1 of 11

Università Telematica eCampus

Facoltà di Ingegneria

Corso di Laurea Magistrale in Ingegneria Informatica e dell’Automazione

STUDIO E SOLUZIONE DEL PROBLEMA DI CUSTOMER RETENTION

PER UN OPERATORE TELCO BASATO SU

TECNICHE DI APPRENDIMENTO AUTOMATICO

Candidato: Angelo Cianci

Relatore: prof.ssa Silvia Canale

A.A. 2019/2020

2 of 11

2

Angelo Cianci

Università Telematica E-Campus - Corso di Laurea Magistrale in Ingegneria Informatica e dell'Automazione

Studio e soluzione del problema di customer retention per un operatore teleco basato su tecniche di apprendimento automatico

Dal 1997 fine del monopolio Telecom

  • Mercato libero
  • Nascono numerose aziende Telco
  • Guerra dei prezzi
  • Marketing aggressivo
  • Qualità customer care
  • Si preferisce il mobile alla rete fissa

Origine del problema

Dal 2019 5G nuova era tecnologica

  • Connettività capillare
  • Costi di connessione più bassi
  • Si assottiglia il confine tra rete fissa e mobile

​

PROBLEMA AFFRONTATO

MONDO DELLE TELCO:TELEFONIA FISSA

Abbandono del cliente che passa da un’azienda all’altra

CHURN

Perdita del cliente

  • Meno guadagni
  • Meno valore dell’azienda

3 of 11

3

Angelo Cianci

Università Telematica E-Campus - Corso di Laurea Magistrale in Ingegneria Informatica e dell'Automazione

Studio e soluzione del problema di customer retention per un operatore teleco basato su tecniche di apprendimento automatico

CICLO DI VITA DEL CLIENTE

aumentare l’ARPU

aumentare il ciclo di vita del cliente, evitando di perderli o recuperandoli in caso di una eventuale disdetta.

ARPU

ACQUISIZIONI E ATTIVAZIONI

selling / acquisizione clienti

Come

  • Guadagno immediato
  • Aumento dei clienti acquisiti

​

Come:

Come:

  • Costi elevati: marketing e pubblicità
  • Rischiosa: guadagno breve periodo
  • Rischio churn: poca attenzione alla customer base
  • No retention
  • No prevention
  • Azienda fragile quando arriverà un flesso nelle attivazione va in crisi

​

Rapporto tra la somma dei ricavi lordi nel periodo T e il numero di utenti attivi in T.

  • Si concentra sulla Customer base
  • Aumenta i ricavi medi
  • Aumenta il valore dei clienti
  • Prevention
  • Poca attenzione alle acquisizioni
  • No retention
  • Rischio crescita dell’azienda

APPROCCI E SOLUZIONI ADOTTATI DALLE TELCO: TRE STRATEGIE

Il totale dei profitti attesi da un cliente in un tempo T

  • ROI ritorno dell’investimento elevato
  • Aumenta il valore dei clienti
  • Prevention e Retention
  • Aumenta ARPU
  • Azienda cresce

il mio lavoro di tesi è proprio a supporto di questa strategia

4 of 11

La migliore strategia: il ciclo di vita del cliente

4

Angelo Cianci

Università Telematica E-Campus - Corso di Laurea Magistrale in Ingegneria Informatica e dell'Automazione

Studio e soluzione del problema di customer retention per un operatore teleco basato su tecniche di apprendimento automatico

Inizio disdetta

Azioni di retention

CHURN

Modelli di previsione

12mesi

Potenziale cliente

Nuovo cliente

Clienti fedeli

Clienti churn

​

​

​

​

​

​

​

​

​

​

​

Valore del cliente

30giorni

0

1mese

Cliente recuperato

Cliente perso

Servizi VAS

Programmi Loyalty

Spese in marketing

Vendita

Acquisire clienti

24mesi

Cliente prevention

5 of 11

Modello predittivo per l’identificazione del churn

5

Angelo Cianci

Università Telematica E-Campus - Corso di Laurea Magistrale in Ingegneria Informatica e dell'Automazione

Studio e soluzione del problema di customer retention per un operatore teleco basato su tecniche di apprendimento automatico

DEFINIZIONE DEL MODELLO

 

 

 

01

02

03

Identificazione della popolazione

Selezione delle variabili

Definizione del target

Comparazione e stima dei modelli

verifica dell’accuratezza

Utilizzo del modello

Conoscenza del cliente

Identificazione del modello predittivo

Retention

Diminuisce il churn

BENEFICI DELLA RETENTION

Aumentano i guadagni e ARPU

Aumenta il CLV

6 of 11

Campione di dati estratto di una nota Telco italiana

6

Angelo Cianci

Università Telematica E-Campus - Corso di Laurea Magistrale in Ingegneria Informatica e dell'Automazione

Studio e soluzione del problema di customer retention per un operatore teleco basato su tecniche di apprendimento automatico

CARATTERISTICHE DEL CAMPIONE

​

Anzianità minima

1 mese, cliente attivo da almeno un mese

Tipologia Cliente

Residenziale

Tecnologia Cliente

Fibra Ottica, ADSL, Wholesale

Servizi attivi

Rete fissa: voce e dati, solo dati

Classe

InDisdetta: [yes, no]

Numero Istanze

14070

Numero Attributi

22

Attributi nominali

Totale: 10

Sesso, etacliente, TipoAbbonamento, SimMobile, Tecnologia, CostoServizio, InDisdetta, Billing, ValoreCliente, Recuperabile

Attributi numerici

Totale: 12

Account, AgeMese, AgeAnno, Tecnico, UscitaTecnico, Reclami, TotaleRec, NumContatti, CostoAttivazione, PianoTariffario,GuadagnoTotale, GuadagnoMensile

Dimensione e formato file

Dimensione: 1.794 KB Formato: CSV

Periodo

Novembre 2019

Software

CRM: Saleforce Piattaforma ML: Weka

«yes» 6156 campioni

Cliente in periodo di redemption, ha inviato disdetta .Entro 30 giorni il contratto verrà cessato.

retention

«yes»

«no»

«no» 7914 campioni

Valore di default del cliente attivo rimane tale fino alla conferma di una disdetta

InDisdetta:[yes,no]

7 of 11

PRE PROCESSAMENTO DEI DATI

7

Angelo Cianci

Università Telematica E-Campus - Corso di Laurea Magistrale in Ingegneria Informatica e dell'Automazione

Studio e soluzione del problema di customer retention per un operatore teleco basato su tecniche di apprendimento automatico

Selezionati e rimossi 439 campioni

Selezionati e rimossi 1030 campioni clienti non recuperabili

Totale attributi

Totale istanze

Attributi ridondanti

TotaleRec, AgeAnno, CostoServizio, GuadagnoTotale, GuadagnoMensile, ValoreCliente, Recuparabile

Attributi irrilevanti

CostoAttivazione

Account: verrà ignorato in fase di addestramento

Churn involontari

AZIONE: filtro sull’attributo «Recuperabile»

CancellazioneTecnica or TraslocoKO or GuastoNonRiparabile

Motivo: errori tecnici di vario tipo, mancato trasloco e guasti non riparabili

Clienti non recuperabili

AZIONE: filtro sui clienti con Tecnologia:

Wholesale AND GuadagnoMensile: <0

Wholesale: linea a noleggio da altri gestori: costosa, soggetta a disservizi tecnici. Wholesale + Perdita= no retention

DATA FILTER

FEATURE SELECTION

13

12602

Totale istanze: 14070

Totale attributi: 22

8 of 11

ALGORITMI DI APPRENDIMENTO SUPERVISIONATO

8

Angelo Cianci

Università Telematica E-Campus - Corso di Laurea Magistrale in Ingegneria Informatica e dell'Automazione

Studio e soluzione del problema di customer retention per un operatore teleco basato su tecniche di apprendimento automatico

Apprendimento supervisionato:

  • set di dati etichettati (detti “labeled”),
  • apprendimento -> identificazione del modello predittivo
  • test -> validazione del modello predittivo

Dati etichettati

Apprendimento

supervisionato

Dati per il training

MODELLO

Alberi decisionali: algoritmo C4.5

Naive Bayes

K-nearest neighbors

Regole associative: algoritmo JRIP

Random Forest

9 of 11

I RISULTATI SPERIMENTALI: Il modello scelto C4.5

9

Angelo Cianci

Università Telematica E-Campus - Corso di Laurea Magistrale in Ingegneria Informatica e dell'Automazione

Studio e soluzione del problema di customer retention per un operatore teleco basato su tecniche di apprendimento automatico

MODELLO

ACCURACY

RECALL positive

RECALL negative

PRECISION positive

PRECISION negative

F-MEASURE

C4.5

82,10%

0,763

0,914

0,934

0,706

0,823

JRIP

81.79%

0,758

0,915

0,934

0,702

0,820

KNN

80.69%

0,735

0,922

0,938

0,685

0,809

Naive

Bayes

78.38%

0,725

0,879

0,905

0,666

0,787

Random

Forest

75.37%

0,794

0,690

0,804

0,676

0,754

10-fold Cross Validation

n.foglie

n. nodi

Accuracy

F-mesaure

CF

minNO

REP

121

221

81,35%

0,816

0,25

2

false

109

190

82,10%

0,823

0,25

2

true

minNO=minNumObj

Risultati senza e con la error-based pruning nelle prove sul C4.5

  • Controlla dal basso verso l’alto
  • Elimina Il nodo ,più debole, che aggiunge la minima accuratezza
  • Nodi rimossi in modo iterativo
  • Pruning solo se riduce l’errore stimato

IL modello migliore è un albero decisionale C4.5

error-based pruning:

La strategia di pruning

 

REP=reduceErrorPruning

CF=ConfidenceFactor

10 of 11

Visualizzazione dell’albero di decisione: C4.5

10

Angelo Cianci

Università Telematica E-Campus - Corso di Laurea Magistrale in Ingegneria Informatica e dell'Automazione

Studio e soluzione del problema di customer retention per un operatore teleco basato su tecniche di apprendimento automatico

  • 4737 istanze ‘no’ classificate correttamente, ma ci sono 1471 confuse con ‘Yes’. 23% di errore
  • 3539 istanze ‘Yes’ classificate correttamente e 334 che si confondono con ‘no’ 8,6% di errore

La struttura globale dell’albero

Sezione dell’albero che presenta più errori

11 of 11

11

SVILUPPI FUTURI

Angelo Cianci

Università Telematica E-Campus - Corso di Laurea Magistrale in Ingegneria Informatica e dell'Automazione

Studio e soluzione del problema di customer retention per un operatore teleco basato su tecniche di apprendimento automatico

Partendo da un campione di dati reale di dimensioni non troppo ampie (14070 istanze), è stato possibile effettuare una solida analisi comparativa e individuare un modello di classificazione in grado di produrre risultati apprezzabili in base alle seguenti caratteristiche:

  • accuratezza stimata al di sopra dell’80%
  • trascurabili tempi di addestramento (sotto il secondo)
  • validare i risultati ottenuti con un campione di dati più ampio ed eterogeneo
  • integrare il sistema di riconoscimento del churn nel CRM dell’operatore e nel ciclo di customer retention
  • valutare l’integrazione dei dati disponibili con ulteriori fonti

CONCLUSIONI