Implementazione e strategie del CRM in banca

Una tesi di Laurea sulle problematiche delle strategie di CRM in banca

CRM: componenti tecnologiche

Capitolo III

(terza parte)

Il Customer Relationship Management nel contesto bancario

3.4 – Le componenti tecnologiche del CRM

Premessa

L’ampliamento delle potenzialità relazionali della banca risulta effettivamente subordinato alla disponibilità di un’infrastruttura tecnologica in grado di consentire una visione ampia e comune delle conoscenze, dei processi e delle attività svolte dalle diverse funzioni dell’azienda stessa, di generare nuova conoscenza attraverso tecniche di lettura e ricombinazione delle conoscenze esistenti e di supportare l’interazione e la relazione con i clienti. Si assiste quindi ad un ulteriore passo lungo il percorso evolutivo del ruolo rivestito dall’ICT ( Information and Communation Technology ) ed in particolare dei SIM ( Sistemi Informativi Marketing ), in banca.

Per la realizzazione di progetti di CRM di sicuro successo, bisogna partire dal presupposto che sul mercato non esiste un sistema completo in grado di svolgere tutte le funzionalità necessarie per un’ottimale interazione con la clientela. Ciò significa che, alla base di una strategia di Customer Relationship Management , esiste un’importante attività di system integration , che consente di integrare le singole componenti tecnologiche, a volte già esistenti all’interno dell’azienda, adattandole tra loro e realizzando un’efficace processo di implementazione.

Ed è proprio grazie all’utilizzo integrato delle nuove tecnologie che è possibile ripensare l’intera relazione con il cliente, basandosi in particolare su tre paradigmi:

  • Visione complessiva di tutti i rapporti tra cliente e banca;
  • Possibilità di personalizzare l’interazione;
  • Evidenziazione e fluidificazione del percorso ciclico basato su azioni, risposte e nuove azioni.

Viene così offerta la possibilità di ripensare radicalmente i processi di business delle banche, nelle quali si opera oggi con procedure altamente automatizzate, ma che replicano sostanzialmente quelle di una struttura funzionale burocratica, partendo nel nuovo disegno dal momento decisivo rappresentato dal contatto con il cliente.

All’interno di questo ridisegno, e sempre facendo leva sulle potenzialità della tecnologia, si potrà, eventualmente agendo sulle commissioni, far convergere le transazioni altamente strutturate verso quei canali sui quali il cliente interagisce in auto-somministrazione (si può pensare ai bonifici, richieste di estratti conto, trading on line, e cosi via), concentrando le risorse umane verso quelle forme di servizio nelle quali la componente di un operatore bancario professionale apporta un sicuro valore aggiunto (consulenza finanziaria, concessione di credito…).

Per supportare tale ripensamento è necessario sviluppare un sistema tecnologico integrato, che deve essere necessariamente composito e che deve basarsi sui seguenti elementi essenziali, come si evince dalla figura seguente:

  • Componenti per la raccolta dei dati ( Data warehouse );
  • Componenti per l’analisi dei dati ( Reporting, Olap, Data Mining )
  • Componenti per la definizione dei contenuti ( Content Manager )
  • Componenti per la gestione dell’interazione con il cliente ( Interaction Manager e CIC ) .

Figura 3 : Il CRM a supporto della nuova interazione con la clientela

figura-3

Fonte: FedericiT. (2001), “Il CRM come soluzione per le banche per gestire la complessità e ricavarne valore ridisegnando i processi sulla base dei flussi di informazioni”

3.4.1 – Tre aspetti tecnologici

L’architettura tecnologica del CRM può essere suddivisa in tre macro – componenti:

  • Analitica
  • Operazionale o operativa
  • Collaborativa o di interazione.

L’Analytical CRM può essere visto come la mente del processo di CRM. Esso comprende tutte le tecnologie e le funzionalità necessarie affinché il management aziendale possa progettare le azioni di CRM, organizzarne l’implementazione, verificarne il risultato ed apportare, eventualmente, le modifiche necessarie.

Gli strumenti a disposizione di quest’area offrono la possibilità di analizzare i dati provenienti da tutti i settori aziendali; attraverso strumenti come il Data Warehouse e i Data Mart, le informazioni vengono raccolte e correlate affinché siano pronte per l’analisi. Quest’ultima può avvenire secondo i metodi dell’analisi multidimensionale ( OLAP ), che mira a fornire informazioni aggregate secondo i criteri più utili per la comprensione di un fenomeno, oppure attraverso gli algoritmi di Data Mining , il cui obiettivo è la ricerca di correlazioni non immediatamente evidenti tra i dati provenienti da fonti diverse.

L’Operational CRM raggruppa tutte quelle azioni di CRM che tendono a gestire e a sincronizzare le interazioni dei clienti con le funzioni commerciali, di marketing e di assistenza ed a garantire il coordinamento con l’approvvigionamento e la produzione.

L’ambito dell’ operational CRM è suddiviso in due aree: il front office e il back office . Il front office raggruppa quelle funzioni aziendali a supporto del CRM collaborativo e quindi il marketing, le vendite e l’assistenza ai clienti, garantendo la loro automazione.

In particolare, con riferimento a questa componente del CRM si potrà parlare di applicazioni di:

  • Customer service e Support: nell’era del commercio elettronico, il servizio al cliente si pone in una posizione di sempre maggiore centralità. Per cui dette applicazioni permettono di seguire e di gestire le richieste dei clienti e costituiscono le applicazioni di front office indubbiamente più mature.

Lo strumento più utilizzato in quest’area è il call center che, con Internet, ha subito una graduale ridefinizione volta a consentire i contatti con il cliente via web ( Web call center ). Attraverso l’integrazione di voci e dati i clienti possono visitare il sito e connettersi con un operatore per ottenere un supporto.

L’offerta di un servizio ai clienti via Internet costituisce una soluzione ideale per bilanciare l’esigenza di personalizzare i servizi con quella di ridurre i costi per la banca. I clienti così riceveranno servizi che soddisfano le loro specifiche esigenze, in larga misura tramite il self – service; per cui quando le informazioni o l’assistenza desiderate sono disponibili sul sito web, possono essere ottenute direttamente dal cliente stesso evitando in tal modo lunghi tempi d’attesa negli orari di punta.

Ulteriori modalità di interazione che consentono alla banca di supportare la propria clientela sono: la posta elettronica, i cui vantaggi sono rappresentati da costi del servizio quasi del tutto assenti e dalla possibilità di avvalersi di un numero limitato di risorse umane per gestire una notevole quantità di richieste; le FAQ ( Frequently asked questions ) ossia uno strumento attraverso il quale le domande più comuni poste dalla clientela, e le relative risposte, vengono registrate e raccolte, in modo tale da poter essere consultate facilmente da qualsiasi utente Anche in questo caso i costi sono molto contenuti e c’è notevole consenso da parte dei clienti.

  • Sales Force automation: si fa riferimento ad un insieme di applicazioni che consentono di automatizzare alcuni processi di vendita, permettendo di risparmiare tempo e lavoro, di focalizzare l’attenzione sul cliente e di incrementare la produttività.

Gli attuali software creano un ambiente unitario per gestire tutti gli aspetti inerenti alle vendite e ai contatti con la clientela; per cui le informazioni sui conti, i registri dei contatti, i dati sul credito possono essere consultati dall’operatore in qualsiasi momento e da qualunque luogo. Questi strumenti facilitano inoltre la collaborazione e la comunicazione tra i vari reparti e tra la forza di vendita e il cliente, permettendo di avere una funzione completa e in tempo reale delle interazioni importanti con ogni cliente all’interno di tutta l’organizzazione.

Da un lato, dunque, il settore vendite si avvale di informazioni sempre aggiornate sulla situazione della clientela e di suggerimenti circa le proposte da poter effettuare, date le particolari condizioni della stessa, riducendo notevolmente il materiale cartaceo.

Dall’altro, lo stesso cliente ottiene dei vantaggi consistenti nella possibilità di ottenere informazioni accurate e tempestive, risposte affidabili, esecuzione delle varie operazioni da parte del personale nei tempi promesso, contatti regolari, pertinenti a prescindere dal turnover degli operatori.

  • Entrerprise Marketing Automation: è un’applicazione che consente al settore marketing di generare, raccogliere e gestire informazioni, gestire campagne di marketing attraverso la pianificazione, la valutazione e l’affinamento delle stesse.

Grazie ai moderni strumenti di campain management gli addetti al marketing vengono “sollevati” dallo svolgimento di attività a basso valore aggiunto, per permettere loro di concentrarsi sulle questioni più importanti che caratterizzano una campagna di successo.

Una prima modalità di utilizzo di detti software consiste nella promozione automatizzata di campagne, rivolte a determinati segmenti di clientela scelti in base a caratteristiche prestabilite. Una seconda modalità di impiego di campain management prevede l’utilizzo dei punteggi forniti da software di data mining .

Questo strumento, utilizzando quale input le informazioni sui clienti contenute nel database, costruisce dei modelli predittivi circa il comportamento dei clienti stessi (abbandono, acquisto di un prodotto, etc.). La predizione viene tradotta in un punteggio, e gli score che vengono assegnati a ciascun cliente rappresentano la probabilità che egli assuma un determinato comportamento. Utilizzando questo modello c’è la possibilità di selezionare i prospect più adatti per ciascuna campagna.

Accanto al front-office , abbiamo il back office che comprende le funzioni aziendali deputate alla progettazione, all’approvvigionamento ed alla produzione di prodotti e servizi.

Il Collaborative CRM consente di instaurare rapporti personalizzati con il cliente attraverso i molteplici canali a disposizione delle banche (ATM, POS, Telephone banking, mobile banking, Internet banking, TV Banking, etc.).

Essendo integrato con le aree operazionali ed analitiche, permette di realizzare offerte personalizzate per ogni segmento e categoria di clientela, nonché di aggiornare in automatico i dati relativi alle azioni intraprese sulle altre componenti.

Si tratta maggiormente di sistemi basati su tecnologie Web. In particolare nel settore bancario questa componente rende possibile la personalizzazione dei servizi offerti attraverso i canali distributivi alternativi a quelli di sportello, mediante sistemi di push technology , realizzando interfacce di comunicazione ( pagine web, bancomat, etc.) configurate in automatico e coerenti con le esigenze del cliente.

Sebbene venga generalmente operata una netta distinzione tra le applicazioni customer-facing (CRM operazionale) e la componente analitica, in realtà questa linea di demarcazione è praticamente inesistente. Questo è dovuto, ad esempio, al fatto che gli strumenti di gestione delle campagne interessano sia la componente analitica che quella operazionale dell’architettura, questo perché la pianificazione delle campagne concerne le applicazioni di back-office, mentre l’esecuzione avviene attraverso le applicazioni collaborativa ed operativa.

L’unica differenza, è ravvisabile negli obiettivi che le due differenti componenti del CRM si pongono.

In particolare, mentre il CRM operazionale riguarda tutti gli strumenti studiati e sviluppati per connettersi con il cliente, per gestire un numero elevato di interazioni facendo in modo che tali contatti ed interazioni possano essere registrate, l’ analytical CRM dispone di elementi in grado di raggiungere una conoscenza profonda del cliente. In altri termini consente alla banca di capire chi è effettivamente il cliente, quali sono le sue potenzialità reddituali, quali sono le sue esigenze e come è possibile soddisfarle, massimizzando, nello stesso tempo, la redditività della relazione.

In questo lavoro è stata analizzata, in particolare, la componente analitica del CRM perché è proprio grazie ad essa che detta strategia, se correttamente implementata, è in grado di raggiungere i suoi obiettivi.

Figura 4: La tecnologia a supporto di una strategia di CRM

figura-4

Fonte: Elaborazione propria

3.5 – L’Analytical CRM

La componente analitica del CRM comprende strumenti di integrazione dei dati: data warehouse e data mart, nonché strumenti di analisi: query e reporting, OLAP e Data mining, tutti orientati alla razionalizzazione delle informazioni con l’obiettivo di ottenere una visione unica ed integrata del cliente e lo sviluppo di una strategia di conoscenza dello stesso [56].

[56] Cfr. Vitolo D. (2002), “CRM: strumenti evoluti per il rapporto con la clientela” in MK n. 2

I sistemi di Business Intelligence [57] ( detti anche di Customer Intelligence) riguardano proprio questa macro – componente del Customer Relationship Management , in quanto, partendo da un’archiviazione coerente di tutte le informazioni disponibili sui propri clienti, sono in grado di elaborare analisi su segmenti sempre più fini per studiarne il comportamento nel tempo (ad esempio ipotesi di abbandono, con il passaggio ad un altro segmento).

[57] Consultazione www.valuelab.it

La Business intelligence può essere definita come ricerca intelligente di dati, produzione e analisi in tempo reale di informazioni push, ma soprattutto pull per il supporto ad attività di controllo e di decisione di manager e professional di qualunque livello aziendale [58]. E’ il prodotto dell’analisi di dati quantitativi di business e, sul piano strategico, è destinata a produrre informazioni atte a consentire ai responsabili aziendali di operare decisioni consapevoli ed informate; consente inoltre di stabilire, modificare e trasformare le strategie e i processi di business in modo tale da trarne vantaggi competitivi, migliorare le perfomances operative e la profittabilità e, più in generale, raggiungere gli obiettivi prefissati.

[58] Cfr. Colombo E. (2002), “Business Intelligence: come trasformare i dati in informazioni efficaci riducendo tempi e costi” in Atti del convegno ABI, Roma 12-13 dicembre

Nel CRM analitico si parte, dunque, dagli strumenti di integrazione dei dati, poiché la reale necessità di utilizzare dati per supportare i processi decisionali si scontra con le difficoltà connesse al reperimento dei dati stessi. Molto spesso, infatti, i dati si trovano memorizzati in formati diversi e, quasi sempre, sono utilizzati da sistemi deputati alla gestione operativa. Questa circostanza, nell’ambito di mercati altamente competitivi, in cui il time-to-market [59] si accorcia di giorno in giorno, costituisce un limite notevole.

[59] Il time – to – market viene definito come il tempo necessario ad una società per passare dall’ideazione di un prodotto alla sua immissione sul mercato; ricorrendo ai processi digitali questo tempo si riduce notevolmente. Cfr. B. Gates in “Business alla velocità del pensiero”, 1999

Le banche da sempre hanno archiviato i dati di business ma, l’incompleto sfruttamento del loro potenziale, ha sempre rappresentato un problema di notevole importanza.

Sorge dunque la necessità di gestire la considerevole quantità di detti dati, normalizzandoli indipendentemente dalla fonte di provenienza e rendendoli disponibili all’organizzazione quale supporto ai processi decisionali.

A questa esigenza, sempre più sentita nel mondo delle aziende, offre una risposta concreta il data warehouse.

3.5.1 – Il Data warehouse

Nel sistema bancario l’esigenza di fornire informazioni integrate, in un linguaggio facilmente comprensibile e non di sistema, di coordinare le attività dell’azienda presentando dati che attraversano confini tecnici ed organizzativi e di rendere realmente disponibili dati storici per l’analisi degli eventi, emerge sempre più prepotentemente in un mercato divenuto ormai globale e sempre più soggetto a spinte competitive.

Sotto lo stimolo del mercato, che spinge a sviluppare prodotti e servizi innovativi e a promuovere la diffusione attraverso avanzati sistemi di marketing e a misurare la redditività, si avverte una crescente attenzione delle banche ad un maggior utilizzo delle tecnologie dell’innovazione a supporto delle strategie dell’impresa.

Da diverso tempo dunque, l’obiettivo dei responsabili di tecnologie informatiche è quello di integrare le system legacy application con sistemi che possano supportare l’attività decisionale. In passato sono stati utilizzati diversi approcci [60] che non hanno però portato a risultati soddisfacenti e, soprattutto, non erano in grado di apportare benefici tangibili nei tempi previsti [61].

[60] Si può pensare al data modeling, all ‘information engineering e ad altri approcci che consentivano già di analizzare i dati

[61] Cfr. De Marco M. (1997), “Ruolo, prospettive e applicazioni dell’intelligenza artificiale nel mondo finanziario” in Volume di economia e Finanza aziendale, Giuffré

Da qui, l’introduzione di un nuovo strumento che ha effettivamente consentito un’efficace gestione ed integrazione dei dati raccolti: il Data Warehouse.

Molte sono state le definizioni attribuite a questo approccio; secondo alcuni autori rappresenta un vero e proprio database fisico che contiene dati, secondo altri viene visto come un ambiente con strutture dati finalizzate al supporto delle decisioni, fisicamente separato dai sistemi operazionali [62].

[62] Cfr. Rajola F. (2000), “L’organizzazione delle attività di data warehouse e data mining nel settore finanziario” in Sistemi di CRM e Business Intellicence nel settore finanziario – Aspetti organizzativi e tecnologici, Raiola F. , FrancoAngeli

Secondo la definizione di Inmon (1996), con il termine di Data Warehouse si vuole intendere ” una raccolta di dati, subject oriented, integrata, time variant, non volatile di supporto ai processi decisionali “. Quindi l’integrazione dei dati di un DWH costituisce una premessa necessaria che ne consente una progettazione adeguata e che lo distingue da ogni altro sistema di supporto alle decisioni.

Dalla suddetta definizione ne scaturisce che la raccolta dei dati è:

  • Subject oriented: questo perché il DWH è orientato a temi specifici dell’azienda piuttosto che alle funzioni o alle applicazioni. I dati vengono archiviati in modo da poter essere facilmente letti o elaborati dagli utenti; l’obiettivo è quello di fornire dati che abbiano una struttura in grado di favorire la produzione di informazioni.
  • Integrata: compito di un DWH è quello di integrare i dati provenienti da diverse fonti, interne ed esterne, in modo da a vere una visione complessiva e non settoriale del problema;
  • Time variant: i dati archiviati all’interno di un DWH hanno un orizzonte temporale molto più esteso rispetto a quelli che sono contenuti in un sistema operazionale, che permette di registrare la loro evoluzione. Comunque i suddetti dati vengono registrati fino ad una certa data, solitamente antecedente a quella in cui l’utente interroga il sistema.
  • Non volatile: i dati sono caricati in modo tale che, una volta immessi, non sono più modificabili ma è consentito il loro accesso soltanto in lettura

I processi e i sistemi di Data Warehouse , insieme alla Business Intelligence , si prefiggono lo scopo di riscoprire e valorizzare i “tesori informativi” sommersi da un’enorme quantità di dati operazionali e di scarso contenuto informativo, estraendoli da database aziendali distribuiti sulle piattaforme più disparate ed eterogenee; si consente in tal modo la loro trasformazione in informazioni di business che possano essere utilizzate e fruite da chi, nell’azienda, ha il compito di monitorare, e se necessario modificare, i processi aziendali che concorrono ad alimentare la gain chain aziendale.

Detto strumento è diventato una strategia al servizio dei manager che consente non soltanto di risolvere problematiche di business già esistenti, ma anche di ricercare valore all’interno dell’informazione attraverso sofisticate analisi, con conseguenti vantaggi competitivi per la banca.

Partendo dal presupposto che l’obiettivo di costruire, sviluppare e mantenere nel tempo relazioni profittevoli con i clienti rende indispensabile l’acquisizione ed il corretto utilizzo delle informazioni al fine di arrivare ad una migliore conoscenza del cliente stesso, si può affermare che il Data Warehouse rappresenta il sistema che consente di rispondere nel modo più efficace alle esigenze informative avvertite nell’ambito del CRM, superando i limiti dei tradizionali modelli gestionali nel soddisfarle.

Per la costruzione di un DWH bancario [63] è necessario coinvolgere più domain export interni alla banca, in modo da identificare correttamente i dati necessari e le strategia di acquisizione.

[63] Cfr. Nalucci F. (2001), “Dall’operational CRM all’analytical CRM”, in Lettera Marketing ABI n. 1.

In effetti la complessità dei dati è abbastanza elevata, poiché sono disponibili dati provenienti da:

  • Anagrafica dei clienti;
  • Famiglie di prodotti;
  • Pricing;
  • Touch points;
  • Contabilità analitica;
  • Flussi di ritorno (ABI, Banca d’Italia, etc. )
  • Database esterni;
  • Ricerche di mercato.

I dati che verranno resi disponibili dovranno essere scelti in base a quanti e soprattutto quali ambiti applicativi beneficeranno del Data Warehouse ( si va dall’area risk management al controllo di gestione; dal marketing al product engeneering ).

Prima di tutto, dunque, il DWH è un processo che supporta attività di analisi e di decisione; non genera nuovi dati ma consente di raccogliere, trasformare ed integrare quelli provenienti da una considerevole molteplicità di fonti, per poi renderli disponibili per diversi usi.

Figura 5: L’architettura logica del Data Warehouse

figura-5

Fonte: Rajola F. (2002), “Sistemi di CRM e Business Intelligence nel settore finanziario –

Aspetti organizzativi e tecnologici”, FrancoAngeli

Grazie a questa funzione di raccordo possono essere affrontati e risolti molti problemi legati all’utilizzo diretto degli archivi gestionali ed operazionali per il reporting direzionale, quali:

  • Elaborazioni spesso molto lunghe perché eseguite su tabelle di estremo dettaglio, che richiedono tempi eccessivi ed hanno impatti negativi sulle performance delle applicazioni gestionali;
  • Volatilità dell’informazione conseguente alla continua modifica dei dati gestionali, che non consente di poter ripetere un’analisi in tempi brevi, ottenendo gli stessi risultati;
  • Informazioni frammentate su tante piattaforme diverse, difficilmente accessibili da utenti poco esperti e integrabili tra di loro;
  • Qualità dei dati non adeguata al risultato che una strategia di CRM si pone quale obiettivo;
  • Impossibilità di effettuare confronti tra risultati relativi a diversi periodi di tempo, in quanto la disponibilità on line dei dati storici è limitata soltanto a quelli più recenti.

I sistemi operativi, infatti, non garantiscono l’integrazione poiché “sono separati per applicazione, ciascuna delle quali può presentare differenze nella codifica di un certo valore, nel formato adottato per un dato, nell’unità di misura di una variabile quantitativa” [64].

[64] Cfr. Federici T. (2000), “Sistemi e metodi per trarre valore dalla risorsa informazione”, CISU

Inoltre i dati sono strutturati, trattati e messi a disposizione in modalità tale da supportare la sola operatività; poiché i dati sono organizzati per funzione ( c/c, fidi, carte di credito) separano in più sottoinsiemi le informazioni riguardanti ciascun cliente, con tutti i problemi che ciò comporta in sede di analisi.

I due sistemi, Data Warehouse da un lato e sistema operativo o transazionale dall’altro, presentano dunque delle differenze che possono essere sintetizzate nella tabella seguente:

Tabella 3: Le differenze tra il DWH e il sistema operativo

Data Warehouse Sistema operazionale Utilizzo Supporto ai processi decisionali Supporto ai processi operativi Organizzazione dei dati Per centro di interesse Per funzione Grado di dettaglio dei dati Differenziato Assoluto Storicità dei dati Attuali e storici Solo attuali Modalità di accesso dei dati Solo lettura

Diversificate

(inserimento, variazioni, cancellazioni, lettura)

Applicazioni Flessibili

(possibilità di variare l’oggetto e il metodo dell’indagine) Precostituite Modello dei dati Dati in genere denormalizzati

(il modello è conforme alle dimensioni di un soggetto) Dati normalizzati

( il modello è conforme alle esigenze che derivano dalle transazioni da supportare)

Tali differenze rendono opportuna la separazione dei due mondi: da una parte verranno raccolti ed organizzati i dati transazionali in modo da supportare la normale operatività, da questi verranno poi estratti i dati, trattati ed organizzati all’interno del DWH per le sue specifiche finalità.

3.5.1.1 – L’architettura del Data Warehouse

Le principale componenti di una struttura DWH sono:

  1. i dati provenienti dai sistemi transazionali;
  2. i data movement;
  3. il data warehouse ;
  4. i metadati;
  5. l’utente finale.

Tutti questi livelli operativi del DWH possono esistere soltanto in presenza di due condizioni fondamentali:

  • l’esistenza di un’adeguata organizzazione di supporto al processo , con ruoli e responsabilità ben definiti. Esattamente come, forse più dei sistemi transazionali, un sistema di decision support necessita di figure organizzative con la responsabilità di mantenerlo, soprattutto in chiave evolutiva, per far sì che esso sia costantemente allineato alle esigenze degli utenti di business, condizione necessaria e sufficiente affinché continui ad esistere;
  • il giusto rilievo alla tecnologia di supporto al processo , composta di scelte equilibrate e basate sulle esigenze funzionali del processo stesso.

La tecnologia è particolarmente cruciale per il DWH, date le problematiche di system integration che esso porta con sé. La gestione costante della variabile tecnologica è uno dei fattori critici di successo di questa piattaforma, a partire dalle scelte iniziali per arrivare alla gestione operativa degli upgrade e fino ai vari ampliamenti che vengono attuati al database.

I dati provenienti dai sistemi transazionali: si tratta dei cosiddetti Sistemi Sorgenti, ossia tutti quei dati elaborati dai sistemi transazionali della banca. Possono essere contenuti all’interno di uno stesso database, oppure provenire da differenti database, anche esterni all’azienda. I dati in forma grezza devono essere puliti attraverso operazioni di convalida, correzione ed eliminazione di quelli ridondanti, per poter assicurarne la consistenza e la qualità.

Spesso l’architettura di un DWH precede l’integrazione dei dati interni con quelli esterni, poiché l’utilizzo di questi ultimi consente di arricchire notevolmente il patrimonio informativo.

I data movement : è il software che consente la reale estrazione [65] dei dati dai sistemi operazionali, la loro trasformazione [66], integrazione, nonché il loro trasferimento dalla fonte al DWH o ai data mart.

Il Data Warehouse : è il “contenitore” in cui i dati precedentemente raccolti vengono memorizzati.

[65] La fase dell’estrazione dei dati dai sistemi operazionali, viene solitamente implementata utilizzando i linguaggi proprietari dei sistemi alimentanti. In genere si tratta di strumenti di interrogazione dei dati (query ad hoc) che vengono attivati nei momenti di minor utilizzo del sistema ( la notte, nei week-end…)

[66] E’ la fase a maggior valore aggiunto in quanto viene attivata una ripulitura ( cleaning ) dei dati raccolti. E’ anche la fase in cui si gioca la credibilità di un DWH presso gli utenti, proprio perché spesso quanto viene estrapolato dai sistemi transazionali risulta incompleto o addirittura inadatto a supportare i processi decisionali.

Tale memorizzazione può comunque avvenire o all’interno di un unico database, il DWH appunto, oppure all’interno dei Data Mart.

Con il termine di Data Mart si vuole intendere un data warehouse di piccole dimensioni, orientato a supportare una determinata area di attività. Il successo riscosso da questi strumenti deriva dalla necessità di garantire, alle varie divisioni aziendali, rapidità nella realizzazione delle applicazioni necessarie al loro business e, nel contempo, controllo delle risorse.

Molto spesso si investe in data mart proprio per evitare un investimento in un unico DWH, che risulta più lungo, più costoso e dai risultati poco verificabili.

In alcuni casi il termine Data mart può essere utilizzato per identificare una molteplicità di sistemi di supporto alle decisioni tra loro isolati ed orientati a specifici problemi di business; in altri può essere riferito ad applicazioni locali basate su server che vengono alimentate da un DWH centrale. In questi casa si parla di subsidiary data mart.

I metadati: talvolta indicati con il termine data about data, poiché si tratta dei dati necessari per poter garantire la leggibilità, l’uso e l’amministrazione di quelli contenuti nel DWH, attraverso informazioni relative all’origine, ai processi subiti, agli attuali utilizzatori e alla loro funzione.

L’utente finale: colui che utilizza i dati raccolti nel DWH. Con l’ausilio di appositi strumenti è in grado di effettuare interrogazioni, richiedere rapporti o effettuare analisi in modo approfondito.

Gli strumenti di cui detto utente dispone sono:

  • Il query e reporting;
  • L’OLAP ( On-line Analytical Process)

I primi appartengono alla categoria degli strumenti di interrogazione, ed hanno la funzione di produrre modelli descrittivi di supporto alle decisioni ossia di esplorare i dati al fine di rinvenire le specifiche informazioni richieste. Esempi di interrogazioni possono essere: quali sono i prodotti preferiti dalla clientela retail? Quali sono i 10 migliori clienti?

Per ottenere risposte a questi e altri interrogativi, gli utenti non hanno bisogno di conoscere i complessi linguaggi che vi sono alla base, poiché vengono assistiti da strumenti potenti e di facile utilizzo. Un’altra caratteristica di detti strumenti è che l’interattività è necessaria soltanto in alcune situazioni, mentre nella maggior parte dei casi i rapporti si producono automaticamente, sulla base di richieste preprogrammate.

Il limite principale del query e reporting è costituito dal fatto che ci si basa soltanto ed esclusivamente sui dati presenti nel database.

L’ OLAP costituisce un’altra categoria di strumenti di interrogazione; a differenza dei precedenti che forniscono rapporti predefiniti, questi stimolano le domande e permettono di effettuare analisi causa-effetto, grazie ad una struttura che consente una navigazione tra le informazioni utilizzando, quale viadotto, le gerarchie e le relazioni tra le informazioni stesse [67].

[67] Per esempio, mentre uno strumento di reporting consente di individuare quale è stato il prodotto più venduto in una data area geografica e in un certo periodo di tempo, l’OLAP consente di individuare, per lo stesso intervallo, quale prodotto è risultato più redditizio.

Le caratteristiche salienti dell’ OLAP possono essere riassunte in un’unica espressione ” Fast analysis of shared multidimensional information “, ossia analisi rapida di informazioni multidimensionali (prodotto, cliente, canale, etc. ).

Anche l’OLAP presenta alcuni limiti, tra cui la difficoltà ad arrivare al livello atomico del dato, in quanto i dati vengono analizzati soltanto sommariamente con l’incapacità di andare oltre la rappresentazione statica delle informazioni, perché ci si ferma ad individuare ciò che è accaduto senza cercare di scoprirne i motivi.

Gli ostacoli che si incontrano nell’utilizzo degli strumenti sopra esaminati, che molto spesso non consentono di individuare le motivazioni di acquisto dei clienti oppure cosa occorre fare per trattenerli, possono essere superati con un sistema che utilizzi i dati a disposizione per costruire associazioni, che sia in grado di individuare le relazioni esistenti all’interno dei dati stessi e quindi un sistema che possa essere utilizzato per scopi predittivi: il Data Mining .

3.5.2 – Il Data Mining

Oggi avere dati non costituisce più un problema; il vero e proprio problema, che determina peraltro notevoli difficoltà nell’implementazione di un a strategia di CRM all’interno di un’azienda bancaria, è cercare di utilizzare detti dati ed ottenere informazioni utili.

Tra l’altro gli stessi, sia che si riferiscano all’attività giornaliera della banca, sia che si riferiscano alla clientela, o al mercato e alla concorrenza, si presentano in forma eterogenea, ridondante e non strutturata; se ne deduce che soltanto una piccola parte verrà utilizzata.

Il potenziale informativo dei dati raccolti nel Data Warehouse e nei Data Mart, viene sfruttato al meglio attraverso appositi strumenti di analisi in grado di esplorare il patrimonio di cui si dispone, identificare ed estrarre modelli di interpretazione della realtà necessari per trarne informazioni e cogliere opportunità.

Lo strumento che sicuramente risponde meglio di altri ( OLAP, Query, Reporting ) a tale scopo, è il Data Mining. All’interno di una strategia di CRM l’idea sottostante il DM è quella di sfruttare i dati raccolti ed organizzati dalle banche, relativi al comportamento passato della propria clientela, per determinare le caratteristiche peculiari di ognuno di essi, in modo da comprendere i meccanismi su cui di basano le loro decisioni ed agire per migliorare i propri servizi e la propria redditività grazie ad azioni e scelte più consapevoli e mirate [68].

[68] Cfr. Addolorato F., Ancona A., Scelsi A. (2000), “Behind Marketing Data: l’esperienza della Banca Commerciale Italiana”, in Rajola F. (a cura di), “Sistemi di CRM e business intelligence nel settore finanziario – Aspetti organizzativi e tecnologici”, FrancoAngeli.

Dunque il Data Mining costituisce per le banche uno strumento di sicura efficacia, almeno dal punto di vista concettuale e metodologico, alle problematiche e necessità imposte dalla crescente competizione del settore, i cui risultati in termini di conoscenza acquisita sulla clientela attuale e potenziale porterebbero sicuri vantaggi nell’implementare un efficace progetto di marketing e orientamento al mercato.

Grazie a questo strumento, e superando gli ostacoli che si incontrano utilizzando altri strumenti di analisi dei dati, è possibile arrivare alla comprensione del perché dei fenomeni, andando oltre il l’immagine del passato e proiettandosi nel futuro con l’acquisita capacità di prevedere le esigenze e i bisogni dei clienti. Consente inoltre, alle diverse aree applicative dell’azienda, il miglioramento dei processi conoscitivi e la riduzione dell’incertezza legata all’assunzione di decisioni.

Come per la realizzazione di qualsiasi sistema informativo, anche qui è necessario partire da un’analisi profonda delle esigenze di business. Si tratta in pratica di coinvolgere l’utente ad ogni livello di realizzazione dello stesso, perché non basta verificare i requisiti, ma occorre anche validare i risultati ottenuti e determinarne i livelli di bontà.. Questo aspetto non va trascurato perché nella realizzazione di sistemi transazionali è quasi sempre possibile individuare un processo o un algoritmo e procedere con le successive fasi di automazione .

Nella realizzazione del Data mining si devono determinare proprio gli algoritmi sottostanti e quindi, dopo aver definito i modelli comportamentali, è necessario procedere con una verifica a più passaggi per un progressivo affinamento degli stesso, al fine di implementare un sistema valido.

L’utilizzo del DM per la definizione dei modelli può avvenire secondo due differenti modalità: ad iniziativa mista da parte del sistema e dell’utente oppure automaticamente da parte del sistema.

Nel primo caso l’utente viene assistito da un processo intelligente che compie automaticamente l’analisi secondo dei criteri pre-impostati e identificando campioni significativi.

Nel secondo caso il sistema scopre pattern , mediante la ricerca autonoma di modelli senza alcuna richiesta impostata dall’utente. detto sistema consente di automatizzare il processo di analisi esplorativa dei dati, ed è in grado di effettuare interrogazioni autonomamente. Per raggiungere delle informazioni, viene formulata un’ipotesi, si procede con una query, si conduce un’analisi statistica dei risultati ottenuti, i quali vengono poi visualizzati per modificare le ipotesi. Questo ciclo continua fino a quando non emerge un modello di interpretazione.

La peculiare caratteristica di un DM è rappresentata dalla capacità di trasformare i dati grezzi in informazioni di valore, di aiutare la comprensione del vantaggio competitivo, rendendo ripetibili i successi di azioni passate ed eliminabili gli insuccessi. Sarà possibile rispondere a domande strategiche del tipo: Qual è il profilo dei clienti più profittevoli? Quali sono i clienti che è possibile mantenere più a lungo? Quali sono i prospect più adatti per un nuovo prodotto?

Per Data Mining si intende, quindi, quell’insieme di tecniche che consentono di effettuare l’esplorazione dei dati per scoprire significative regole e modelli nascosti all’interno dei grande database, ovvero quale componente del processo che, partendo dagli stessi, arriva alla scoperta della conoscenza ( KDD – Knowledge Discovery in Database [69] ).

[69] Il KDD è un processo iterativo e interattivo composto da numerose fasi finalizzate alla scoperta di conoscenza: tali fasi prevedono la selezione di un insieme di dati, la purificazione, la trasformazione, l’applicazione di metodi di data mining, l’interpretazione e l’affinamento dei pattern individuati , nonché la valutazione dei risultati.

Le tecniche di Data Mining vengono principalmente utilizzate per effettuare la segmentazione comportamentale, per la costruzione dei profili della clientela e di modelli predittivi. La migliore conoscenza dei cliente consente, infatti, ai professionisti di marketing di predisporre campagne più accurate e più rispondenti ai bisogni, alle esigenze e agli atteggiamenti di clienti e prospect .

3.5.2.1 – Tecniche di Data Mining

Gli strumenti di DM possono essere suddivisi in due differenti categorie di modelli:

  • Modelli descrittivi;
  • Modelli predittivi.

I Modelli descrittivi aiutano ad interpretare la massa di dati presenti nei database al fine di supportare il processo decisionale; essi si distinguono in:

  • Clustering: detta tecnica viene utilizzata in ambito bancario per effettuare una segmentazione comportamentale della clientela, la quale viene suddivisa in gruppi omogenei senza la previa individuazione di fattori discriminanti, ma sulla base di informazioni a disposizione riguardanti il possesso e l’uso dei prodotti e servizi bancari. La costruzione di clusters comportamentali è un’operazione che deve essere ripetuta continuamente nel tempo, poiché i comportamenti dei clienti si evolvono relativamente a differenti fattori tra i qual le stesse politiche adottate dalle banche.
  • Associazioni: consentono di individuare i prodotti e i servizi che generalmente vengono acquistati dai clienti congiuntamente ( ad es.: se il cliente acquista il prodotto X, c’è una probabilità parti al 70% che acquisti anche il prodotto Y );
  • Sequenze: permettono di scoprire le sequenze tipiche di acquisto di prodotti e servizi (ad es.: qual è la probabilità che un cliente acquisti il prodotto Y dopo aver acquistato il prodotto X? )
  • Visualizzazione: questo modello permette di individuare pattern all’interno di un set di dati. Hanno il vantaggio di ridurre considerevolmente una notevole quantità di numeri in immagini facilmente interpretabili. Si ricorre a questa tecnica generalmente all’inizio di un processo di Data Mining per verificare approssimativamente la qualità e la consistenza dei dati oppure per interpretare i risultati di analisi condotte con altre tecniche.
  • Sommarizzazione: permette di ridurre grandi quantità di dati in sintesi significative degli stessi.

I Modelli predittivi, più utilizzati rispetto a quelli descrittivi, utilizzano i dati comportamentali relativi a campagne di marketing passate per prevedere i comportamenti futuri del cliente, le risposte alle promozioni, la redditività del cliente, il rischio di abbandono. Ovviamente detta capacità di previsione dipende da quanto si ha a disposizione e dal corretto utilizzo del DM.

Queste tecniche danno la possibilità di individuare i prodotti e i servizi che con maggiore probabilità verranno acquistati da ogni cliente, sulla base di quelli di cui si è già in possesso e di quelli già proposti e rifiutati. Permettono inoltre di individuare i segmenti economicamente più interessanti, dando così indicazioni circa la strategia da adottare.

Si hanno due tecniche:

  • Classificazione : Utilizza dati simili a quelli sfruttati nel clustering ; con essa è possibile non solo comprendere più a fondo la clientela su cui viene effettuata la classificazione e predirne i comportamenti futuri, ma è possibile, dopo aver individuato le caratteristiche di un prospect, averle confrontate con quelle delle classi individuate e aver collocato lo stesso nella classe più appropriata, predire anche il comportamento di questo cliente potenziale.
  • Regressione : Sfrutta la conoscenza di alcuni valori per predirne altri non ancora noti.

Attraverso queste tecniche di analisi è possibile definire, con maggiori probabilità di risposta positiva ( redemption ), azioni efficaci finalizzate all’acquisizione, allo sviluppo e al mantenimento dei clienti.

Il grafico seguente mostra, in termini di redemption , i diversi impatti delle campagne registrati da Ambers Bank utilizzando differenti tecniche per la definizione dei target delle campagne, in particolare:

Grafico 8 : Il Data Mining a supporto dell’aumento di redemption

grafico-8

Fonte: Perego M. “Come utilizzare la conoscenza del cliente per incrementare la profittabilità dei serivi finanziari: le esperienze di Unicredito Italiano”, Milano 21 Luglio 2000

Autore: Alessandra77

Condividi questo articolo su

Invia commento

Il tuo indirizzo email non sarà pubblicato.