DIGITAL BANKING HUB. Big Data & Predictive Analytics. Secondo Tavolo di Lavoro. CeTIF - Università Cattolica 20 Giugno 2017

(1)

Big Data & Predictive Analytics

Secondo Tavolo di Lavoro

CeTIF - Università Cattolica – 20 Giugno 2017

(2)

AGENDA

• Apertura dei lavori e presentazione degli obiettivi

• Big Data & Advanced Analytics: fonti dati e progettualità

• Intervento a cura di CRIF Networking Lunch

• Il modello organizzativo per il Big Data

• Chiusura dei lavori e next step

(3)

Il CeTIF

CeTIF dal 1990 realizza studi e promuove ricerche sulle dinamiche di cambiamento strategico e organizzativo nei settori finanziario, bancario e assicurativo.

Tra i partner istituzionali di CeTIF figurano: Banca d’Italia, IVASS, ABI, ANBP, ANIA, AIPB e CONSOB.

In seno a CeTIF è stato costituito il CEFIRS - Centre for European Financial Regulations Studies - un Osservatorio Permanente sulla regolamentazione nel settore finanziario, bancario e assicurativo.

Il CeTIF è, inoltre, socio fondatore del FIT: l’Associazione europea dei centri di ricerca sulla finanza e l’Information Technology.

STRATEGIA FINANZA INNOVAZIONE

RICERCA 15 strutture di ricerca quali Competence Centre e HUB, cui partecipano oltre 20.000 professionisti

WORKSHOP ^Oltre10 workshop all’anno dedicati a banche, compagnie assicurative e aziende non finanziarie

PUBBLICAZIONI realizzate da qualificati docenti e ricercatori provenienti dal mondo accademico, scientifico e finanziario

PERCORSI FORMATIVI

É presente la struttura CeTIF Academy, scuola di alta formazione universitaria che ha l’obiettivo di trasferire le conoscenze sviluppate in oltre 20 anni di ricerca.

(4)

IL CALENDARIO DELL’INIZIATIVA

STREAM I

• utilizzo di strumenti connessi (blackbox, whitebox, sensori,…), smarth watch, I- Beacon e tecnologie per l’interazione con la clientela;

• Offerta di servizi e prodotti (anche non bancari) in modalità contestuale, personalizzazione ed evoluzione della customer experience;

• Analisi dei dati provenienti dai punti di contatto, utilizzo di API e strategie di integrazione di componenti innovative negli attuali modelli di servizio;

• Metodologie di svluppo e modelli organizzativi e di governo dei progetti di innovazione (Scaling Agile, tribes, squads, Innovation HUBs, ecc.).

STREAM II

• adozione di piattafome autoapprendenti, cognitive computing e gestione dinamica della customer journey;

• definizione di modelli di marketing dinamici (es. basati sui dati biometrici, di contesto e sensori);

• utilizzo di fonti informative interne ed esterne per la conoscenza del cliente, i suoi bisogni e la relativa clusterizzazione;

• analisi predittive e strumenti BIG DATA per la creazione di nuovi prodotti, servizi e modelli di relazione.

STREAM III

• Caratteristiche e funzionalità delle Aree Riservate e delle App Mobile;

• Utilizzo dei Social Media come strumento di relazione, engagement e servizio al cliente;

• Requisiti di usabilità, personalizzazione dei percorsi utente, logiche di comunicazione, modalità di autenticazione e sicurezza;

• Governo della relazione con il mondo delle Fintech, definizione di Partnership, Digital Marketplace e nuovi servizi;

• Adozione di strumenti per la consulenza da remoto e Robo Advisory.

contributo di:

DIGITAL BANKING BENCHMARKING

STEERING COMMITTEE MEETING

MOBILE, SOCIAL BANKING E FINTECH

DIGITAL BUSINESS, REMOTE & ROBO ADVISORY IOT, WEARABLE DEVICE E I-BEACON

AGILE INNOVATION E API ECOSYSTEM

OMNICHANNEL EXPERIENCE SUMMIT

COGNITIVE COMPUTING E DYNAMIC CRM

BIG DATA E PREDICTIVE ANALYTICS

IoT & INNOVATION GOVERNANCE SUMMIT 7 Febbraio

7 Marzo 4 Aprile

26 Aprile

30 Maggio 20 Giugno

11 Luglio 26 Settembre

25 Ottobre

STREAM I

IoT & New Digital Experience

STREAM II

Big Data &

Customer Insight

STREAM III

Omnichannel

& Digital Banking

(5)

AGENDA

• Apertura dei lavori e presentazione degli obiettivi

• Big Data & Advanced Analytics: fonti dati e progettualità

• Intervento a cura di CRIF Networking Lunch

• Il modello organizzativo per il Big Data

• Chiusura dei lavori e next step

(6)

APIs – or Application Programme Interfaces – are technology that allow banks and other companies to conveniently and securely share data between their organizations.

AGGREGATION

MONITORING

RECOMMENDATION

AUTOMATION

PAYMENT REQUESTS ANALYSIS

CONVENIENCE SEMPLICITY SPEED

Esporre in modalità pubblica o privata le proprie APIs, possibilità di espandersi nella maniera più veloce e facile e a creare Piattaforma

Permette alle terze parti di creare nuove applicazioni sulla base di quelle esistenti, con un minore costo e

time-to-market

(API come sistema per lettura dei dati)

Accesso customer base

Gli operatori tradizionali possono dare accesso alla loro customer base a soggetti terzi incrementando

l’importanza del loro brand e della fidelizzazione (API come sistema per lettura dei dati e primo step

canale comunicazione ai clienti degli operatori tradizionali)

(7)

AISP PISP

CISP

Card-based payment Instrument Service Provider:

Emette carte di debito a valere su conti correnti detenuti presso altri provider (i.e. le Banche) ACCOUNT INFORMATION

Authentication and Authorization API Account balance Data API

Transaction history API

PAYMENT INITIATION

Authentication and Authorization API Dynamic Linking

Payment Transfer initiation API Sufficient funds check API CUSTOMER TRANSACTION DATA

Customer Information API Payment information API

(8)

API: OPZIONI STRATEGICHE PER PISP E AISP

AISP: MONETISATION OF CUSTOMER SERVICES PISP: CROSS SELL & LOYALTY OPPORTUNITIES

Il cliente seleziona online il pagamento

tramite PISP

Open API tra il sito e-commerce

e la banca

PISP Services Cross sell Bank service Loyalty service

La banca offre prestiti pre approvati

per la transazione

Il credito viene approvato e la transazione eseguita

Il cliente riceve loyalty points

Il cliente utilizza i loyalty points per acquistare di nuovo

Alternative actions

Aggregazione dati sulle transazioni

Derivazione e visualizzazione di

Insights

Aggregation Service Analysis Cross sell Bank service

Identificazione del bisogno (e.g.

acquisto volo)

Offerta Piani di risparmio con raccomandazione di

Offerta di informativa e consigli

(e.g. pianificazione

Relevant product positioning

Pre-approved credit upsell

Loyalty points

Wealth advisory

Prediction of customer needs

Cross selling

Personal lending Customer Exp service

Offerta del prestito per il bisogno (e.g

viaggio)

(9)

Dati e risultati real time

Complessità del dataset Informazioni non strutturate e da fonti multiple

Potenziale di interazione delle basi dati

Valore derivante dall’uso di tecniche innovative di analisi

Dimensione delle basi dati

Devo immagazzinare tutti i dati che intendo elaborare?

Devo analizzare tutti i dati che ho raccolto?

Ci sono dati più importanti e significativi di altri?

BIG DATA FAQ

(10)

SURVEY DIGITAL GOVERNANCE

Durante il Digital Banking HUB è stata svolta una survey di 13 domande, suddivise in 4 sezioni, per indagare le diverse modalità di Governance del digitale

- Sezione A - AREE DI INVESTIMENTO

- Sezione B - GOVERNANCE

- Sezione C -

COMPETENZE E MODELLI DI SOURCING AMBITI DI INDAGINE

• 10 Banche rispondenti

• Banca popolare di Sondrio

• Banca ITB

• CheBanca!

• CREDEM

• Crédit Agricole

• ICCREA Banca

• UBI Banca

• Unicredit

• Unipol Banca

• SEC Servizi

- Sezione D -

PROGETTUALITÀ E STRATEGIE

(11)

Il patrimonio informativo della Banca, da qui al 2020

20 %

0 %

30%

0 % 0 %

30% 30%

20%

50%

10%

0 %

10 %

0%

10,0%

0%

50%

10%

0%

10%

20%

30%

40%

50%

60%

Sviluppato o presente internamente alla

Banca

Società strumentale Consulente esterno Società consortile Altra banca interna al gruppo Residuale Equamente ripartito Secondario Prevalente

22% 0% 78%

31%

PREVISIONI 2020 INVESTIMENTI

MEDI 2016

Domanda 1 –Quota percentuale degli investimenti in IT effettuati per Analytics

Domanda 9 – Le competenze e i modelli di sourcing

20%

80%

Vengono ricercate principalmente al di fuori della propria organizzazione per internalizzarle acquisendo le risorse necessarie

Esiste una integrazione tra sviluppo delle competenze interne ed ricerca di nuove competenze richieste dal Business

Il 75% non ha previsto modifiche all’assetto adottato per le competenze. Quando modifiche sono presenti, esse vanno nella direzione di internalizzare presso componenti bancarie o esternalizzare presso fornitore esterno.

Le modifiche alla dotazione di competenze Digital Il reperimento delle competenze

(12)

0,00,5 1,01,5 2,02,5 3,03,5 4,04,5 5,0

A1 - Risk Managem

ent

A2 - Controllo

di gestione

A3 - Complianc

e A4 - Audit

AS IS TO BE

PROCESSI DI GOVERNO

2- 5 Considerando le aree di investimento IT identificate, indicare il livello di impatto attuale (2016) ed atteso (2020) su: processi di governo, supporto, operation e Marketing

[Indicare su una scala da 0 a 5 la significatività dell’impatto delle tecnologie sui seguenti processi/funzioni]

DOMANDE 2 - 5 – AREE DI IMPATTO SUI PROCESSI - Analisi Dati e Advanced Analytics

Variabile A - PROCESSI DI GOVERNO AS IS TO BE

A1 - Risk Management 2,50 4,40

A2 - Controllo di gestione 2,70 3,90

A3 - Compliance 2,10 3,50

0,00,5 1,01,5 2,02,5 3,03,5 4,04,5 5,0

B1 - Gestione sistemi IT

B2 - Sicurezza

B3 - Amministrazion

e B4 -

Organizzazione e HR

AS IS TO BE

Variabile B - PROCESSI DI SUPPORTO AS IS TO BE

B1 - Gestione sistemi IT 2,90 4,70

B2 - Sicurezza 2,40 4,10

B3 - Amministrazione 0,90 2,10

PROCESSI DI SUPPORTO

(13)

2- 5 Considerando le aree di investimento IT identificate, indicare il livello di impatto attuale (2016) ed atteso (2020) su: processi di governo, supporto, operation e Marketing

[Indicare su una scala da 0 a 5 la significatività dell’impatto delle tecnologie sui seguenti processi/funzioni]

DOMANDE 2 - 5 – AREE DI IMPATTO SUI PROCESSI - Analisi Dati e Advanced Analytics

0,00,5 1,01,5 2,02,5 3,03,5 4,04,5 5,0

C1 - Credito

C2 - Finanza

C3 - Incassi e Pagamenti C4 - Servizi

Bancari tipici

AS IS TO BE

PROCESSI DI OPERATION

Variabile C - PROCESSI DI OPERATION AS IS TO BE

C1 - Credito 2,60 4,20

C2 - Finanza 1,50 3,40

C3 - Incassi e Pagamenti 2,20 4,20

C4 - Servizi Bancari tipici 2,30 3,90

0,00,5 1,01,5 2,02,5 3,03,5 4,04,5 5,0

D1 - Gestione canali di contatto

D2 - Pianificazione e

sviluppo commerciale

D3 - Marketing D4 - CRM

D5 - Customer Service

AS IS TO BE

Variabile D - PROCESSI MARKETING E CUSTOMER SERVICE AS IS TO BE D1 - Gestione canali di contatto 2,20 3,90 D2 - Pianificazione e sviluppo commerciale 2,50 4,50

D3 - Marketing 2,80 4,30

D4 - CRM 3,10 4,80

D5 - Customer Service 2,00 3,70

PROCESSI DI MARKETING

(14)

Use Case: esempi

Area Ambito Obiettivi

Credito e rischio di

credito Prestiti personali

Miglioramento della valutazione del rischio di credito e miglioramento della velocità di erogazione (instant landing)

Rating SME

Sviluppo di variabile qualitativa al rating con informazione sulla filiera dell’impresa

Crediti forborne

Analisi di relazioni di imprese in situazioni di crediti forborne per finalità di valutazione del credito (performing o non permorming)

Compliance e

controlli interni KYC & AML

Analisi testuale della causale dei bonifici con finalità di rilevazione di operazioni anomale o sospette.

Integrazione dei report di

compliance, audit, risk management

Analisi testuale dei report del sistema dei controlli interni per comprendere aree di analogie/differenze per valutare l’efficacia del sistema dei controlli interni

Frodi interne

Analisi di comportamenti e relazioni per individuare nuovi pattern di sospetta frode

(15)

Use Case: esempi

Operations, organizzazione

Ottimizzazione dei carichi lavoro sulle reti commerciali

Previsione/valutazione trend di assenza degli operatori filiali, per ottimizzare le sostituzioni/assenza via ottimizzazione delle risorse polivalenti (es. gestione dei vincoli di trasferta, formazione di nuove persone, etc.)

Call center (audio mining)

Attraverso il riconoscimento vocale, analisi dei picchi e analisi del testo e creazione di un modello per la categorizzazione delle parole chiavi, al fine di arricchire profilo del cliente e valutazione delle operation del Call Center

HR

Analisi del paniere retributivo a livello di singolo dipendente

Fotografia dell'andamento retributivo degli ultimi anni e di come si distribuisce la politica di Total Compensation su vari parametri come la retribuzione fissa, variabile e i Benefit. Evidenza di come si posiziona il salario del dipendente rispetto al mercato

Talent Acquisition & Employer Branding

Ricerca e categorizzazione delle parole chiave (ruolo, esperienza, società, ecc.)

Assessment Matrix:

Retention Risk Vs Loss Impact

Classificazione della workforce secondo due dimensioni: il Retention Risk e il Loss Impact (High/ Low). Segmentazione della popolazione in modo da poter adottare strategie di Retention e People Development personalizzate e di monitorare i ritorni se incrociate con altre variabili come la formazione eseguita, la gap analysis delle competenze e la politica retributiva adottata

(16)

Use Case: esempi

Marketing e

commerciale Propensity analysis

Modelli di propensione e monitoraggio performance, al fine di ottimizzare ed automatizzare le campagne di marketing

Analisi performance commerciale (clienti retail e/o SME)

Analisi della performance commerciale comparando dati passati con dati prospettici legati ai dati di territorio e dati di

comportamento del cliente in portafoglio

Analisi della marginalità cliente

Analisi conto economico per cliente, attraverso i costi interni della banca per osservarne l’impatto sulla marginalità del cliente, attraverso la definizione di un processo di ABC

Wealth management e

welfare Propensity analysis

Modelli di propensione e monitoraggio performance, al fine di ottimizzare ed automatizzare le campagne di marketing

Stima del patrimonio del cliente

Modelli di stima del patrimonio attraverso integrazione di fonti informative esterne

Stima esigenze di servizi di welfare

Modelli di stima della situazione contributiva del cliente retail valutando situazione lavorativa

(17)

0% 90% 10%

L L L L L

M M

M

H H H H

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

Tempi e gradi di adozione incerti da parte della clientela Mancanza di competenze Implementabilità del progetto sui sistemi della Compagnia (Digital vs

Legacy)

Aspetti normativi e di compliance Mancanza di budget NON VI SONO INIZIATIVE IN

ATTO NE PREVISTE

AVVIATA O IN CORSO NEL

2016 PREVISTA ENTRO IL 2020

LE INIZIATIVE DI INNOVAZIONE E I MAGGIORI VINCOLI AI PROGETTI

Domanda 8 – I maggiori vincoli ai progetti di Analytics Domanda 6 – Lo stato delle iniziative dei progetti di Analytics

(18)

DOMANDA 13: Il patrimonio informativo della Banca, da qui al 2020

Per quanto riguarda il patrimonio informativo della Banca, da qui al 2020:

[Grado di accordo 1-5]

2,67

3,11 3,11

3,56

1,67 3,89

4,22 4,22

4,56

2,89

0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0

Si inizierà ad investire su tecnologie in grado di raccogliere, processare ed analizzare grandi quantità

di dati

Si continuerà l'investimento sulle tecnologie in grado di raccogliere, processare ed analizzare grandi quantità

di dati

Saranno effettuati investimenti sull’integrazione di dati

interni con fonti dati esterne alla banca

Si porteranno a valore gli investimenti effettuati impiegando il patrimonio informativo per migliorare i processi interni della banca

(es. clusterizzazione dei clienti)

Impiego dei dati per la generazione di ricavi al di

fuori dei tipici servizi bancari (es. vendita dei dati

a terze parti)

MEDIA 2018 MEDIA 2020

(19)

SURVEY CIPA-ABI LAB

INDAGINI

• Banco Popolare

• Intesa Sanpaolo

• Monte dei Paschi di Siena

• UniCredit

• Unione di Banche Italiane

•

«Rilevazione dello stato dell’automazione del sistema creditizio» - 2014

•

«Le Rilevazioni sull’IT nel Sistema Bancario»- 2017

• Banca Nazionale del Lavoro

• Banca Popolare dell'Emilia Romagna

• Banca Popolare di Milano

• Banca Popolare di Sondrio

• Banca Popolare di Vicenza

• CARIGE

• Cariparma-Crédit Agricole

• Credito Emiliano - CREDEM

• Credito Valtellinese

• Deutsche Bank

• Mediobanca

• Veneto Banca

22 GRUPPI RISPONDENTI

• Banca Sella

• Banco di Desio e della Brianza

• CR Asti

• CR Ravenna

• Unipol Banca

5 GRUPPI «PRINCIPALI» 12 GRUPPI «MEDI» 5 GRUPPI «ALTRI»

(20)

Fonti dati considerate nell’ambito delle soluzioni Big Data

0%

25%

63%

100%

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

Fonti private con accesso a pagamento Fonti private ma disponibili al pubblico Fonti pubbliche Fonti interne rese appositamente accessibili Fonti interne già esistenti

(21)

Processi aziendali fornitori di dati per soluzioni Big Data

13%

25%

38%

50%

63%

75%

0% 10% 20% 30% 40% 50% 60% 70% 80%

Controllo direzionale/gestione

Amministrazione e contabilità

Segnalazioni

Risorse umane

Estero

Applicazioni trasversali

Help desk

Gestione processi IT

Finanza e tesoreria

Monetica

Risk Management

Credito

Supporto commerciale

Incassi e pagamenti

Canali diretti con la clientela

(22)

Utilizzo delle fonti dati nei progetti IT per la CX

4,5 4,5 4,5

13,6 18,2 18,2 18,2 18,2

22,7

50,0

4,5 4,5 4,5

9,1 18,2

22,7

13,6 18,2

22,7 27,3

40,9

50,0

27,3

45,5 18,2

27,3

36,4

54,5 22,7

27,3 9,1

27,3 27,3

31,8 18,2

13,6

50,0 72,7

54,5

50,0

27,3 45,5

40,9 45,5

31,8 22,7

9,1 9,1 9,1

9,1 9,1

4,5 9,1

4,5

0 20 40 60 80 100

Social media Sensori di geolocalizzazione Log da customer journey analytics/mapping Clickstream/clickpath data Fonti dati esterne Dati da analisi prestazionali su infrastrutture…

Email ERP Survey, feedback Base dati Customer Care Analytics sui risultati di business Dati transazionali interni CRM

Alto Medio Basso Scarso o nullo Non risposto

(23)

13,6

40,9 40,9

45,5 50,0 50,0

54,5 59,1 59,1

63,6 63,6 63,6

72,7

59,1

54,5 45,5

45,5 45,5

50,0 45,5 27,3

40,9 31,8 31,8

36,4 27,3

18,2

4,5 4,5

4,5 4,5 4,5

4,5

9,1 9,1

4,5 9,1

4,5

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

ERP Sensori di geolocalizzazione Dati da analisi prestazionali su infrastrutture…

Email Fonti dati esterne Dati transazionali interni Survey,feedback Log da customer journey analytics/mapping Social media Clickstream/clickpath data Base dati Customer Care CRM Analytics sui risultati di business

Crescita Stabilità Diminuzione Non risposto

Trend 2017-2018 di utilizzo delle fonti dati nei progetti IT per la CX

(24)

Posizionamento delle fonti dati utilizzate per i progetti IT per la CX

CRM

ERP

Dati transazionali interni

Analytics sui risultati di business

Base dati Customer Care

Fonti dati esterne Email

Social media Dati da analisi

prestazionali su infastrutture e/o

applicazioni -Clickstream/clickpath

data -Log da customer journey analytics

/mapping Surveys, feedback

Sensori di geolocalizzazione

Livello di utilizzo al 2016

Trend di utilizzo 2017-2018

(25)

Opportunità per la diffusione dei Big Data

0= Nessuna rilevanza 5 =Rilevanza massima

4,80 4,70 4,30 4,20 4,10 4,10 3,70 3,00

3,00

3,50 2,30

2,60 2,20

2,40 1,80

1,80

0,00 0,50 1,00 1,50 2,00 2,50 3,00 3,50 4,00 4,50 5,00 Sviluppare business sui clienti attuali (nuovi

cluster, opportunità di up/cross selling,…

Incrementare la conoscenza del cliente (conoscere bisogni, abitudini, ...) Innovare modello di servizio (customer experience, canali/punti di contatto con il…

Engagement e lead generation su clienti prospect

Sviluppare l'offerta di nuovi prodotti/servizi Migliorare i processi decisionali in ambito di

strategie commerciali e marketing Ottimizzare l'efficienza operativa (revisione

processi commerciali, …)

Adempimenti normativi e compliance (es.

Data Governance e Quality, valutazione…

2017

2020

(26)

Criticità per la diffusione dei Big Data

2,80 3,00 2,30

2,40 2,30 2,20 1,00

4,50 4,40 3,70

3,60 3,40 3,20 2,60

0,00 0,50 1,00 1,50 2,00 2,50 3,00 3,50 4,00 4,50 5,00

Difficoltà nella definizione di indicatori quali- quantitativi / misurazione ROI

Alti costi di implementazione/ budget Cultura organizzativa poco "data-oriented"

Insufficiente disponibilità di profili professionali/competenze interne Scarso commitment del Top Management Scarso grado di allineamento tra business e IT Scarsa competenza/proattività di fornitori

2017 2020

(27)

(28)

Cresce il peso delle fonti digitali

0,00 0,50 1,00 1,50 2,00 2,50 3,00 3,50 4,00 4,50 5,00

Sentiment Clustering Next Best Offer Customer Journey Customer Insight Credit Scoring

Tradizionali Digitali IoT

0,00 0,50 1,00 1,50 2,00 2,50 3,00 3,50 4,00 4,50 5,00

Sentiment Clustering Next Best Offer Customer Journey Customer Insight Credit Scoring

Tradizionali Digitali IoT

2017

2020

0= Nessuna rilevanza

5 =Rilevanza massima

(29)

Le fonti più rilevanti

20

14,90

13,80

25,80 25,40 24,42

0 5 10 15 20 25 30

2017

2020

(30)

I Social Media aprono nuove possibilità per la connessione con i clienti. Brand, prodotti e servizi vengono discussi su piattaforme social variegate, generando volumi di comunicazioni imponenti. Strumenti di Sentiment Analysis permettono la rapida lettura di questa mole di dati, aiutando a comprendere che cosa le persone apprezzano o meno a proposito di un prodotto o servizio venduto.

OBIETTIVO

comprendere il sentiment verso prodotti e servizi tramite l’analisi dei commenti online.

COME

elaborare i commenti online tramite algoritmi di text analytics.

FONTI

Social Network, blog e siti specialistici.

OBIETTIVO

individuare i clienti con maggiore influenza dinamiche di passaparola.

COME

misurare la quantità delle conoscenze dei clienti tramite link analysis;

misurare il livello di interazioni con altre persone tramite algoritmi decision trees.

FONTI

profili interni del cliente, informazioni demografiche e informazioni da Social Network e altre terze parti.

Cosa dicono i clienti online, fuori dai canali della Banca?

Cosa dicono i clienti ai canali

della Banca? Chi sono i clienti chiave?

OBIETTIVO

comprendere il sentiment verso prodotti e servizi tramite l’analisi dei feedback all’Istituzione.

COME

elaborare i commenti tramite algoritmi di text analytics.

FONTI

commenti alla pagina dell’Istituzione sui Social Network, commenti ai call center, commenti in filiale.

(31)

FONTI DATI: Sentiment Analytics

0,00 0,50 1,00 1,50 2,00 2,50 3,00 3,50 4,00 4,50 5,00

Dati anagrafici cliente, recapiti, nucleo familiare

Comunicazioni banca-cliente (email, …)

Documentazione raccolta

Banche dati esterne / data provider

Fonti Istituzionali (Banca d'Italia...)

Indagini di customer satisfaction

Iniziative di profilazione (es.

survey online/punti di contatto fisici)

Social Media e Blog Servizi di terze parti - Big Player

(es. google) Servizi di terze parti - Fintech

Mappe di navigazione (es. pagine visitate, provenienza, cookie, …) Dati provenienti dai pagamenti Dati biometrici e sullo stato di

salute

Abitudini comportamentali (sport, stile di guida,

alimentazione, …)

Abitudini di spostamento, percorsi, trasporti

Informazioni di geolocalizzazione

2017 2020 Dati provenienti dai pagamenti

Comunicazione banca-cliente Dati anagrafici cliente, recapiti…

2,90 2,80 2,70

Social Media e Blog

Servizi di terze parti – Big Player Comunicazione banca-cliente

4,80 4,50 4,40

TRAD.

DIGITALI DIGITALI

DIGITALI

TRAD.

DIGITALI

2017 2020

(32)

Il clustering è il processo di divisione dei clienti che condividono le stesse caratteristiche in cluster omogenei.

Un processo già ampiamente esistente che i Big Data possono facilitare e rendere più preciso.

OBIETTIVO

costituire cluster coerenti con la costruzione di programmi di marketing mirati.

COME

segmentare tramite algoritmi di clustering.

FONTI

tutti i dati disponibili sul cliente, specialmente se già strutturati su particolari categorie demografiche.

Come dividere i clienti?

OBIETTIVO

sapere quanto ogni cliente è disposto a pagare per un cliente.

COME

segmentare tramite algoritmi di clustering per definire i cluster; assegnare i clienti prospect ai cluster tramite decision trees.

FONTI

dati sulle transazioni, profili interni del cliente.

Come ottimizzare il pricing?

Come fidelizzare i clienti?

OBIETTIVO

definire segmenti per offrire promozioni dirette

specificatamente alla fidelizzazione.

COME

analizzare cosa i clienti considerano importante tramite algoritmi di clustering.

FONTI

OBIETTIVO

identificare cluster

profittevoli a cui dedicare trattamenti specifici.

COME

segmentare tramite algoritmi di clustering.

FONTI

dati demografici, la frequenza e le occasioni di acquisto, dati di vendita.

Come costruire relazioni coi migliori

clienti?

(33)

FONTI DATI: Clustering

0,00 0,50 1,00 1,50 2,00 2,50 3,00 3,50 4,00 4,50 5,00

Mappe di navigazione (es.

pagine visitate, provenienza, cookie, …)

Dati provenienti dai pagamenti Dati biometrici e sullo stato di

salute

alimentazione, …)

2017 2020 Dati anagrafici cliente, recapiti…

Dati provenienti dai pagamenti Banche dati esterne/data provider

3,80 3,80 2,40

Dati provenienti dai pagamenti Informazioni di geolocalizzazione Servizi di terze parti – Big Player

4,80 4,40 4,30

TRAD.

DIGITALI

DIGITALI IOT

2017 2020

(34)

La Next Best Offer permette ad una organizzazione di aumentare le proprie opportunità di vendita facendo previsioni sui prossimi acquisti di un cliente, aumentando la fedeltà della clientela e il cross selling.

OBIETTIVO

trovare in anticipo i prodotti che i clienti vorranno per rafforzare la fedeltà e aumentare le vendite.

COME

determinare il nesso fra le loro transazioni passate e prodotti che potrebbero volere tramite link analysis.

FONTI

OBIETTIVO

aumentare cross e up-selling tramite product bundling.

COME

individuare quali prodotti associare fra loro tramite link analysis,

incrementare il cross-selling tramite decision trees.

FONTI

profili interni del cliente, dati sulle transazioni.

Come aumentare la fedeltà tramite Next Best Offer?

Come creare bundle di prodotti differenzianti?

Quali prodotti vorranno i miei clienti?

OBIETTIVO

identificare i prodotti e servizi che i clienti vorranno.

COME

assegnare uno score di probabilità di acquisto tramite algoritmi come reti neurali e decision trees.

FONTI

(35)

FONTI DATI: Next Best Offer

0,00 0,50 1,00 1,50 2,00 2,50 3,00 3,50 4,00 4,50 5,00

survey online/punti di contatto fisici) Social Media e Blog

Servizi di terze parti - Big Player (es. google) Servizi di terze parti - Fintech

salute

alimentazione, …)

2017 2020 Dati provenienti dai pagamenti

Dati anagrafici cliente, recapiti…

Banche dati esterne/data provider

3,60 3,50 2,40

Dati provenienti dai pagamenti Mappe di navigazione

Servizi di terze parti – Big Player

4,90 4,22 3,90

TRAD.

DIGITALI

DIGITALI DIGITALI

2017 2020

(36)

Tracciare la Customer Journey in un momento in cui esistono numerosi canali con cui un cliente può interagire può essere facilitato dall’utilizzo dei Big Data, che permettono una visione olistica dell’intero processo e delle esperienze associate ai singoli canali.

OBIETTIVO

identificare attraverso quali canali inviare i propri

messaggi.

COME

misurare i canali utilizzati dai vari clienti tramite text analytics per i contenuti testuali e decision trees . FONTI

dati di utilizzo dei vari canali, come cookie.

Quale contenuto è più rilevante nei diversi

canali?

OBIETTIVO

sostituire canali molto costosi con alternative più

convenienti.

COME

misurare i canali più efficaci tramite text analytics per i contenuti testuali e decision trees .

FONTI

dati di utilizzo dei vari canali, come tempo di visualizzazione delle pagine online, commenti dei clienti.

Come spingere i clienti ad utilizzare canali più

convenienti?

Come i clienti usano i diversi canali?

OBIETTIVO

comprendere i pattern di utilizzo dei differenti canali nella ricerca e acquisto di un prodotto da parte dei clienti.

COME

tracciare l’utilizzo dei diversi canali e la loro interazione tramite text analytics per i contenuti testuali e decision trees .

FONTI

profili interni del cliente, dati di utilizzo dei vari canali, come cookie, commenti dei clienti.

OBIETTIVO

misurare l’efficacia dei vari canali per ottimizzare il budget e aumentare il ROI sulle campagne di marketing.

COME

misurare la quantità di vendite dirette/indirette generate dai singoli canali tramite decision trees.

FONTI

clickstream, cookie, profili interni del cliente.

Come misurare

l’efficacia del

marketing nei canali?

(37)

FONTI DATI: Customer Journey

Nullo=0 Basso=1 Medio=2 Alto=3 Massimo=4

0,00 0,50 1,00 1,50 2,00 2,50 3,00 3,50 4,00 4,50 5,00

salute

alimentazione, …)

Comunicazione banca-cliente Mappe di navigazione

2,60 2,40 2,40

Mappe di navigazione

Servizi di terze parti – Big Player Social Media e Blog

4,80 4,30 4,30

TRAD.

DIGITALI TRAD.

DIGITALI

DIGITALI DIGITALI

2017 2020

(38)

La comprensione del cliente nella sua interezza è un fattore competitivo. Per averla è necessario conoscere il comportamento del cliente nel passato, le transazioni, le abitudini e il product engagement.

OBIETTIVO

definire il profilo del cliente per definire campagne di marketing più incisive, vendite targetizzate e miglior customer service.

COME

determinare a cosa il cliente è interessato tramite reti neurali o decision trees.

FONTI

profili interni del cliente, informazioni demografiche, dati sulle transazioni.

OBIETTIVO

predire il momento del churn per attivare strategie di risposta.

COME

il churn può essere predetto

efficacemente tramite algoritmi di decision trees e survival analysis.

FONTI

profili interni del cliente, dati sulle transazioni, informazioni dai Social Network.

Qual è il profilo del cliente? Qual è il livello di product engagement?

Quando il cliente ha intenzione di andarsene?

OBIETTIVO

comprendere come un cliente usa o non usa un prodotto/servizio per intervenire sul marketing.

COME

analizzare quanto un cliente

interagisce con la Istituzione tramite reti neurali o decision trees.

FONTI

profili interni del cliente, dati sulle transazioni, clickstream e cookie data.

(39)

FONTI DATI: Customer Insight

0,00 0,50 1,00 1,50 2,00 2,50 3,00 3,50 4,00 4,50 5,00

Comunicazioni banca- cliente (email, …)

survey online/punti di contatto fisici) Social Media e Blog

Servizi di terze parti - Big Player (es. google) Servizi di terze parti -

Fintech Mappe di navigazione (es.

pagine visitate, provenienza, cookie, …) Dati provenienti dai

pagamenti Dati biometrici e sullo stato

di salute

alimentazione, …)

Dati provenienti dai pagamenti Comunicazione banca-cliente

3,70 3,50 2,60

Social Media e Blog Mappe di navigazione

Dati provenienti dai pagamenti

4,70 4,60 4,60

TRAD.

DIGITALI

DIGITALI DIGITALI

2017 2020

(40)

FONTI DATI: Credit Scoring

La valutazione della solvibilità del cliente per accettare o rifiutare un finanziamento e per determinarne l’entità e il tasso di interesse applicato.

0,00 0,50 1,00 1,50 2,00 2,50 3,00 3,50 4,00 4,50 5,00

Social Media e Blog Servizi di terze parti - Fintech

Mappe di navigazione (es. pagine visitate, provenienza, cookie, …) Dati provenienti dai pagamenti Dati biometrici e sullo stato di

salute

Abitudini comportamentali (sport, stile di guida, alimentazione, …)

2017 Banche dati esterne / data provider

Dati anagrafici cliente, recapiti…

Dati provenienti dai pagamenti

3,70 3,70 3,60

Dati provenienti dai pagamenti Banche dati esterne / data provider Servizi di terze parti – Fintech

5,00 4,50 4,20

TRAD.

DIGITALI TRAD.

DIGITALI

DIGITALI TRAD.

2017 2020

(41)

AGENDA

• Apertura dei lavori e presentazione degli obiettivi

• Big Data & Advanced Analytics: fonti dati e progettualità

• Intervento a cura di CRIF Networking Lunch

• Il modello organizzativo per il Big Data

• Chiusura dei lavori e next step

(42)

AGENDA

• Apertura dei lavori e presentazione degli obiettivi

• Big Data & Advanced Analytics: fonti dati e progettualità

• Intervento a cura di CRIF Networking Lunch

• Il modello organizzativo per il Big Data

• Chiusura dei lavori e next step

(43)

SURVEY CIPA-ABI LAB

INDAGINI

• Banco Popolare

• Intesa Sanpaolo

• Monte dei Paschi di Siena

• UniCredit

• Unione di Banche Italiane

•

«Rilevazione dello stato dell’automazione del sistema creditizio» - 2014

•

«Le Rilevazioni sull’IT nel Sistema Bancario»- 2017

• Banca Nazionale del Lavoro

• Banca Popolare dell'Emilia Romagna

• Banca Popolare di Milano

• Banca Popolare di Sondrio

• Banca Popolare di Vicenza

• CARIGE

• Cariparma-Crédit Agricole

• Credito Emiliano - CREDEM

• Credito Valtellinese

• Deutsche Bank

• Mediobanca

• Veneto Banca

22 GRUPPI RISPONDENTI

• Banca Sella

• Banco di Desio e della Brianza

• CR Asti

• CR Ravenna

• Unipol Banca

5 GRUPPI «PRINCIPALI» 12 GRUPPI «MEDI» 5 GRUPPI «ALTRI»

(44)

Assetto organizzativo per BI e Big Data

45,5%

9,1%

22,7%

13,6%

86,4%

90,9%

100,0%

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

Aree funzionali o di business Settore IT (inclusi competence center IT) Competence center esterno al settore IT Outsourcing Ad hoc

22,7%

9,1%

4,5%

86,4%

13,6%

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

Aree funzionali o di business Settore IT (inclusi competence center

IT)

Competence center esterno al settore IT

Outsourcing Ad hoc

Nessuna collocazione/non significativa Collocazione secondaria Collocazione primaria

Definizione di requisiti e specifiche tecniche

Selezione delle tecnologie

(45)

Assetto organizzativo per BI e Big Data

Sviluppo applicativo

Progettazione infrastrutturale 27,3%

4,5%

18,2%

81,8%

4,5%

18,2%

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

IT)

Competence center esterno al settore IT Outsourcing Ad hoc

9,1%

13,6%

86,4%

13,6%

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

IT)

Outsourcing Ad hoc

(46)

Assetto organizzativo per BI e Big Data

Gestione del sistema

4,5%

13,6%

72,7%

31,8%

0% 20% 40% 60% 80% 100%

Aree funzionali o di business Settore IT (inclusi competence

center IT)

Outsourcing Ad hoc

(47)

Sponsorship e Project Management dei progetti

70%

65%

15%

5%

25%

65%

15%

10%

5%

10%

30%

10%

5%

30%

20%

10%

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

Top management aziendale Aree funzionali o di business Settore IT (inclusi competence center IT) Competence center esterno al settore IT Outsourcing Ad hoc Aree funzionali o di business Settore IT (inclusi competence center IT) Competence center esterno al settore IT Outsourcing Ad hoc

SponsorshipProject Management

Attribuzione primaria Attribuzione secondaria Nessuna attribuzione/non significativa

(48)

Il personale in outsourcing e il ruolo dell’outsourcer

9,1%

27,3%

36,4%

27,3% L'outsourcer è un partner strategico per la sua competenza

L'outsourcer integra le competenze dell'azienda

L'outosurcer ha un ruolo strumentale in quanto le competenze di progetto sono interne

L'outsourcer non è presente, il progetto è completamente interno

54,5%

61,2%

60,6%

45,5%

38,8%

39,4%

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

Componente Bancaria

Società Strumentale

Outosurcing

Interni Esterni

Personale

Interno/Esterno

Il ruolo

dell’outsourcer

(49)

Il recruiting per i progetti di BI

60% 50%

100%

40% 50%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Gruppi Principali 23%

Gruppi Medi 54%

Gruppi Altri 23%

Sì No

0% 10% 20% 30% 40% 50% 60% 70% 80% 90%

Profilo umanistico o giuridico Profilo Scientifico Profilo Economico Profilo di Data Scientist Profilo Ingegneristico Profilo matematico e statistico Profilo IT

I gruppi che effettuano attività di recruiting specifiche per BI

60% 50%

100%

40% 50%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

Gruppi Principali 23%

Gruppi Medi 54%

Gruppi Altri 23%

Sì No

Profili di competenze richieste nel recruiting

(50)

Presenza di Data Scientist

66,7%

19%

14,3%

No

Sì, interni

Sì, interni ed esterni

37,5%

37,5% 25,0%

85,7%

14,3%

83,3% 16,7%

0%

20%

40%

60%

80%

100%

Outsourcing 28,7%

Società strumentale 33,3%

Componente bancaria 38%

Presenza di data scientist in

progetti di BI

Presenza di data scientist in

progetti di BI per modello di

sourcing