AI-Powered Churn Prediction per il settore Banking
La Sfida
L'istituto bancario aveva già sviluppato internamente un sistema di churn prediction, ma alcuni aspetti potevano essere migliorati, nell’ottica di una maggiore efficacia operativa, tra cui:
Riduzione dei falsi positivi. Molti clienti venivano identificati a rischio abbandono senza che questo si verificasse realmente, generando interventi time-consuming per le risorse interne;
Poca granularità. Il sistema non distingueva tra clienti che avrebbero chiuso completamente il rapporto e quelli che avrebbero semplicemente ridotto l'utilizzo dei servizi;
Poca interpretabilità. Non era chiaro quali fattori determinassero il rischio, rendendo difficile progettare azioni di retention mirate su specifiche variabili;
Previsioni a breve termine. L'orizzonte temporale limitato non permetteva strategie di medio-lungo termine adeguate.
La banca, dunque, necessitava di una soluzione AI più sofisticata che non solo prevedesse l'abbandono con maggiore accuratezza, ma fornisse anche insight interpretativi per guidare azioni concrete.
La retention della clientela rappresenta una priorità strategica per il settore bancario svizzero, con particolare focus su istituti che offrono servizi specializzati in previdenza e salute.
La nostra Soluzione AI
Artificialy ha sviluppato un sistema di churn prediction basato su modelli duali specializzati, ciascuno progettato per catturare un pattern di abbandono diverso.
Il sistema analizza dati storici provenienti da fonti eterogenee, come dati digitali (accessi web, mobile banking), dati transazionali (volumi, frequenza, tipologie di operazioni), interazioni con il supporto (chiamate, reclami, richieste di assistenza) e pattern comportamentali (credit score, prossimità al rinnovo annuale).
Questi dati alimentano due modelli predittivi complementari:
Cancellation Churn Model. Calcola la probabilità che un cliente decida di annullare completamente le proprie sottoscrizioni e interrompere i servizi bancari. Il modello fornisce previsioni a 3 mesi per interventi immediati su clienti ad alto rischio e a 6 mesi per strategie preventive di medio termine.
Transactional Volume Drop Churn Model. Prevede la probabilità che un cliente, pur non chiudendo formalmente il conto, riduca drasticamente l'utilizzo dei servizi. Nello specifico, identifica clienti che effettueranno almeno il 90% di transazioni in meno rispetto allo stesso trimestre dell'anno precedente. Questo modello cattura un fenomeno spesso invisibile: clienti che si allontanano gradualmente senza chiudere il rapporto, ma che di fatto non generano più valore per la banca.
Oltre alle previsioni, l'AI fornisce un'interpretazione delle sue scelte (explainability) indicando per ogni singolo cliente, quali fattori hanno inciso maggiormente nella sua decisione tra:
Credit score e variazioni recenti;
Numero e tipologia di chiamate al supporto clienti;
Frequenza e tipo di interazioni tramite canali digitali;
Prossimità temporale al pagamento della quota annuale;
Pattern anomali rispetto al comportamento storico del cliente;
E molti altri
Questa trasparenza permette ai team di retention di progettare interventi personalizzati basati sui driver specifici di rischio.
Risultati
La soluzione AI di Artificialy, testata su un istituto bancario svizzero specializzato in ambito previdenziale, ha prodotto miglioramenti misurabili e significativi:
Oltre 90% di riduzione dei falsi positivi
+14,4% di precisione nelle previsioni
Maggiore comprensione dei driver di rischio
La soluzione dimostra come l'AI possa non solo migliorare la precisione predittiva, ma trasformare i sistemi di churn prediction da strumenti di allerta a piattaforme di decision intelligence per la gestione proattiva della base clienti.
.png)
