- Aurora Cerabolini
- Andrea Malinverno
- Corinna Strada
- Mirko Tritella
Negli ultimi anni, i competitors che si affacciano sul mercato dell’intrattenimento sono sempre di più e con un’offerta che è sempre più ricca e di qualità.
Per ogni azienda che ambisce a rimanere competitiva, è cruciale riuscire ad implementare delle strategie in grado non solo di conquistare nuovi clienti, ma di mantenere quelli attuali nel tempo. Infatti, i costi necessari per conquistare nuovi clienti sono spesso superiori a quelli che devono essere sostenuti per mantenerli.
Per questi motivi, il focus delle aziende oggi è sempre più incentrato sulla customer retention, piuttosto che sulla customer acquisition.
L’abbandono di un cliente rappresenta un investimento significativo perso e l’azienda deve impiegare notevoli sforzi, sia in termini economici sia di tempo, per sostituirlo.
Essere in grado di prevedere la propensione dei clienti a rinunciare al servizio può dunque offrire enormi risparmi a un'azienda, nonché insights utili sulle strategie da implementare per massimizzare la retention anche tenendo conto del Customer Lifetime Value dei vari gruppi di clienti.
Questo progetto ha lo scopo di identificare i clienti di un’azienda che stanno per disdire l’abbonamento, ovvero i potenziali churner, per poter fornire al management aziendale informazioni utili a sviluppare una strategia adatta. In particolare, le informazioni emerse dallo studio potranno dare indicazioni sulla numerosità dei potenziali churner, nonché la loro propensione a rinunciare ai servizi dell’azienda, e potranno essere utilizzate anche in collaborazione con settori aziendali quali quelli di Marketing e Vendite.
Sono stati quindi implementati vari modelli di machine learning, cioè un Classification Tree, un Random Forest, un modello Logistico, un Bagging Tree, un Naive-Bayes, un Gradient Boosting, un Neural Network Single-Layer Perceptron ed un Neural Network Multi-Layer Perceptron.
Successivamente, è stato individuato quello più performante, cioè quello in grado di predire il comportamento degli utenti in maniera migliore sulla base dei dati storici forniti dalla compagnia. Esso è risultato essere il Random Forest.
Questo modello permette non solo di individuare la predisposizione di un cliente a rinunciare al servizio, ma anche di capire quali sono le variabili che più hanno aiutato il modello ad effettuare la previsione.
Leggere il report per maggiori dettagli