigenze di MAFRAT sono state:
- Analisi della struttura delle informazioni del mercato di riferimento (caratteristiche dei prodotti e dei clienti)
- Analisi Funzionale e Tecnica
- Realizzazione delle personalizzazioni
- Test
- Validazione
- Installazione di SUADES personalizzato in ambiente di produzione e formazione all’uso
Le analisi sono state condotte su Clienti e tipologia di Clienti, prodotti e categorie di prodotto.
SUADES gestisce fino a categorie strutturate al massimo di tre livelli pertanto le categorizzazioni attuali non implicano nessun tipo di problematica.
Dalle analisi condotte, in media, ad ogni categoria (coppia ordinata) appartengono circa 10 prodotti che rappresentano un valore limite accettabile, anche se le migliori performance si ottengono con circa 5 prodotti per ogni categoria.
Per quanto riguarda i prodotti non c'è nulla da segnalare: la tipologia di vendita è abbastanza standard e non si ritiene di effettuare ulteriori indagini.
Il mercato è sicuramente di tipo cross-selling quindi SUADES è stato configurato per proporre sempre nuovi prodotti alla luce delle seguenti considerazioni:
- SUADES dovrà essere rivolto esclusivamente al mercato privato e non dei rivenditori e di conseguenza risulta difficile immaginare ad un privato che acquisterebbe più volte lo stesso prodotto
- i prodotti sono in continua evoluzione (nuove collezioni, nuovi stili, nuovi tessuti, nuovi modelli, ...)
SUADES è stato configurato per proporre, inizialmente, al massimo tre nuovi prodotti in considerazione del fatto che:
- le categorie non sono numerose, per cui risulta opportuno limitare le raccomandazioni per non esaurire in breve tempo l'intero "magazzino"
- al potenziale Cliente è opportuno, inizialmente, comunque proporre (o far proporre dai punti vendita) un limitato numero di articoli per profilare al meglio la clientela
- con pochi prodotti raccomandati si agevola il compito del personale dei punti vendita preposti all'utilizzo dei dati forniti da SUADES
SUADES ha la possibilità di assegnare il minimo valore da cui iniziare a considerare i prodotti raccomandabili (1=Non raccomandabile, 5=Raccomandabile). In considerazione del parametro precedente (valori random di gradimento) si è assegnato al minimo valore di raccomandazione, il valore 3 in modo tale che:
- i prodotti raccomandati in modo random rivestano il limite inferiore della scala di gradimento
- i prodotti raccomandati abbiano comunque un valore sufficiente di gradimento (3=Sufficiente)
Analisi funzionale e tecnica
L'analisi condotta si è dovuta concentrare soprattutto sul tipo di dati da elaborare essendoci un sistema già esistente, il gestionale ovviamente non modificabile.
In particolare i dati che si sono dovuti adattare sono stati:
• codice prodotto, SUADES prevedeva stringhe alfanumeriche di soli numeri (0-9)
• codice cliente, SUADES prevedeva stringhe alfanumeriche di soli numeri (0-9)
mentre codici categorie e codici feedback sono risultati essere coerenti con le strutture di SUADES.
Il resto dei dati non ha subito variazioni perché tutte in formato testo (titolo, descrizione, etc).
Sono stati forniti i dettagli delle chiamate a web server per le comunicazioni dei dati in apposito manuale dei tracciati L'attività si è conclusa nelle tempistiche previste.
Realizzazione delle personalizzazioni
Quanto previsto al precedente § è stato implementato nelle tempistiche previste.
Test
Il test è stato focalizzato sulla verifica delle chiamate al web server tramite lo strumento SoapUi per verificare la correttezza delle chiamate e soprattutto dei tracciati predisposti.
Il test si è concluso nelle tempistiche previste e con i risultati attesi
Validazione
La validazione è avvenuta su server Conquist, simulando l'ambiente del Cliente.
L'attività si è conclusa nelle tempistiche previste e con i risultati attesi.
Installazione di SUADES personalizzato e formazione all'uso
Attualmente SUADES con le relative personalizzazioni è installato ed integrato con il sistema di e-business in ambiente di produzione, il personale di MAFRAT è stato formato per l’utilizzo del sistema, così come previsto, senza rilevare nessuna criticità.
VISITA IL SITO DI MAFRAT
Panini // Area Editoria
Leggi l'articolo pubblicato su "Repubblica"
Leggi l'articolo pubblicato su "La Gazzetta dell'Economia"
Visita il sito Panini
Amplita // Area Social
- Il motore di “matching semantico” MSM per il periodo iniziale
- Il sistema di raccomandazione SUADES, per generare in automatico nel profilo dell’utente le iniziative di suo interesse.
In particolare SUADES ha il compito di “capire” gli interessi di ciascun utente di Amplita tramite i suoi comportamenti e di “selezionare” e mostrare in automatico solo le iniziative di suo interesse, per evitare che all’utente possano sfuggire iniziative importanti.
Leggi tutto
Visita il sito di Amplita
MediaShopOnline // Area E-Commerce - Elettronica
Azioni efficaci in grado di anticipare le scelte del consumatore e spingerlo a comprare più volte uno stesso prodotto (up-selling) oppure prodotti completamente diversi da quelli già acquistati (cross-selling).
Visita il sito MediaShopOnline
Frhome // Area E-Commerce - Alimentari
Azioni efficaci in grado di anticipare le scelte del consumatore e spingerlo a comprare più volte uno stesso prodotto (up-selling) oppure prodotti completamente diversi da quelli già acquistati (cross-selling).
Visita il sito Frhome
Accademia // Area E-Commerce - Spartiti Musicali
Azioni efficaci in grado di anticipare le scelte del consumatore e spingerlo a comprare più volte uno stesso prodotto (up-selling) oppure prodotti completamente diversi da quelli già acquistati (cross-selling).
Visita il sito Accademia