Data Mining: project new credit card

DATA MINING
REPORT
PROJECT: New Credit Card – BancaX

A cura di:

Mirko Vairo

OBIETTIVI DI BUSINESS 1

La BancaX, azienda che da oltre 40 anni opera nel campo dei servizi
finanziari, ci ha ingaggiato per sviluppare un’analisi di Data Mining su
un Dataset di approssimativamente 40.000 clienti. L’obiettivo di tale
studio è:

• Sviluppare sul DB a disposizione delle analisi
statistiche – utilizzando i modelli di analisi univariata,
bivariata e multivariata – per capire, da un lato, come
si configura la clientela della banca e, dall’altro
indagare quali siano le motivazioni che spingono un
cliente a richiedere spontaneamente l’attivazione di
una nuova carta di credito.

DA COSA PARTIAMO 2
BancaX, per raggiungere tale obiettivo, ci ha fornito un Dataset (Banking prediction 1) contenente varie
informazioni su:

Sesso ed Età del cliente

Storicità del cliente

Utilizzo che ciascun cliente fa, in termini di ammontare impiegato o ottenuto, dei prodotti
bancari offerti.

N° di transazioni effettuate da ciascun cliente attraverso i diversi canali a disposizione
(Sportelli/ATM/Internet/Telefono)

Gli ordini effettuati dal cliente e non ancori evasi
VARIABILE
Il possesso o meno di una nuova carta di credito OBIETTIVO

OBIETTIVI DI DATA MINING 3
Attraverso l’utilizzo di questo Dataset, sono state effettuate:

Inizialmente, è stato quello di analizzare il dato fornito, attraverso
ANALISI analisi descrittive e grafiche. Successivamente, si è verificato se
UNIVARIATE fosse necessario effettuare una pulizia del Dataset ed un’eventuale
riclassificazione di alcune delle variabili.

FACTOR E L’obiettivo era quello di segmentare la clientela della banca
CLUSTER per studiarne le caratteristiche ed individuare eventuali
ANALYSIS clusters di particolare interesse.

MODELLI DI
CLASSIFICAZIONE
L’utiizzo di queste tecniche aveva lo scopo di capire cosa
ED ASSOCIAZIONE avesse spinto il cliente ad attivare una nuova carta di credito.

PROJECT PLAN 4

• Analisi descrittiva e grafica del DB (slide 6-9)
FASE 1 • Individuazione outliers e mancanti (slide 10)

• Pulizia dei dati (slide 12)
• Ricodifica variabili slide (13-16)
FASE 2 • Segmentazione della clientela (slide 17-23)

• Sviluppo dei modelli di classificazione (slide 25-34)
FASE 3 • Sviluppo dei modelli di associazione (slide 36-39)

• Findings (slide 41)
FASE 4 • Implicazioni manageriali (slide 42-43)

FASE 1: ANALISI DEI DATI 5

Questa fase si compone di due step:

STEP 1  Analisi descrittiva e grafica del DB

STEP 2  Individuazione outliers e mancanti

ANALISI DESCRITTIVA E GRAFICA 6
Il Dataset contiene le informazioni di un campione di 41.978 clienti della BancaX. Le
caratteristiche di base della clientela possono essere riassunte in 3 punti:

1 – Il 59,24% dei clienti sono donne e la restante parte uomini

È necessario ricodificare la variabile
2 – L’età è compresa tra i 18 ed i 90 anni per poter classificare i clienti in
fasce d’età.

3 – La tenure del cliente in media è di 5 anni

ANALISI DESCRITTIVA E GRAFICA (2) 7
L’utilizzo medio di ciascun prodotto
Conti Risparmio Media utilizzo: 1.612$ bancario è molto basso (ad esempio,
basta notare che i prestiti alle imprese
Conti Correnti Media utilizzo: 323$ registrano un valore medio poco
realistico, 4.137$). Questo ci porta a
pensare che il dato sia fortemente
Depositi Media utilizzo: 1.462$
contenuto a causa dell’elevato numero
di clienti che non fa uso dei prodotti
PRODOTTI BANCARI

Fondi d’investimento Media utilizzo: 1.000$ (valore 0 nella relativa casella); ciò
provoca l’identificazione di un numero
Titoli azionari Media utilizzo: 717 $ troppo consistente di outlier. Proprio
per questo motivo, prima di poter
procedere alla loro identificazione ed
Garanzie bancarie Media utilizzo:10$ eliminazione, in fase di analisi dei dati
siamo stati costretti a trasformare i
Assicurazioni vita Media utilizzo: 3$ valori “0” in nulli. Considerando lo
scarso utilizzo dell’offerta da parte dei
Mutui Media utilizzo: 1.324$ clienti, siamo portati a pensare che la
BancaX tende a riconoscere come tali
coloro che in realtà realizzano solo
Prestiti alle imprese Media utilizzo:4.137$ operazioni una tantum; questo
fenomeno verrà enfatizzato
Prestiti al consumo Media utilizzo: 1.962$ principalmente durante la fase di
clusterizzazione.


Sportelli Media utilizzo: 2,6 transaz. Relativamente ai canali di transazione,
l’influenza dei non utilizzatori genera
CANALI DI TRANZAZIONE

effetti del tutto simili a quanto
enunciato in precedenza per i prodotti
bancari. Molto interessante il dato sulle
transazioni attraverso l’e-banking, in
ATM Media utilizzo: 3 transaz. media molto basso rispetto alle
aspettative (0,026 per cliente), perché
attualmente la maggior parte delle
transazioni che vengono realizzate con
carta di credito coinvolgono questo
Internet Media utilizzo: 0,026 transaz. canale. Inatteso il dato relativo alle
transazioni effettuate attraverso
sportelli automatici che mostrano il
livello di frequenza d’utilizzo più
elevato.
Telefono Media utilizzo: 0,013 transaz.

L’ultimo campo compreso nel DB è quello che riguarda la variabile obiettivo della nostra analisi – e
cioè il numero di clienti che hanno attivato una carta di credito. In sostanza il grafico ci mostra che
solo il 5,54% dei clienti possiede una carta (2324 su 41978); questo dato ci consente di
comprendere meglio le motivazioni per le quali la BancaX ha avviato questo un progetto d’analisi.

94,46%

5,54%

INDIVIDUAZIONE OULIERS E MANCANTI 10
Come si è preannunciato, per individuare in maniera più corretta gli outliers, sono stati creati artificiosamente dei nuovi campi
(con il suffisso _missing) dove gli “0” venivano trasformati in valori nulli (vedi output clementine Tabella con valori nulli). Una volta
fatto ciò sono stati calcolati gli outliers: 1) per i valori anomali il limite soglia era posto a 3 volte il range interquartile mentre 2)
per i valori estremi era 6 volte; non vi erano mancanti. Il risultato finale è stato il seguente:
CAMPI ANOMALI ESTREMI RECORD VALIDI VALORE NULLO
Nel riquadro azzurro vengono
Customer_ID 0 0 41978 0
messi in evidenza gli outliers relativi
Gender -- -- 41978 0
Age 0 0 41978 0
ad ogni nuova variabile creata. La
Tenure 0 0 41978 0 percentuale di record modificati per
New_Credit_Card_Flag -- -- 41978 0 ogni campo si aggira tra il 3% e
Saving_Amount_missing 1276 1594 27991 13987 l’11% (naturalmente è una
Current_Amount_missing 384 618 9811 32167 percentuale relativa solo ai record
Time_Deposits_Amount_missing 39 27 1482 40496 validi e non a tutti quelli presenti nel
Funds_Amount_missing 70 31 2092 39886 DB – infatti nella 4^ colonna sono
Stocks_Amount_missing 157 239 4018 37960 indicati i valori nulli per ogni
Bank_Assurance_Amount_missing 25 3 1633 40345
campo).
Life_Assurance_Amount_missing 36 11 957 41021
Business_Loan_Amount_missing 28 14 966 41012
Home_Loan_Amount_missing 23 7 1680 40298
Consumer_Loan_Amount_missing 97 8 9974 32004
Branch_Transactions_missing 442 276 22453 19525
ATM_Transactions_missing 68 4 11825 30153
Phone_Transactions_missing 6 0 171 41807
Internet_Transactions_missing 15 8 365 41613
Standing_Orders_missing 34 6 1673 40305

FASE 2: PREPARAZIONE DEI DATI 11
La fase 2 si compone di tre step:

STEP 1  Pulizia dei dati

STEP 2  Ricodifica variabili

STEP 3  Segmentazione della clientela

PULIZIA DEI DATI 12
Individuati valori estremi ed anomali si è proceduto alla loro eliminazione. Di sotto si riporta lo stream realizzato per la correzione
dei valori.

Per quanto riguarda la procedura di
sostituzione degli outliers è stata
impostata, attraverso il nodo Esplora, la
funzione “Forza” e successivamente si è
utilizzato il parametro “Algoritmo” per
l’assegnazione del nuovo valore (vedi
supernodo Valore anomalo ed estremo).
Fatto ciò, il passo seguente è stato quello
di reimpostare i record con valori nulli (da
noi artificiosamente creati), assegnando
– attraverso il supernodo “Assegna
valori” – a ciascuno di essi il valore 0.
Infine, con il nodo Filtro, sono stati
rinominati i nuovi campi creati (senza
outliers) apponendo a ciascuno di essi il
suffisso _ready; il tutto è stato inserito
all’interno del nuovo DB: Banking
Prediction 1 – DB pulito.

RICODIFICA VARIABILI 13
Per un’analisi più chiara e dettagliata e per poter sviluppare i modelli di associazione, è stata necessaria la ricodifica di alcune
delle variabili. Due le operazioni realizzate:

1 – Classificazione della variabile età.

Dato che, come visto in precedenza, il campo età è espresso come variabile
continua (che va da 18 a 90 anni), si è pensato che fosse più giusto
riclassificarla attraverso il nodo Discretizza. Sintetizzando, la procedura ha
portato alla creazione di 4 fasce d’età (riportate nel grafico qui accanto).
Emergono due riflessioni interessanti:
a) L’80,44% del campione è composto da individui con età tra 24 e 65 anni.
b) In questa classe si collocano coloro che hanno richiesto con maggiore
frequenza l’attivazione della nuova carta di credito.

RICODIFICA VARIABILI (2) 14
2 – Ricodifica prodotti bancari e canali di transazione in variabili Flag

Per l’attuazione dei modelli di associazione (Market Basket Analysis), i campi _Amount e _Transaction sono stati
trasformati da variabili numeriche continue a variabili Flag. Tale obiettivo è stato raggiunto attraverso la creazione di
un apposito stream:

Seguendo il flusso, le operazioni realizzate sono state: 1) Eliminazione di alcuni campi secondari ai fini dello studio
(Gender, Tenure e Standing_orders); 2) Creazione dei campi Flag attraverso l’apposito supernodo (vedi slide
successiva per approfondimenti); 3) Filtraggio dei vecchi campi (numerici continui); 4) Ricodifica delle variabili 1/0 in
True/False per poter eseguire correttamente la MBA. 5) Creazione del DB: Banking Prediction – DB per MBA.


Attraverso il supernodo “Creazione Flag” è stato creato un insieme di nodi Nuovo Campo che ha
permesso la ricodifica dei vecchi campi. La sintesi delle variabili create è riportata nella seguente
tabella.


Una volta trasformate tutte le variabili in flag, si è verificato attraverso il nodo Distribuzione se per alcune di esse la
percentuale di casi Veri (e cioè con valore 1) risultasse almeno superiore al 5% del totale dei casi.
Solo 7 delle 14 variabili flag, inizialmente create, soddisfacevano tale criterio.

SEGMENTAZIONE DELLA CLIENTELA 17

L’ultimo step di questa fase riguarda la creazione e la descrizione dei cluster di clientela.
Tre i passi seguiti:

Factor Analysis

Cluster Analysis

Descrizione cluster

SEGMENTAZIONE DELLA CLIENTELA 18
Factor Analysis
Il primo passo ha portato alla creazione di 5 fattori che sintetizzano i 10 prodotti offerti da BancaX.

Fondi d’investimento Garanzie bancarie

Conti Risparmio
Prodotti di Prodotti
Assicurazioni vita
investimento/ Vita/Casa
Depositi Risparmio Mutui

Titoli azionari

Finanziamenti alle I fattori costruiti dal s/w, e qui riportati, spiegano il 62%
Prestiti alle imprese della varianza totale (la tabella con le correlazioni tra
imprese
fattori e prodotti viene riportata nella cartella relativa a
Conti Correnti Conti Correnti questa fase).

Prestiti al consumo Finanziamenti a
privati

SEGMENTAZIONE DELLA CLIENTELA (2) 19
Cluster Analysis
La tecnica utilizzata è l’algoritmo K-
means che ha permesso di
identificare 4 clusters finali (vedi
tabella). La tabella di ANOVA (file
output factor_cluster) mostra come
tale soluzione sia anche significativa
al test-F.

Di estremo interesse l’informazione fornitaci dalla tabella riportata a lato; questa infatti ci
indica che esiste un cluster di utenti, quello dei Dormienti, che sembra essere
preponderante rispetto agli altri. Inizialmente si pensava che, questa anomalia, fosse
dovuta al numero troppo basso di clusters; però, ci si è accorti che aumentandolo la
soluzione era pressoché la stessa. L’unica interpretazione plausibile è che il Dataset di
41.978 record rappresenta, principalmente, quel campione di utenti della BancaX che è
poco avvezzo all’utilizzo dei prodotti bancari che compongono la sua offerta (questo lo
notiamo – nella tabella sopra riportata – dallo scarso livello di correlazione con tutti i fattori).
Forse, i clienti che appartengono a questo cluster, sono proprio quelli che la banca
vorrebbe coinvolgere maggiormente attraverso un prodotto più flessibile quale la carta di
credito.

Descrizione cluster “Famiglie”
Questo cluster è stato così denominato per la sua attitudine ad usufruire di
prodotti come i mutui per l’acquisto di immobili e quindi di beni destinati
all’uso familiare. Il grafico sulla destra dimostra chiaramente questa
attitudine.

Per quanto riguarda l’età media, si nota dall’istogramma Age_OPTIMAL che
la maggior parte dei clienti ad esso appartenenti si colloca nella fascia 24-65
anni; ciò sembra ovvio alla luce del fatto che, coloro che più frequentemente
richiedono un mutuo alla banca sono famiglie – più o meno giovani – che
vogliono costruire il proprio futuro.

Infine, è emerso che, tra gli
individui appartenenti a questo
cluster, sono state attivate solo
53 nuove carte di credito su un
totale di 825 clienti. Questo
dato, correlato a quanto
espresso in precedenza, mette
in evidenza la scarsa attrattività
del cluster in questione.

Descrizione cluster “Business”
Anche quello dei clienti business sembra un
cluster poco interessante per le finalità della
nostra ricerca, dato il numero ridotto dei suoi
componenti e di quelli che al suo interno
possiedono una carta di credito. D’altronde un
cliente del tipo business difficilmente utilizza
una carta di credito per la sua attività, mentre
ricorre più spesso a strumenti quali i
Finanziamenti o altre forme di debito.

Come accade per le Famiglie, i clienti business si caratterizzano per il
collocamento nella fascia intermedia d’età. Come ci si poteva aspettare, il
numero di clienti al di sotto dei 24 anni è esiguo, proprio perché è molto
difficile che clienti giovani usufruiscano di un prodotto business.

Descrizione cluster “Dormienti”
Il cluster dei dormienti, come accennato in precedenza, è quello più grande tra i 4 creati (circa 40.000 utenti – in pratica quasi tutto il
campione). Si collocano al suo interno quei clienti che, sostanzialmente, non usufruiscono di nessuno dei prodotti bancari messi a
loro disposizione o lo fanno occasionalmente. Nel corso della fase di analisi ci concentreremo in particolar modo su di essi, che
sembrano essere il segmento più attraente per il nostro obiettivo.

Solo il 5% di essi ha attivato una nuova carta; questo in valore Come negli altri casi, anche i dormienti si concentrano
assoluto, però, si traduce in 2.211 attivazioni. Quindi, data la nella fascia d’età 24-65 anni. Però, in questo caso cresce
consistenza di questo cluster, possiamo affermare che basta una il numero di utenti che si posizionano nelle classi
piccola variazione percentuale di attivazioni per poter contigue.
raggiungere un numero elevato di carte vendute.

Descrizione cluster “Privati”
Nella categoria Privati vengono collocati quei clienti che fanno ampio
utilizzo dei prodotti di risparmio della banca, quali: conto risparmio
(mostrato nel seguente grafico ), depositi a breve-lungo termine, ecc.

Tale segmento, come gli altri appena analizzati, ha registrato un L’età media in questo caso si alza molto, infatti crescono
tasso di nuove attivazioni bassissimo. Dato l’esiguo numero di le fasce d’età più anziane. La spiegazione di ciò può
componenti, e le loro caratteristiche, ci sembra poco essere legata al fatto che, di solito, è la classe più anziana
interessante sviluppare una strategia indirizzata ad aumentare di una popolazione ad essere più spinta al risparmio (ad
l’attrattività, per questi utenti, del prodotto carta di credito. esempio per coloro che si avviano all’età pensionabile).

FASE 1: MODELLAZIONE 24

Questa fase si compone di due step:

STEP 1  Modelli di classificazione

STEP 2  Modelli di associazione

MODELLI DI CLASSIFICAZIONE 25
Terminata la preparazione del DB, si è passati alla modellazione. Innanzitutto è stato costruito, attraverso alcune
delle tecniche a disposizione, un algoritmo di classificazione.

Il procedimento di anali svolto è composto da 4 passi:

Selezione delle variabili chiave

Bilanciamento della variabile New_Credit_Card_Flag

Selezione dei modelli migliori

Addestramento e Test

MODELLI DI CLASSIFICAZIONE (2) 26
Selezione delle variabili chiave

Attraverso il nodo Seleziona Variabili si è proceduto alla determinazione dei campi più interessanti, di cui tener
conto, per la creazione dei modelli.

Sono state, quindi, selezionate le seguenti variabili:

Come si può vedere dalla tabella, si è tenuto in considerazione solo quei campi che nella colonna valore
raggiungevano il 95% di confidenza, data la variabile obiettivo (New_Credit_Card_Flag). I restanti campi sono stati
messi da parte attraverso il nodo Filtro.

Bilanciamento della variabile New_Credit_Card_Flag

Dato che il campo obiettivo era troppo sbilanciato per poter sviluppare correttamente i modelli, si è reso
necessario l’utilizzo del nodo Bilanciamento per ovviare a tale problema.
Il procedimento è stato il seguente:

Selezione dei modelli migliori
Successivamente, grazie al nodo Classificatore modelli, abbiamo identificato le tecniche più valide per poter effettuare la
classificazione. In pratica:
Il classificatore – sulla base dei
parametri impostati e dei modelli
spuntati (vedi grafico qui di fianco) –
ha selezionato tra tutti il C5.0, la
Regressione logistica e la
discriminante lineare. Il migliore in
assoluto, evidenziato nel riquadro
rosso, risulta essere il C5.0: questo,
infatti, sembra ottenere risultati
ottimali in tutti i parametri di selezione.

Addestramento
Infine, sono stati generati due supernodi: uno per l’Addestramento delle tecniche migliori e l’altro per il Test. Per ognuno di essi vengono riportati il
grafico del lift e le tabelle di analisi (per eventuali approfondimenti visionare lo stream Modelli di classificazione). Come si può notare sia il grafico che
la tabella, riportati nella slide, dimostrano la miglior capacità classificatoria del modello albero decisionale C5.0 – cerchiato in rosso il dato che ci
indica il livello di precisione nella stima (molto più accurata rispetto agli altri due casi).

Anche per quanto riguarda il test, il modello C5.0 risulta essere quello migliore: sia per quanto riguarda il lift che per il
Test livello di precisione (cerchiato in rosso).

Una volta selezionato il modello più accurato, possiamo proseguire con l’analisi dell’output da esso prodotto.

Per prima cosa verifichiamo l’importanza dei diversi predittori.

Si può notare dal grafico che il peso
maggiore viene assunto dai campi
ATM_transaction e Branch_transaction;
hanno una discreta importanza anche
le variabili Saving_amount e
Internet_transaction.

Dall’analisi dell’albero sono risultati essere di grande interesse i seguenti nodi:

Questo primo nodo è molto utile per verificare
l’importanza assunta dalla frequenza di operazioni
compiute tramite la piattaforma web nell’indirizzare
un cliente ad attivare una carta di credito. Dalle
tabelle possiamo notare che tale variabile, pur
essendo di grande peso non fornisce spunti
rilevanti; infatti, sia che le internet_transaction siano
maggiori a 0 che uguali a 0, un gran numero di
clienti ha richiesto la carta. Infine, è necessario
fare attenzione alla percentuale cerchiata in rosso
nel nodo 116 perché, anche se essa ci segnala che
il 97% di clienti hanno attivato la carta, il peso ad
esso attribuito è comunque irrilevante (5,835%).

La sezione dell’albero riportata in questa slide sembra abbastanza complessa ma in realtà è di
grande aiuto. Innanzitutto, indica che nelle due fasce d’età più giovani della clientela (dai 18 ai 65
anni) si sono verificate un gran numero di nuove attivazioni (da notare che il peso del nodo è ancora
elevato 35,812 %).

Sempre con riferimento alla fascia d’età sopra indicata, in questo livello si vuole
mettere in risalto il dato relativo al numero consistente di attivazioni che sono
state realizzate da: clienti della BancaX con una tenure maggiore ai 9 mesi (e
quindi clienti abbastanza consolidati – peso del nodo 17,464%). Buona la
percentuale di attivazioni nel caso di tenure inferiore a 9 mesi, anche se in
questo caso il peso del nodo è poco significativo.

Infine, in riferimento ai clienti di fascia 18-24 con un buon
livello di storicità e che posseggono un conto corrente si
rileva l’informazione più interessante in termini qualitativi;
infatti, tra questi, sia coloro che posseggono un conto
corrente con importi elevati che – in particolar modo –
quelli con importi contenuti (se non negativi), fanno
registrare percentuali di attivazione di nuove carte di
credito elevate (attenzione però al peso del nodo 66 che
è pari solo 1,938%).

Un ultimissima considerazione è collegata alle transazioni attraverso ATM; possiamo
notare a questo livello che coloro che possiedono un conto corrente (in questo caso con
un saldo contenuto) e fanno un uso assiduo degli sportelli automatici per le proprie
transazioni, hanno sovente attivato una nuova carta.

Come abbiamo accennato in precedenza, tali modelli possono essere utilizzati anche per analizzare i clusters che
sembrano più interessanti. Proprio per questo motivo, il C5.0 è stato lanciato anche sul segmento dei “Dormienti”; i
risultati ottenuti – attraverso lo stream riportato in questa slide – hanno però condotto ad una soluzione che si
avvicina moltissimo a quanto verificato per l’intero campione, questo perché il cluster in oggetto è composto da circa
40.000 clienti.

MODELLI DI ASSOCIAZIONE 35
Per confermare alcune delle evidenze emerse in precedenza, grazie agli output dei modelli di classificazione, e a
completamento dello studio in questione, abbiamo utilizzato alcune delle tecniche di associazione utili per lo
sviluppo di una Market Basket Analysis.

Lo stream del procedimento attuato è il seguente:

MODELLI DI ASSOCIAZIONE (2) 36
Per prima cosa sono state selezionate le variabili di partenza. Con l’ausilio del nodo Tipo è stato assegnato, ai campi
flag creati in precedenza (vedi slide 16), il ruolo sia di input che di obiettivo – passaggio necessario per poter lanciare
correttamente una MBA. Agli altri campi presenti nel DB è stato assegnato il ruolo nessuna, cioè non sono state
prese in considerazione.

Il nodo Web è stato molto utile per comprendere, prima del lancio di qualsiasi modello, quali fossero le relazioni più
forti tra le variabili input.

Il grafico mette in evidenza alcune
relazioni poco rilevanti e facilmente
intuibili, come ad esempio la relazione
tra Saving_amount e
Branch_transaction. Molto più
interessante è il legame tra
Current_amount e ATM_transaction,
infatti è già più volte emerso che chi di
solito possiede un c/c fa sovente
operazioni su ATM. Le altre relazioni
non sembrano fornire spunti utili ai
nostri scopi.

In seguito, è stata sviluppata una MBA attraverso l’attuazione di due tecniche: 1) Apriori; 2) Carma; i loro output hanno fornito in
sostanza gli stessi risultati.

Quanto riscontrato in precedenza,
grazie al nodo Web, viene ampiamente
confermato in questa tabella. Infatti, se
si classificano le relazioni antecedente-
conseguente sulla base del lift,
vediamo che il legame migliore è
registrato tra le operazioni su conto
corrente (antecedente) e l’utilizzo di
sportelli automatici per le transazioni
(conseguente); anche il supporto della
regola e il livello di confidenza sono
mediamente accettabili.

Come anticipato, la tecnica Carma offre risultati del tutto analoghi alla variante utilizzata in precedenza.
Inoltre, per questo secondo caso, il livello ottimale del lift nella relazione tra Current_amount e
ATM_transaction viene confermato anche se queste due variabili invertono il loro ruolo di antecedenti e
conseguenti.

FASE 4: IMPLICAZIONI 40

STEP 1  Findings

STEP 2  Implicazioni manageriali

FINDINGS 41
Prima di passare alle implicazioni finali, è opportuno riportare in questa slide alcuni dei punti chiave emersi dallo
studio:
È stato rilevato che vi è un segmento della clientela molto rilevante, i Dormienti, che si compone
principalmente di utenti giovani e maturi (fascia 24-65 anni), e che usufruiscono mediamente poco dell’offerta
attuale. Questi, forse, sono alla ricerca di un prodotto più flessibile che soddisfi, in pratica, la loro esigenza
quotidiana di realizzare operazioni bancarie di piccolo calibro.

L’utilizzo della carta per l’e-banking è abbastanza frequente ma, diversamente da come si potrebbe ipotizzare,
l’incidenza di questo fattore nello spronare il cliente all’attivazione della carta è molto contenuta.

Il numero di nuove attivazioni è più elevato per le prime fasce d’età del campione, e cioè “18-23”/“24-65”.
Questo sta ad indicare che il cliente che utilizza una carta è tendenzialmente abbastanza giovane, e quindi più
addicted nell’utilizzo di canali innovativi (come le Application per cellulari) e più attratti da nuove formule
promozionali.

Per i possessori di un C/C, soprattutto con saldi non troppo elevati, si è spesso verificata la predilezione ad
utilizzare gli sportelli automatici. Questo dato è molto interessante se si pensa alla possibilità di creare per
questi clienti uno strumento che gli consenta di realizzare le loro classiche operazioni (versamenti, bonifici,
ecc.), che solitamente vengono effettuate allo sportello, presso gli ATM o attraverso i canali innovativi indicati
in precedenza.

IMPLICAZIONI 42
Riassumendo, per spingere la clientela – in particolare i cosiddetti dormienti – ad attivare nuove carte di credito,
serve un prodotto che sia: giovane, flessibile, che offra una serie di servizi aggiuntivi ed innovativi e che
permetta di evitare le lunghe attese allo sportello per effettuare le classiche operazioni bancarie (ad esempio, i
bonifici).

La soluzione è stata proposta, ultimamente, da UBI Banca:

La carta Enjoy è una carta di credito dotata di codice IBAN che permette di effettuare svariate operazioni bancarie e
prevede un gran numero di servizi aggiuntivi al cliente. Insieme alla carta viene offerto anche uno smartphone
Samsung che congiuntamente ad essa permette di sfruttare il nuovissimo canale dello Smartbanking

IMPLICAZIONI (2) 43

Cosa offre la carta???

Uno strumento del genere sembra soddisfare tutte le finalità che avevamo previsto, riuscendo in maniera rapida e
con un investimento ridotto ad attirare quei clienti che cercano, ormai da tempo, una banca – diversa dalla
concezione classica di istituto finanziario (un ente solido ed affidabile) – che si adatti alle loro esigenze: cioè quelle
di una società che evolve sempre più rapidamente e i cui bisogni sono sempre più differenziati.

Data Mining: project new credit card

Recommandé

Recommandé

Contenu connexe

Similaire à Data Mining: project new credit card

Similaire à Data Mining: project new credit card (20)

Data Mining: project new credit card