Nel settore del credito al consumo, comprendere il churn è fondamentale. Questo progetto ha avuto l’obiettivo di prevedere il rimborso anticipato dei prestiti integrando dati comportamentali multi sorgente in un modello di machine learning interpretabile, a supporto di strategie di retention proattive.

Una delle principali società finanziarie italiane specializzata in credito al consumatore, con numerosi punti di contatto digitali e offline.

Il cliente doveva comprendere la probabilità di churn in un contesto caratterizzato da ecosistemi dati complessi e interazioni multicanale.

Le principali criticità includevano informazioni frammentate, visibilità limitata sui comportamenti digitali che precedono il rimborso anticipato, mancata integrazione tra touchpoint online e offline e la gestione di grandi volumi di dati raw.

Modelli di machine learning personalizzati sviluppati su infrastruttura cloud, integrando analisi avanzate, feature engineering e tecniche di AI spiegabile.

È stato progettato e implementato un modello anti-churn su misura per prevedere le intenzioni di chiusura anticipata dei prestiti.

I dati provenienti da più fonti, tra cui comportamenti digitali, interazioni offline, marketing e informazioni socio demografiche, sono stati raccolti, preparati e analizzati. Sono state generate oltre 1.800 feature predittive e confrontati diversi algoritmi di machine learning per individuare l’approccio più performante, all’interno di un ambiente cloud scalabile.

  • Migliore accuratezza predittiva grazie all’integrazione di dati multicanale
  • Maggiore comprensione dei driver di churn attraverso modelli spiegabili
  • Condivisione dei punteggi di churn con i sistemi di attivazione dei dati
  • Abilitazione di azioni di retention mirate, come campagne personalizzate
  • Miglioramento della qualità dei dati e della maturità di governance