LA CUSTOMER RELATIONSHIP MANAGEMENT

Il concetto di customer relationship management (CRM), o gestione delle relazioni con i clienti, è legato, come visto, alla fidelizzazione della clientela. Il CRM si spinge sostanzialmente secondo quattro direzioni differenti:

1. Il mantenimento dei propri clienti;

2. L’aumento delle relazioni con i clienti più importanti;

3. La fidelizzazione più longeva possibile dei clienti che hanno maggiori rapporti con l’impresa;

4. La trasformazione degli attuali clienti in procuratori, ossia consumatori che lodano l’azienda incoraggiando altre persone a rivolgersi alla stessa per i loro acquisti.

Esistono differenti strumenti e diversi livelli di integrazione per quanto riguarda i sistemi di CRM. Un ottimo sistema, in tal senso, comprende una serie di infrastrutture sia a livello di front office che di back office per analizzare e misurare dati e risultati raggiunti. Esistono molti strumenti che le banche possono utilizzare per instaurare un rapporto con il cliente, tra i quali internet e le sue estensioni: ad esempio, ci si può affidare a chat online, forum di discussione e/o ad un indirizzo email. In concomitanza con l’evoluzione dei modelli distributivi sembra ormai assodato che le nuove tecnologie, e soprattutto i canali social, giocheranno un ruolo importante nell’aumentare le occasioni di contatto diretto con la clientela. Le banche sono consapevoli del fatto che i social media non siano una moda passeggera, ma vadano considerati come un ulteriore canale di comunicazione con i clienti, da integrare con quelli che già utilizzano. Questi nuovi canali rappresentano, per gli operatori del settore bancario, un punto d’incontro con i clienti/prospect, delle vere e proprie “piazze virtuali” in cui sviluppare relazioni attraverso una comunicazione aperta, trasparente e costante e su cui fondare le decisioni in termini di offerta, facendo leva sul patrimonio di dati e insight che emergono dalle conversazioni. In questo senso si parla di Social CRM: si deve estrarre valore da queste piattaforme per trasformare la gran mole di informazioni che emerge dalle conversazioni sui social media in conoscenza per il business; è necessario, inoltre, ascoltare la “voce” dei clienti attraverso i social ed osservare e analizzare i loro comportamenti d’acquisto nel tempo, in modo da portare vantaggi a tutta l’industry dei servizi finanziari, sia agli operatori che ai clienti. Con il Social CRM, ovvero incrociando i dati del CRM tradizionale con quelli derivanti dai social media, il settore ha l’opportunità di proporre prodotti finanziari più adeguati, basati non solo su complessi e articolati modelli matematici, ma anche sulle reali esigenze, connessi con lo stile di vita dei clienti (Capaccioni, 2016).

Negli ultimi vent’anni il customer relationship management ha subito svariate evoluzioni e miglioramenti, per arrivare al campaign management in real time mediante tecnologie di ultima generazione quali i Big Data (o Big Data Analytics).

Dalla nascita del concetto di CRM si è puntato sugli analytics, sul “data mining” e sul targeting sofisticato che porta a costruire campagne ipersegmentate. In seguito alla crescita della domanda interna, spinta da un certo successo di queste prime iniziative, è nata l’esigenza di un’automazione dei processi di campaign management, che a sua volta ha portato a progettare campagne ricorrenti giornaliere, i cosiddetti “event trigger”.

Si è passati, dunque, da un approccio che assegnava ai clienti probabilità di acquisto di un prodotto ad un sistema che iniziava a spostare l’attenzione verso l’ascolto dei bisogni del cliente. Il problema riguardava però il fatto che i contatti non erano in tempo reale: si sarebbero dovuti intercettare i bisogni dei clienti nel momento in cui si fossero palesati, in modo da identificare i momenti chiave sul loro ciclo di vita e selezionare il migliore canale per contattarli.

L’introduzione del contact management in real time, però, ha da subito evidenziato due limiti:

- Il primo riguarda la definizione di un evento, ossia la ragione per la quale avviare un contatto in tempo reale con un cliente al fine di proporre un’offerta orientata a soddisfare il bisogno che l’evento stesso fa emergere; - L’altro limite è rappresentato dai costi e dal time to market della realizzazione dei processi informatici per l’alimentazione di ogni singolo evento. I processi automatici di campaign management real time devono passare dai sistemi gestionali della banca, risultano quindi onerosi in termini di costo realizzativo e nei tempi di rilascio.

A questo punto, l’ultimo passaggio da compiere era riuscire a rendere più economica, veloce ed efficace la creazione degli eventi real time. Questo è stato possibile con l’introduzione dei Big Data. Il termine Big Data fa riferimento a quel processo di raccolta, organizzazione ed analisi di grandi insiemi di dati allo scopo di scoprire degli schemi, tendenze, correlazioni ed altre informazioni utili alla crescita del business. Mediante questa nuova tecnologia, le banche possono fare offerte personalizzate ai propri clienti grazie ad una migliore profilazione e conoscenza delle loro esigenze, passioni e abitudini di consumo, creare un miglior

profilo di rischio credito del proprio cliente e dei prospect, effettuare previsioni sui trend dei consumi dei loro clienti e ridurre le inefficienze e favorire l’interazione banca-cliente nella creazione di nuovi prodotti/servizi.

Nel Box 2 si fa un approfondimento sul funzionamento in concreto dei Big Data.

Box 2

Il funzionamento dei Big Data

L’analisi dei Big Data parte dall’incrocio e valorizzazione di dati interni e strutturati provenienti dalle transazioni delle carte di pagamento, dagli investimenti finanziari e immobiliari, dall’anagrafica generale interna alla banca, dall’elenco fidi e affidamenti attuali e storici, da dati esterni tradizionalmente utilizzati dalle banche come “Crif” ed “Experian” e dati non strutturati come registrazioni delle telefonate al call center della banca e post sui social media. È possibile, quindi, costruire modelli di machine learning in real time utilizzando i dati transazionali della banca, associati anche a dati più statici come i saldi e la profittabilità. Inoltre, grazie alla potenza di calcolo dei Big Data, si aprono opportunità nel trattare anche dati non strutturati: causali di bonifico, note di contatto degli operatori di rete e call center, merchant dei pagamenti POS. Per fare ciò viene utilizzato il

natural language processing (NLP), ovvero un insieme di algoritmi che consentono di

estrarre semantica dai dati, effettuare una “sentiment analysis” dei clienti e comprenderne il mood.

In tutti i paesi le banche conservano traccia di miliardi di transazioni dei clienti e di contatti di mutui ipotecari e crediti al consumo; questa enorme massa di informazioni si autoalimenta ogni giorno dal flusso di input provenienti da social media, blog, tweet ed email, che contribuisce ad incrementarne il valore ed il potenziale, pertanto le aziende bancarie hanno un grande interesse ad utilizzare al meglio tali dati. Purtroppo, nella realtà questa gigantesca mole di informazioni è statica e raccolta sporadicamente e parzialmente in una logica di silos e sistemi informativi separati; i dati quindi non sono aggiornati in tempo reale e sono di difficile integrazione e gestione. Mediante un approccio Big Data si fornisce invece valore aggiunto alla raccolta e analisi di questi dati per fini di ritorni di business. Infine, il controllo sistematico dei dati delle transazioni unito all’azione di algoritmi atti a individuare comportamenti sospetti nelle operazioni, potrebbero integrare i processi di compliance degli istituti di credito evitando il riciclaggio di denaro e altri atti illeciti; mentre l’analisi in real time del flusso interno di comunicazioni potrebbe favorire

Come detto sopra, con l’utilizzo dei Big Data è possibile compiere l’ultimo passaggio: dalla logica deduttiva (top down) che è sempre stata utilizzata, si arriva ad una logica induttiva (bottom up).

Ragionando in modo deduttivo, è evidente che se un cliente effettua un prelevamento su un conto non capiente, molto probabilmente necessita di un finanziamento; si parte da un’idea, si cerca riscontro nei dati e, una volta che l’evento si presenta, si invia l’offerta.

La logica induttiva, invece, vuole risolvere il problema derivante dal fatto che la conoscenza umana non può gestire l’associazione multivariata di centinaia di variabili. Questa logica parte dai dati e, a fronte di un obiettivo, impara da essi e scopre regolarità che identificano il bisogno all’interno dei database. Questo approccio è applicabile in tempo reale utilizzando i Big Data:

- Viene elaborato un algoritmo studiando i dati storici nei quali vengono inseriti i dati transazionali;

- L’algoritmo viene alimentato dallo stream di dati in real time e produce come output la probabilità che un cliente sia propenso alla sottoscrizione di un determinato prodotto;

la prevenzione di comportamenti fraudolenti, dunque ridurre i rischi e i costi di eventuali controversie, migliorando la customer satisfaction.

L’utilizzo di dati sensibili mette però in risalto il problema relativo alla privacy e alla proprietà di tali dati. Negli USA tale problema è stato affrontato dalle banche pagando gli utenti per l’utilizzo dei loro dati sensibili, ossia le informazioni vengono raccolte in una sorta di “banca delle informazioni” e chi vuole utilizzarle deve pagare una tariffa direttamente al possessore.

In ogni caso, questa problematica o altre che potrebbero sorgere non sono limitanti dato che, per gli istituti di credito, la sfida principale è riuscire a fornire servizi finanziari innovativi e competitivi negli anni; per farlo è fondamentale l’analisi integrata dei Big Data, dalla quale si possono ricavare tendenze, elaborare strategie per reagire ai fenomeni di concorrenza proveniente da nuovi player non bancari come le Fintech, anticipare esigenze e ridurre i rischi di credito di clienti privati e imprese (Camiciola, 2016).

- Se questa probabilità (detta scoring) è superiore a una determinata soglia, entra in azione il tool di campaign management che si occupa di contattare il cliente con un’email o un SMS.

Questo processo avviene in una manciata di secondi dopo la transazione che ha provocato l’event trigger; inoltre risolve il problema dell’identificazione degli eventi secondo regole e abbatte costi e lentezza nella produzione di dati.

La tecnologia attuale permette questo processo appena visto, ma le potenzialità dei Big Data non sono esaurite. Per gli scenari futuri si sta lavorando su customer journey, sentiment analysis, geolocalizzazione, pricing, scatole nere installate sulle auto grazie alle assicurazioni RCA. Inoltre, è già in produzione un recommender di prodotti bancari che utilizza lo stesso algoritmo sfruttato da Spotify per consigliare musica (Zavattoni, 2017).

Nell’ultimo capitolo vengono prese in considerazione le novità che si stanno già affermando nel settore e che saranno centrali nel prossimo futuro, come le nuove tipologie di clienti, gli ultimi sviluppi della tecnologia e i principali rischi che gli intermediari finanziari si troveranno ad affrontare.

CAPITOLO 4

LE OPPORTUNITÀ E LE MINACCE PER IL SETTORE BANCARIO