data mining: project new credit card

of 44 /44
DATA MINING REPORT PROJECT: New Credit Card – BancaX A cura di: Mirko Vairo

Author: mirko-vairo

Post on 06-Dec-2014

606 views

Category:

Business


4 download

Embed Size (px)

DESCRIPTION

 

TRANSCRIPT

  • 1. DATA MINING REPORTPROJECT: New Credit Card BancaXA cura di:Mirko Vairo
  • 2. OBIETTIVI DI BUSINESS 1La BancaX, azienda che da oltre 40 anni opera nel campo dei servizifinanziari, ci ha ingaggiato per sviluppare unanalisi di Data Mining suun Dataset di approssimativamente 40.000 clienti. Lobiettivo di talestudio : Sviluppare sul DB a disposizione delle analisi statistiche utilizzando i modelli di analisi univariata, bivariata e multivariata per capire, da un lato, come si configura la clientela della banca e, dallaltro indagare quali siano le motivazioni che spingono un cliente a richiedere spontaneamente lattivazione di una nuova carta di credito.
  • 3. DA COSA PARTIAMO 2BancaX, per raggiungere tale obiettivo, ci ha fornito un Dataset (Banking prediction 1) contenente varieinformazioni su: Sesso ed Et del cliente Storicit del cliente Utilizzo che ciascun cliente fa, in termini di ammontare impiegato o ottenuto, dei prodotti bancari offerti. N di transazioni effettuate da ciascun cliente attraverso i diversi canali a disposizione (Sportelli/ATM/Internet/Telefono) Gli ordini effettuati dal cliente e non ancori evasi VARIABILE Il possesso o meno di una nuova carta di credito OBIETTIVO
  • 4. OBIETTIVI DI DATA MINING 3Attraverso lutilizzo di questo Dataset, sono state effettuate: Inizialmente, stato quello di analizzare il dato fornito, attraverso ANALISI analisi descrittive e grafiche. Successivamente, si verificato se UNIVARIATE fosse necessario effettuare una pulizia del Dataset ed uneventuale riclassificazione di alcune delle variabili. FACTOR E Lobiettivo era quello di segmentare la clientela della banca CLUSTER per studiarne le caratteristiche ed individuare eventuali ANALYSIS clusters di particolare interesse. MODELLI DI CLASSIFICAZIONE Lutiizzo di queste tecniche aveva lo scopo di capire cosa ED ASSOCIAZIONE avesse spinto il cliente ad attivare una nuova carta di credito.
  • 5. PROJECT PLAN 4 Analisi descrittiva e grafica del DB (slide 6-9)FASE 1 Individuazione outliers e mancanti (slide 10) Pulizia dei dati (slide 12) Ricodifica variabili slide (13-16)FASE 2 Segmentazione della clientela (slide 17-23) Sviluppo dei modelli di classificazione (slide 25-34)FASE 3 Sviluppo dei modelli di associazione (slide 36-39) Findings (slide 41)FASE 4 Implicazioni manageriali (slide 42-43)
  • 6. FASE 1: ANALISI DEI DATI 5Questa fase si compone di due step: STEP 1 Analisi descrittiva e grafica del DB STEP 2 Individuazione outliers e mancanti
  • 7. ANALISI DESCRITTIVA E GRAFICA 6Il Dataset contiene le informazioni di un campione di 41.978 clienti della BancaX. Lecaratteristiche di base della clientela possono essere riassunte in 3 punti:1 Il 59,24% dei clienti sono donne e la restante parte uomini necessario ricodificare la variabile2 Let compresa tra i 18 ed i 90 anni per poter classificare i clienti in fasce det.3 La tenure del cliente in media di 5 anni
  • 8. ANALISI DESCRITTIVA E GRAFICA (2) 7 Lutilizzo medio di ciascun prodotto Conti Risparmio Media utilizzo: 1.612$ bancario molto basso (ad esempio, basta notare che i prestiti alle imprese Conti Correnti Media utilizzo: 323$ registrano un valore medio poco realistico, 4.137$). Questo ci porta a pensare che il dato sia fortemente Depositi Media utilizzo: 1.462$ contenuto a causa dellelevato numero di clienti che non fa uso dei prodottiPRODOTTI BANCARI Fondi dinvestimento Media utilizzo: 1.000$ (valore 0 nella relativa casella); ci provoca lidentificazione di un numero Titoli azionari Media utilizzo: 717 $ troppo consistente di outlier. Proprio per questo motivo, prima di poter procedere alla loro identificazione ed Garanzie bancarie Media utilizzo:10$ eliminazione, in fase di analisi dei dati siamo stati costretti a trasformare i Assicurazioni vita Media utilizzo: 3$ valori 0 in nulli. Considerando lo scarso utilizzo dellofferta da parte dei Mutui Media utilizzo: 1.324$ clienti, siamo portati a pensare che la BancaX tende a riconoscere come tali coloro che in realt realizzano solo Prestiti alle imprese Media utilizzo:4.137$ operazioni una tantum; questo fenomeno verr enfatizzato Prestiti al consumo Media utilizzo: 1.962$ principalmente durante la fase di clusterizzazione.
  • 9. ANALISI DESCRITTIVA E GRAFICA (3) 8 Sportelli Media utilizzo: 2,6 transaz. Relativamente ai canali di transazione, linfluenza dei non utilizzatori generaCANALI DI TRANZAZIONE effetti del tutto simili a quanto enunciato in precedenza per i prodotti bancari. Molto interessante il dato sulle transazioni attraverso le-banking, in ATM Media utilizzo: 3 transaz. media molto basso rispetto alle aspettative (0,026 per cliente), perch attualmente la maggior parte delle transazioni che vengono realizzate con carta di credito coinvolgono questo Internet Media utilizzo: 0,026 transaz. canale. Inatteso il dato relativo alle transazioni effettuate attraverso sportelli automatici che mostrano il livello di frequenza dutilizzo pi elevato. Telefono Media utilizzo: 0,013 transaz.
  • 10. ANALISI DESCRITTIVA E GRAFICA (4) 9Lultimo campo compreso nel DB quello che riguarda la variabile obiettivo della nostra analisi ecio il numero di clienti che hanno attivato una carta di credito. In sostanza il grafico ci mostra chesolo il 5,54% dei clienti possiede una carta (2324 su 41978); questo dato ci consente dicomprendere meglio le motivazioni per le quali la BancaX ha avviato questo un progetto danalisi. 94,46% 5,54%
  • 11. INDIVIDUAZIONE OULIERS E MANCANTI 10Come si preannunciato, per individuare in maniera pi corretta gli outliers, sono stati creati artificiosamente dei nuovi campi(con il suffisso _missing) dove gli 0 venivano trasformati in valori nulli (vedi output clementine Tabella con valori nulli). Una voltafatto ci sono stati calcolati gli outliers: 1) per i valori anomali il limite soglia era posto a 3 volte il range interquartile mentre 2)per i valori estremi era 6 volte; non vi erano mancanti. Il risultato finale stato il seguente:CAMPI ANOMALI ESTREMI RECORD VALIDI VALORE NULLO Nel riquadro azzurro vengonoCustomer_ID 0 0 41978 0 messi in evidenza gli outliers relativiGender -- -- 41978 0Age 0 0 41978 0 ad ogni nuova variabile creata. LaTenure 0 0 41978 0 percentuale di record modificati perNew_Credit_Card_Flag -- -- 41978 0 ogni campo si aggira tra il 3% eSaving_Amount_missing 1276 1594 27991 13987 l11% (naturalmente unaCurrent_Amount_missing 384 618 9811 32167 percentuale relativa solo ai recordTime_Deposits_Amount_missing 39 27 1482 40496 validi e non a tutti quelli presenti nelFunds_Amount_missing 70 31 2092 39886 DB infatti nella 4^ colonna sonoStocks_Amount_missing 157 239 4018 37960 indicati i valori nulli per ogniBank_Assurance_Amount_missing 25 3 1633 40345 campo).Life_Assurance_Amount_missing 36 11 957 41021Business_Loan_Amount_missing 28 14 966 41012Home_Loan_Amount_missing 23 7 1680 40298Consumer_Loan_Amount_missing 97 8 9974 32004Branch_Transactions_missing 442 276 22453 19525ATM_Transactions_missing 68 4 11825 30153Phone_Transactions_missing 6 0 171 41807Internet_Transactions_missing 15 8 365 41613Standing_Orders_missing 34 6 1673 40305
  • 12. FASE 2: PREPARAZIONE DEI DATI 11La fase 2 si compone di tre step:STEP 1 Pulizia dei datiSTEP 2 Ricodifica variabiliSTEP 3 Segmentazione della clientela
  • 13. PULIZIA DEI DATI 12Individuati valori estremi ed anomali si proceduto alla loro eliminazione. Di sotto si riporta lo stream realizzato per la correzionedei valori.Per quanto riguarda la procedura disostituzione degli outliers stataimpostata, attraverso il nodo Esplora, lafunzione Forza e successivamente si utilizzato il parametro Algoritmo perlassegnazione del nuovo valore (vedisupernodo Valore anomalo ed estremo).Fatto ci, il passo seguente stato quellodi reimpostare i record con valori nulli (danoi artificiosamente creati), assegnando attraverso il supernodo Assegnavalori a ciascuno di essi il valore 0.Infine, con il nodo Filtro, sono statirinominati i nuovi campi creati (senzaoutliers) apponendo a ciascuno di essi ilsuffisso _ready; il tutto stato inseritoallinterno del nuovo DB: BankingPrediction 1 DB pulito.
  • 14. RICODIFICA VARIABILI 13 Per unanalisi pi chiara e dettagliata e per poter sviluppare i modelli di associazione, stata necessaria la ricodifica di alcune delle variabili. Due le operazioni realizzate: 1 Classificazione della variabile et.Dato che, come visto in precedenza, il campo et espresso come variabilecontinua (che va da 18 a 90 anni), si pensato che fosse pi giustoriclassificarla attraverso il nodo Discretizza. Sintetizzando, la procedura haportato alla creazione di 4 fasce det (riportate nel grafico qui accanto).Emergono due riflessioni interessanti:a) L80,44% del campione composto da individui con et tra 24 e 65 anni.b) In questa classe si collocano coloro che hanno richiesto con maggiore frequenza lattivazione della nuova carta di credito.
  • 15. RICODIFICA VARIABILI (2) 14 2 Ricodifica prodotti bancari e canali di transazione in variabili FlagPer lattuazione dei modelli di associazione (Market Basket Analysis), i campi _Amount e _Transaction sono statitrasformati da variabili numeriche continue a variabili Flag. Tale obiettivo stato raggiunto attraverso la creazione diun apposito stream:Seguendo il flusso, le operazioni realizzate sono state: 1) Eliminazione di alcuni campi secondari ai fini dello studio(Gender, Tenure e Standing_orders); 2) Creazione dei campi Flag attraverso lapposito supernodo (vedi slidesuccessiva per approfondimenti); 3) Filtraggio dei vecchi campi (numerici continui); 4) Ricodifica delle variabili 1/0 inTrue/False per poter eseguire correttamente la MBA. 5) Creazione del DB: Banking Prediction DB per MBA.
  • 16. RICODIFICA VARIABILI (3) 15 2 Ricodifica prodotti bancari e canali di transazione in variabili FlagAttraverso il supernodo Creazione Flag stato creato un insieme di nodi Nuovo Campo che hapermesso la ricodifica dei vecchi campi. La sintesi delle variabili create riportata nella seguentetabella.
  • 17. RICODIFICA VARIABILI (4) 16 2 Ricodifica prodotti bancari e canali di transazione in variabili FlagUna volta trasformate tutte le variabili in flag, si verificato attraverso il nodo Distribuzione se per alcune di esse lapercentuale di casi Veri (e cio con valore 1) risultasse almeno superiore al 5% del totale dei casi.Solo 7 delle 14 variabili flag, inizialmente create, soddisfacevano tale criterio.
  • 18. SEGMENTAZIONE DELLA CLIENTELA 17Lultimo step di questa fase riguarda la creazione e la descrizione dei cluster di clientela.Tre i passi seguiti: Factor Analysis Cluster Analysis Descrizione cluster
  • 19. SEGMENTAZIONE DELLA CLIENTELA 18 Factor AnalysisIl primo passo ha portato alla creazione di 5 fattori che sintetizzano i 10 prodotti offerti da BancaX. Fondi dinvestimento Garanzie bancarie Conti Risparmio Prodotti di Prodotti Assicurazioni vita investimento/ Vita/Casa Depositi Risparmio Mutui Titoli azionari Finanziamenti alle I fattori costruiti dal s/w, e qui riportati, spiegano il 62% Prestiti alle imprese della varianza totale (la tabella con le correlazioni tra imprese fattori e prodotti viene riportata nella cartella relativa a Conti Correnti Conti Correnti questa fase). Prestiti al consumo Finanziamenti a privati
  • 20. SEGMENTAZIONE DELLA CLIENTELA (2) 19Cluster Analysis La tecnica utilizzata lalgoritmo K- means che ha permesso di identificare 4 clusters finali (vedi tabella). La tabella di ANOVA (file output factor_cluster) mostra come tale soluzione sia anche significativa al test-F. Di estremo interesse linformazione fornitaci dalla tabella riportata a lato; questa infatti ci indica che esiste un cluster di utenti, quello dei Dormienti, che sembra essere preponderante rispetto agli altri. Inizialmente si pensava che, questa anomalia, fosse dovuta al numero troppo basso di clusters; per, ci si accorti che aumentandolo la soluzione era pressoch la stessa. Lunica interpretazione plausibile che il Dataset di 41.978 record rappresenta, principalmente, quel campione di utenti della BancaX che poco avvezzo allutilizzo dei prodotti bancari che compongono la sua offerta (questo lo notiamo nella tabella sopra riportata dallo scarso livello di correlazione con tutti i fattori). Forse, i clienti che appartengono a questo cluster, sono proprio quelli che la banca vorrebbe coinvolgere maggiormente attraverso un prodotto pi flessibile quale la carta di credito.
  • 21. SEGMENTAZIONE DELLA CLIENTELA (3) 20 Descrizione cluster FamiglieQuesto cluster stato cos denominato per la sua attitudine ad usufruire diprodotti come i mutui per lacquisto di immobili e quindi di beni destinatialluso familiare. Il grafico sulla destra dimostra chiaramente questaattitudine.Per quanto riguarda let media, si nota dallistogramma Age_OPTIMAL chela maggior parte dei clienti ad esso appartenenti si colloca nella fascia 24-65anni; ci sembra ovvio alla luce del fatto che, coloro che pi frequentementerichiedono un mutuo alla banca sono famiglie pi o meno giovani chevogliono costruire il proprio futuro.Infine, emerso che, tra gliindividui appartenenti a questocluster, sono state attivate solo53 nuove carte di credito su untotale di 825 clienti. Questodato, correlato a quantoespresso in precedenza, mettein evidenza la scarsa attrattivitdel cluster in questione.
  • 22. SEGMENTAZIONE DELLA CLIENTELA (4) 21Descrizione cluster Business Anche quello dei clienti business sembra un cluster poco interessante per le finalit della nostra ricerca, dato il numero ridotto dei suoi componenti e di quelli che al suo interno possiedono una carta di credito. Daltronde un cliente del tipo business difficilmente utilizza una carta di credito per la sua attivit, mentre ricorre pi spesso a strumenti quali i Finanziamenti o altre forme di debito. Come accade per le Famiglie, i clienti business si caratterizzano per il collocamento nella fascia intermedia det. Come ci si poteva aspettare, il numero di clienti al di sotto dei 24 anni esiguo, proprio perch molto difficile che clienti giovani usufruiscano di un prodotto business.
  • 23. SEGMENTAZIONE DELLA CLIENTELA (5) 22 Descrizione cluster DormientiIl cluster dei dormienti, come accennato in precedenza, quello pi grande tra i 4 creati (circa 40.000 utenti in pratica quasi tutto ilcampione). Si collocano al suo interno quei clienti che, sostanzialmente, non usufruiscono di nessuno dei prodotti bancari messi aloro disposizione o lo fanno occasionalmente. Nel corso della fase di analisi ci concentreremo in particolar modo su di essi, chesembrano essere il segmento pi attraente per il nostro obiettivo.Solo il 5% di essi ha attivato una nuova carta; questo in valore Come negli altri casi, anche i dormienti si concentranoassoluto, per, si traduce in 2.211 attivazioni. Quindi, data la nella fascia det 24-65 anni. Per, in questo caso cresceconsistenza di questo cluster, possiamo affermare che basta una il numero di utenti che si posizionano nelle classipiccola variazione percentuale di attivazioni per poter contigue.raggiungere un numero elevato di carte vendute.
  • 24. SEGMENTAZIONE DELLA CLIENTELA (6) 23 Descrizione cluster PrivatiNella categoria Privati vengono collocati quei clienti che fanno ampioutilizzo dei prodotti di risparmio della banca, quali: conto risparmio(mostrato nel seguente grafico ), depositi a breve-lungo termine, ecc.Tale segmento, come gli altri appena analizzati, ha registrato un Let media in questo caso si alza molto, infatti cresconotasso di nuove attivazioni bassissimo. Dato lesiguo numero di le fasce det pi anziane. La spiegazione di ci pucomponenti, e le loro caratteristiche, ci sembra poco essere legata al fatto che, di solito, la classe pi anzianainteressante sviluppare una strategia indirizzata ad aumentare di una popolazione ad essere pi spinta al risparmio (adlattrattivit, per questi utenti, del prodotto carta di credito. esempio per coloro che si avviano allet pensionabile).
  • 25. FASE 1: MODELLAZIONE 24 Questa fase si compone di due step:STEP 1 Modelli di classificazioneSTEP 2 Modelli di associazione
  • 26. MODELLI DI CLASSIFICAZIONE 25Terminata la preparazione del DB, si passati alla modellazione. Innanzitutto stato costruito, attraverso alcunedelle tecniche a disposizione, un algoritmo di classificazione.Il procedimento di anali svolto composto da 4 passi: Selezione delle variabili chiave Bilanciamento della variabile New_Credit_Card_Flag Selezione dei modelli migliori Addestramento e Test
  • 27. MODELLI DI CLASSIFICAZIONE (2) 26 Selezione delle variabili chiaveAttraverso il nodo Seleziona Variabili si proceduto alla determinazione dei campi pi interessanti, di cui tenerconto, per la creazione dei modelli.Sono state, quindi, selezionate le seguenti variabili:Come si pu vedere dalla tabella, si tenuto in considerazione solo quei campi che nella colonna valoreraggiungevano il 95% di confidenza, data la variabile obiettivo (New_Credit_Card_Flag). I restanti campi sono statimessi da parte attraverso il nodo Filtro.
  • 28. MODELLI DI CLASSIFICAZIONE (3) 27 Bilanciamento della variabile New_Credit_Card_FlagDato che il campo obiettivo era troppo sbilanciato per poter sviluppare correttamente i modelli, si resonecessario lutilizzo del nodo Bilanciamento per ovviare a tale problema.Il procedimento stato il seguente:
  • 29. MODELLI DI CLASSIFICAZIONE (4) 28Selezione dei modelli miglioriSuccessivamente, grazie al nodo Classificatore modelli, abbiamo identificato le tecniche pi valide per poter effettuare laclassificazione. In pratica: Il classificatore sulla base dei parametri impostati e dei modelli spuntati (vedi grafico qui di fianco) ha selezionato tra tutti il C5.0, la Regressione logistica e la discriminante lineare. Il migliore in assoluto, evidenziato nel riquadro rosso, risulta essere il C5.0: questo, infatti, sembra ottenere risultati ottimali in tutti i parametri di selezione.
  • 30. MODELLI DI CLASSIFICAZIONE (5) 29AddestramentoInfine, sono stati generati due supernodi: uno per lAddestramento delle tecniche migliori e laltro per il Test. Per ognuno di essi vengono riportati ilgrafico del lift e le tabelle di analisi (per eventuali approfondimenti visionare lo stream Modelli di classificazione). Come si pu notare sia il grafico chela tabella, riportati nella slide, dimostrano la miglior capacit classificatoria del modello albero decisionale C5.0 cerchiato in rosso il dato che ciindica il livello di precisione nella stima (molto pi accurata rispetto agli altri due casi).
  • 31. MODELLI DI CLASSIFICAZIONE (6) 30 Anche per quanto riguarda il test, il modello C5.0 risulta essere quello migliore: sia per quanto riguarda il lift che per ilTest livello di precisione (cerchiato in rosso).
  • 32. MODELLI DI CLASSIFICAZIONE (7) 31Una volta selezionato il modello pi accurato, possiamo proseguire con lanalisi delloutput da esso prodotto.Per prima cosa verifichiamo limportanza dei diversi predittori. Si pu notare dal grafico che il peso maggiore viene assunto dai campi ATM_transaction e Branch_transaction; hanno una discreta importanza anche le variabili Saving_amount e Internet_transaction.
  • 33. MODELLI DI CLASSIFICAZIONE (8) 32Dallanalisi dellalbero sono risultati essere di grande interesse i seguenti nodi: Questo primo nodo molto utile per verificare limportanza assunta dalla frequenza di operazioni compiute tramite la piattaforma web nellindirizzare un cliente ad attivare una carta di credito. Dalle tabelle possiamo notare che tale variabile, pur essendo di grande peso non fornisce spunti rilevanti; infatti, sia che le internet_transaction siano maggiori a 0 che uguali a 0, un gran numero di clienti ha richiesto la carta. Infine, necessario fare attenzione alla percentuale cerchiata in rosso nel nodo 116 perch, anche se essa ci segnala che il 97% di clienti hanno attivato la carta, il peso ad esso attribuito comunque irrilevante (5,835%).
  • 34. MODELLI DI CLASSIFICAZIONE (9) 33 La sezione dellalbero riportata in questa slide sembra abbastanza complessa ma in realt di grande aiuto. Innanzitutto, indica che nelle due fasce det pi giovani della clientela (dai 18 ai 65 anni) si sono verificate un gran numero di nuove attivazioni (da notare che il peso del nodo ancora elevato 35,812 %). Sempre con riferimento alla fascia det sopra indicata, in questo livello si vuole mettere in risalto il dato relativo al numero consistente di attivazioni che sono state realizzate da: clienti della BancaX con una tenure maggiore ai 9 mesi (e quindi clienti abbastanza consolidati peso del nodo 17,464%). Buona la percentuale di attivazioni nel caso di tenure inferiore a 9 mesi, anche se in questo caso il peso del nodo poco significativo. Infine, in riferimento ai clienti di fascia 18-24 con un buon livello di storicit e che posseggono un conto corrente si rileva linformazione pi interessante in termini qualitativi; infatti, tra questi, sia coloro che posseggono un conto corrente con importi elevati che in particolar modo quelli con importi contenuti (se non negativi), fanno registrare percentuali di attivazione di nuove carte di credito elevate (attenzione per al peso del nodo 66 che pari solo 1,938%). Un ultimissima considerazione collegata alle transazioni attraverso ATM; possiamo notare a questo livello che coloro che possiedono un conto corrente (in questo caso con un saldo contenuto) e fanno un uso assiduo degli sportelli automatici per le proprie transazioni, hanno sovente attivato una nuova carta.
  • 35. MODELLI DI CLASSIFICAZIONE (10) 34Come abbiamo accennato in precedenza, tali modelli possono essere utilizzati anche per analizzare i clusters chesembrano pi interessanti. Proprio per questo motivo, il C5.0 stato lanciato anche sul segmento dei Dormienti; irisultati ottenuti attraverso lo stream riportato in questa slide hanno per condotto ad una soluzione che siavvicina moltissimo a quanto verificato per lintero campione, questo perch il cluster in oggetto composto da circa40.000 clienti.
  • 36. MODELLI DI ASSOCIAZIONE 35Per confermare alcune delle evidenze emerse in precedenza, grazie agli output dei modelli di classificazione, e acompletamento dello studio in questione, abbiamo utilizzato alcune delle tecniche di associazione utili per losviluppo di una Market Basket Analysis.Lo stream del procedimento attuato il seguente:
  • 37. MODELLI DI ASSOCIAZIONE (2) 36Per prima cosa sono state selezionate le variabili di partenza. Con lausilio del nodo Tipo stato assegnato, ai campiflag creati in precedenza (vedi slide 16), il ruolo sia di input che di obiettivo passaggio necessario per poter lanciarecorrettamente una MBA. Agli altri campi presenti nel DB stato assegnato il ruolo nessuna, cio non sono stateprese in considerazione.
  • 38. MODELLI DI ASSOCIAZIONE (3) 37Il nodo Web stato molto utile per comprendere, prima del lancio di qualsiasi modello, quali fossero le relazioni piforti tra le variabili input. Il grafico mette in evidenza alcune relazioni poco rilevanti e facilmente intuibili, come ad esempio la relazione tra Saving_amount e Branch_transaction. Molto pi interessante il legame tra Current_amount e ATM_transaction, infatti gi pi volte emerso che chi di solito possiede un c/c fa sovente operazioni su ATM. Le altre relazioni non sembrano fornire spunti utili ai nostri scopi.
  • 39. MODELLI DI ASSOCIAZIONE (4) 38In seguito, stata sviluppata una MBA attraverso lattuazione di due tecniche: 1) Apriori; 2) Carma; i loro output hanno fornito insostanza gli stessi risultati. Quanto riscontrato in precedenza, grazie al nodo Web, viene ampiamente confermato in questa tabella. Infatti, se si classificano le relazioni antecedente- conseguente sulla base del lift, vediamo che il legame migliore registrato tra le operazioni su conto corrente (antecedente) e lutilizzo di sportelli automatici per le transazioni (conseguente); anche il supporto della regola e il livello di confidenza sono mediamente accettabili.
  • 40. MODELLI DI ASSOCIAZIONE (5) 39Come anticipato, la tecnica Carma offre risultati del tutto analoghi alla variante utilizzata in precedenza.Inoltre, per questo secondo caso, il livello ottimale del lift nella relazione tra Current_amount eATM_transaction viene confermato anche se queste due variabili invertono il loro ruolo di antecedenti econseguenti.
  • 41. FASE 4: IMPLICAZIONI 40STEP 1 FindingsSTEP 2 Implicazioni manageriali
  • 42. FINDINGS 41Prima di passare alle implicazioni finali, opportuno riportare in questa slide alcuni dei punti chiave emersi dallostudio: stato rilevato che vi un segmento della clientela molto rilevante, i Dormienti, che si componeprincipalmente di utenti giovani e maturi (fascia 24-65 anni), e che usufruiscono mediamente poco delloffertaattuale. Questi, forse, sono alla ricerca di un prodotto pi flessibile che soddisfi, in pratica, la loro esigenzaquotidiana di realizzare operazioni bancarie di piccolo calibro.Lutilizzo della carta per le-banking abbastanza frequente ma, diversamente da come si potrebbe ipotizzare,lincidenza di questo fattore nello spronare il cliente allattivazione della carta molto contenuta.Il numero di nuove attivazioni pi elevato per le prime fasce det del campione, e cio 18-23/24-65.Questo sta ad indicare che il cliente che utilizza una carta tendenzialmente abbastanza giovane, e quindi piaddicted nellutilizzo di canali innovativi (come le Application per cellulari) e pi attratti da nuove formulepromozionali. Per i possessori di un C/C, soprattutto con saldi non troppo elevati, si spesso verificata la predilezione ad utilizzare gli sportelli automatici. Questo dato molto interessante se si pensa alla possibilit di creare per questi clienti uno strumento che gli consenta di realizzare le loro classiche operazioni (versamenti, bonifici, ecc.), che solitamente vengono effettuate allo sportello, presso gli ATM o attraverso i canali innovativi indicati in precedenza.
  • 43. IMPLICAZIONI 42Riassumendo, per spingere la clientela in particolare i cosiddetti dormienti ad attivare nuove carte di credito,serve un prodotto che sia: giovane, flessibile, che offra una serie di servizi aggiuntivi ed innovativi e chepermetta di evitare le lunghe attese allo sportello per effettuare le classiche operazioni bancarie (ad esempio, ibonifici).La soluzione stata proposta, ultimamente, da UBI Banca:La carta Enjoy una carta di credito dotata di codice IBAN che permette di effettuare svariate operazioni bancarie eprevede un gran numero di servizi aggiuntivi al cliente. Insieme alla carta viene offerto anche uno smartphoneSamsung che congiuntamente ad essa permette di sfruttare il nuovissimo canale dello Smartbanking
  • 44. IMPLICAZIONI (2) 43Cosa offre la carta???Uno strumento del genere sembra soddisfare tutte le finalit che avevamo previsto, riuscendo in maniera rapida econ un investimento ridotto ad attirare quei clienti che cercano, ormai da tempo, una banca diversa dallaconcezione classica di istituto finanziario (un ente solido ed affidabile) che si adatti alle loro esigenze: cio quelledi una societ che evolve sempre pi rapidamente e i cui bisogni sono sempre pi differenziati.