Gli Advanced Analytics grazie a statistica, tecnologia, conoscenza dei processi e delle architetture del dato, forniscono set completi di modelli, oltre che descrittivi anche predittivi e prescrittivi, che permettono di supportare il business.
Segui la nostra serie di webinar per approfondire come la gestione del patrimonio informativo sia un processo chiave per poter evolvere il posizionamento strategico. Durante ogni appuntamento affronteremo un diverso caso di studio che verrà presentato e supportato da una diversa tecnologia abilitante
Loan Delinquency Prediction
L’analisi predittiva dei clienti insolventi con Dataiku
Gli Advanced Analytics sono in grado di abilitare analisi predittive capaci di trasformare i dati in importanti insight per il Business.
Questo è il caso della “Loan delinquency prediction” che permette di valutare l’insolvenza potenziale dei clienti al fine di migliorare la capacità aziendale di generare valore economico reale.
Customer Churn
Prevedere la perdita dei clienti con RapidMiner
Le aziende del mercato consumer, come tutte quelle dei settori commerciali, devono sempre maggiormente fare i conti con la migrazione verso altri competitor, più economici o più raggiungibili grazie all’e-commerce. Questo fenomeno è al centro di molte analisi marketing e commerciali, poiché consolidare la fidelizzazione dei clienti è la base della continuità aziendale.
Attraverso l’analisi delle caratteristiche e del comportamento dei clienti, è possibile quantificare la probabilità di ciascun cliente di divenire un churner (un cliente che abbandona), rendendo possibile attivare azioni mirate di retention.
Fraud Detection
La prevenzione delle frodi con R
L’incremento esponenziale della velocità dei mercati, richiede tecniche sempre più avanzate per individuare non solo le frodi già avvenute, ma quei pattern comportamentali che permettono di classificare un utente come possibile “malintenzionato” in maniera anticipata, in modo da poterlo identificare a priori.
Ad oggi infatti l’analisi statistica non è più sufficiente, ma si rendono necessari modelli in grado di relazionare dati eterogenei e mettere in luce il continuo evolvere degli schemi applicati alle frodi che diventano ogni giorno più complessi e sofisticati. Tramite processi di subsampling e oversampling vedremo come si possa ottimizzare il campione dati per migliorare l’implementazione dell’algoritmo.
