IL KNOW HOW CRIF PER L’ANALISI DI CLIENTI,
CANALI E DATI
©2018 • CRIF • Il know how CRIF per l'analisi di clienti, canali e dati- 27/02/2018
2
Agenda
IoT
Strumenti Tradizionali
Digital Analytics
Clienti, canali e dati: il panorama di riferimento
©2018 • CRIF • Il know how CRIF per l'analisi di clienti, canali e dati- 27/02/2018
3
CRIF INFORMATION COREIl patrimonio informativo del gruppo CRIF
4
3 Fotografie: passato, presente e futuro
∞ Combinazioni per
viste personalizzate
2 Dimensioni informative puntuale su controparte, aggregate su cluster
Profiling 100% di Consumer, Business e dei
Network
Vista a 360° sui Key Factor del Lending
A-Z rappresentative: tutte le industry, le classi
generazionali e le aree territoriali
2020 Technology: Machine Learning e Big Data Analytics
100% compliantcon i protocolli e gli
standard di sicurezza
End2End Business Continuity
©2018 • CRIF • Il know how CRIF per l'analisi di clienti, canali e dati- 27/02/2018
©2018 • CRIF • Il know how CRIF per l'analisi di clienti, canali e dati- 27/02/2018
5
Agenda
IoT
Strumenti Tradizionali
Digital Analytics
8 MLD di persone nel 2020
50 MLD di dispositivi connessi nel 2020
Device, oggetti connessi alla rete che si scambiano informazioni. Questo nuovo sistema ha la capacità di interagire con l’ambiente esterno: avviene un’interazione tra internet e il mondo reale
Il 46% dei consumatori pagherà di più
per servizi personalizzati in tempo reale
KPI MONDIALI*:
*Fonte: Accenture Technology Vision for Insurance 2017
Connected device: overview
©2018 • CRIF • Il know how CRIF per l'analisi di clienti, canali e dati- 27/02/2018
6
Analisi dei bacini geograficiAree di gravitazione
Residenza
Centro città
Centro commerciale
Area di gravitazione
Residenza
Area di gravitazione
Area circolare Area triangolare
INDIVIDUOIMMOBILE
Triangolo i cui vertici sono:• la residenza,• il centro commerciale più vicino,• il centro della città con almeno
25.000 abitanti più vicina
Cerchio il cui centro è rappresentato dalla residenza del soggetto e il raggio è variabile, in funzione del tipo di punto di interesse (POI) es:• Stazioni di polizia 5 km• Videosorveglianza 250 m
©2018 • CRIF • Il know how CRIF per l'analisi di clienti, canali e dati- 27/02/2018
7
Analisi dei bacini geograficiIndicatori (POI)
500 metri
• Distanza dal POI più vicino
• Distanza (in m) dal posto dipolizia
• Concentrazione di POI in unbacino circolare
• Quante videosorveglianze nelraggio di 250 metri?
• Numero di POI sul percorsocaratteristico
• Quanti semafori nel tragittocasa-centro città?
Esemplificativo
Bacino di attrazione
Per ogni tipologia di punto di interesse (POI), possono essere calcolate differenti variabili per ogni indirizzo
Percorso caratteristico
Compro OroGioielleria
Indirizzo
Sportelli bancari
©2018 • CRIF • Il know how CRIF per l'analisi di clienti, canali e dati- 27/02/2018
8
Analisi dei bacini geograficiIndicatori socio-economici
• Per ogni indirizzo viene calcolato il valore medio di indicatori socio economici che descrivono la zona
• La media viene calcolata su valori puntuali all’interno di una zona circolare
• Valore medio degli immobili
• Reddito medio
• Concentrazione professionisti
• …
500 metri
Bacino di attrazione
Esemplificativo
©2018 • CRIF • Il know how CRIF per l'analisi di clienti, canali e dati- 27/02/2018
9
Analisi dei bacini geograficiAltri indicatori: caratteristiche geografiche
Sono considerate ulteriori caratteristiche territoriali utili a prevedere il fenomeno di interesse (es: furti)
• Intensità illuminazione notturna
• Distanza da grossi centri urbani
• Facilità di accesso a grandiarterie di comunicazione
• …
Esemplificativo
©2018 • CRIF • Il know how CRIF per l'analisi di clienti, canali e dati- 27/02/2018
10
Analisi dei bacini Use case
Analisi dei bacini
Analisi dei dati geografici in un bacino intorno ad ogni indirizzoitaliano per individuare indici di rischio o propensione
Usi
Analisi fattori di rischio (es: vicinanza campi rom) e protettivi (es:videocamere nella zona) come score di rischio furto in casa e in azienda
Analisi del territorio per riconoscimento di zone a rischio calamitànaturale (es. esondazioni)
Menorischioso
Piùrischioso
Score ItaliaMilano:
Score aggregato a risoluzione 250m
Lo score furto in abitazione è stato mappato sull’intero territorio nazionale a livello di singolo indirizzo con possibilità di aggregazioni per territorio, per comune, per CAP,…
Quarto Oggiaro
Ad esempio, non sempre le zone considerate rischiose si rivelano tali
• Il sud è più sicuro (per il furto in abitazione, denunciato)
• Il ladro non agisce nelle sue zone, ma si «sposta» verso zone ricche
©2018 • CRIF • Il know how CRIF per l'analisi di clienti, canali e dati- 27/02/2018
11
Analisi dei bacini Use case
Analisi dei bacini
- Auto
Analisi dei dati geografici-stradali nel percorsoabituale (casa – lavoro – scuola – centro città) perindividuare indici di rischio
Usi
Analisi fattori di rischio (es: parcheggi poco illuminati)e protettivi (es: vicinanza stazioni di polizia) nelpercorso abituale come score di rischio furto auto
Analisi dei potenziali pericoli sul percorso abiutale(stop, rotonde, semafori, … ) come score di rischiosinistro auto
Analisi dei bacini
- Frodi
Analisi di pattern frequenti su dati claim, uniti ai dati dilegami parentali “crif” per il riconoscimento avanzato difrodi
UsiAnalisi a grafo dei dati complessivi su sinistri erelazioni tra soggetti per riconoscimento schemi
©2018 • CRIF • Il know how CRIF per l'analisi di clienti, canali e dati- 27/02/2018
12
©2018 • CRIF • Il know how CRIF per l'analisi di clienti, canali e dati- 27/02/2018
13
Agenda
IoT
Strumenti Tradizionali
Digital Analytics
Possibili indicatori di sostenibilità dell’operazione
©2018 • CRIF • Il know how CRIF per l'analisi di clienti, canali e dati- 27/02/2018
SOSTENIBILITÀ DELL’OPERAZIONE2Housing
Unit3 No Hit
Score
4
Score Territoriale
1
Stima reddito
14
Stima del redditoBenchmark territoriale
Sulla base dei risultati ottenuti è stata simulata la ricostruzione di un indicatore di benchmark territoriale sulla capacità reddituale, con l’obiettivo di classificare anche i soggetti per cui non sono a disposizione informazioni puntuali
Fonti Informative:
• Variabili demografiche della zona geografica di riferimento (Dati pubblici ISTAT)
• Indicatore sulla capacità reddituale (Dati CRIF)
Aggregazione territoriale utilizzata:
Celle censuarie ISTAT 2001
©2018 • CRIF • Il know how CRIF per l'analisi di clienti, canali e dati- 27/02/2018
15
Benchmark reddito territoriale
CLASSI REDDITO
1- 0-1000€2- 1000-1500€3- 1500-2000€4- 2000-3000€5- > 3000€
1 5
©2018 • CRIF • Il know how CRIF per l'analisi di clienti, canali e dati- 27/02/2018
16
Benchmark reddito territoriale
CLASSI REDDITO
1- 0-1000€2- 1000-1500€3- 1500-2000€4- 2000-3000€5- > 3000€
1 5
©2018 • CRIF • Il know how CRIF per l'analisi di clienti, canali e dati- 27/02/2018
17
Benchmark reddito territoriale
CLASSI REDDITO
1- 0-1000€2- 1000-1500€3- 1500-2000€4- 2000-3000€5- > 3000€
1 5
©2018 • CRIF • Il know how CRIF per l'analisi di clienti, canali e dati- 27/02/2018
18
Ricostruzione del numero di soggetti maggiorenni del nucleo abitativo
Housing unit: evidenze
Ai fini di questa analisi sono state considerate delle
logiche di correlazione fra soggetti per individuare le
situazioni di coabitazione, che a loro volta potrebbero
essere dovute a presenza di un nucleo familiare, ma non
solo.
In funzione delle logiche utilizzate possono essere
trovate un numero di correlazioni molto elevate (es.
anche 8.000 correlazioni per soggetto) , è quindi
fondamentale discriminare quelle che sono le logiche
più significative per raggiungere un risultato ottimale.
©2018 • CRIF • Il know how CRIF per l'analisi di clienti, canali e dati- 27/02/2018
19
New2credit score: use case
L’INCIDENZA DEI «NO HIT»Problema / obiettivo: all’atto della richiesta di credito, una % dei richiedenti che si presentano al SIC Eurisc non è censita in DB (cosiddetti «No hit») e il CB Score non può essere calcolato; definire un indicatore che, anche in assenza del CB Score, dia informazioni utili alla gestione dei «No hit»
Tipo di analisi: supervisionata
Informazioni a disposizione: le informazioni con cui il richiedente si presenta al sistema (alcuni dati anagrafici), le informazioni dell’operazione (es. periodicità, impegno mensile, credit limit), dati tecnici (es. ora e giorno), dati derivati, target (good, bad)
©2018 • CRIF • Il know how CRIF per l'analisi di clienti, canali e dati- 27/02/2018
20
New2credit score: use caseMisurare e leggere i risultati
APPLICAZIONE DEL MODELLO
GENERAZIONE DEI RISULTATI
Trovare il compromesso ideale tra:
• Minimizzazione dei falsi positivi all’interno degli elementi selezionati (precision)
• Massimizzazione dei veri positivi rispetto all’insieme degli elementi rilevanti (recall)
• Applicazione del modello al campione di test
• Il target sono i record «Bad», che vengono quindi definiti come i «Positivi»
• Definizione di una soglia oltre la quale un record è considerato «Bad»
• Precision e recall si muovono in direzioni opposte rispetto alla soglia
• Quale è la soglia ottimale?
Ottimizzazione della funzione di costo per la banca
SCELTA DELLA SOGLIA
©2018 • CRIF • Il know how CRIF per l'analisi di clienti, canali e dati- 27/02/2018
21
CRIF ha sviluppato uno score che valuta la rischiosità
della controparte in funzione delle caratteristiche
territoriali (consumer e business) e settoriali
(business)
Fornisce una visione di benchmark, contribuendo alla valutazione deisoggetti più opachi ed è un valido strumento per il prospeting
Calcolato a partire dal patrimonio informativo del gruppo CRIF a livello dimicrozona/arco di via (10+ fonti informative del CRIF INFORMATIONCORE), è costruito su una geografia proprietaria che scende a livellodi arco di via laddove la micro-zona risulti troppo popolata.
Tecniche di valutazione della rischiosità
©2018 • CRIF • Il know how CRIF per l'analisi di clienti, canali e dati- 27/02/2018
22
23
Agenda
IoT
Strumenti Tradizionali
Digital Analytics
©2018 • CRIF • Il know how CRIF per l'analisi di clienti, canali e dati- 27/02/2018
• Contatti
(telefono, fax, email,..)
• Presenza sui Social media
(facebook, twitter, google+,…)
• E-commerce
+ metodi di pagamento
• Sito multilingual (proxy export)
• Presenza di banner pubblicitari
• Web Analytics
• Link esterni
• Interazioni con Social network (#likes, tweets,#comments,…)
6MLAziende
Più di 700k Siti web
Digital Analytics: un mondo di dati da analizzare
©2018 • CRIF • Il know how CRIF per l'analisi di clienti, canali e dati- 27/02/2018
24
Digital Analytics: Processi sviluppati
• Estrazione contatti (telefono, fax, email aziendale)
• Social network (Facebook, YouTube, Twitter, Video, Instagram, ..)
• Database WhoIS
• Riconoscimento multilingua (più di 50 lingue)
• Ottimizzazione mobile
• Presenza di banner pubblicitari
• Web Analytics (oltre 50 analytics)
• Link esterni
• E-Commerce
• Certificazioni Trustmark
• Alexa® ranking
• Interazioni con Facebook e Twitter (#likes, #tweets, #comments, #followers)
• Struttura del sito (analisi semantica dei contenuti)
©2018 • CRIF • Il know how CRIF per l'analisi di clienti, canali e dati- 27/02/2018
25
Digital Analytics: esempi concreti
©2018 • CRIF • Il know how CRIF per l'analisi di clienti, canali e dati- 27/02/2018
26