CUSTOMER VALUE “IL VALORE DEL SERVIZIO”

1. CUSTOMER VALUE“IL VALORE DEL SERVIZIO” Obiettivi Metodo Primi risultati

2. Il Progetto • Obiettivo: • Misurare il valore creato dal rapporto con il cliente • Correlare la qualità dei servizi forniti, fedeltà e valore patrimoniale del cliente • Metodologia • Comitato Scientifico che presidia i contenuti metodologici/definizione modello • Incontri mirati con focus group • Validazione metodologia con panel campione • Presentazione risultati in un Convegno

3. Dati anonimi • Indicazioni metodo • Commenti • Colloquio circa 1 ora • Questionario pre-spedito • Gruppo ristretto aziende • Analisi dati • Incontro verifica risultati Modello & rilevazione qualitativa Modello & rilevazione quantitativa Presentazione a Focus Group Modello interazione cliente-azienda Dati campione rappresentativo Rapporto sintetico sulla metodologia e sui finding KPI selezionati in rilevazione qualitativa Personalizzazione catena Analisi Granger Analisi Variabili Latenti Investment Variables Customer’s value variables Process & System Behavior Financial Variables Piano di lavoro

4. La catena causale : schema semplificato Investment Variables Process & System Behavior Customer’s Value Variables Financial Variables • HR • Education • Work Environment • Communication Lines • One call resolution • Response time • Etc. • Customer Satisfaction Index, • Churn rate • Customer Loyalty • Etc. • EBIT • Sales • Asset (LTV)

5. La catena causale : mappa relazioni (esempio) Investment Variables Process & System Behavior Customer’s Value Variables Financial Variables Customer’s value D EBIT One call resolution & escalation rate New costumer HR Education Average wait time & Abandoned calls D Sales & market share Churn & Retention Headcount Profitability Thecnology capability and alike D LTV Contact duration (IVR, Voice) D Asset Customer’s incurred cost Loyalty

6. Catena causale Financial Institution

7. Catena causale Telco e Media

8. Catena causale Automotive

9. L’analisi ha specializzato anche gli indicatori • 73 indicatori individuati • Investment : 11 • Process & System : 40 • Customer’s Value : 16 • Financial : 6

10. Criteri di Analisi • Modello di Granger • Analisi bivariata • Regressione lineare multipla • Stima dei valori dei nessi di causalità individuati dal Modello di Granger • Modello a Variabili Latenti • Analisi multivariata Procedimento utilizzato per l'analisi quantitativa

11. Analisi Quantitativa: Modello di Granger Catena Causale Legenda

12. Analisi quantitativa: Modello di Granger • Obiettivi: • Individuare nessi di causalità tra coppie di variabili • Associare ai nessi di causalità i parametri (pesi) stimati • Procedimento: • Step 1: Costruzione di un modello univariato per le due serie storiche relative alle variabili selezionate • Step 2: Costruzione di un modello bivariato delle due serie storiche basato sui modelli univariati calcolati nello step precedente. • Step 3: Calcolo degli errori quadratici medi (mse) di predizione dei due modelli e confronto dei risultati ottenuti. • Regressione lineare multipla

13. Esempio. Test di causalità di Granger • Obiettivo :

14. Andamento delle serie analizzate ADN UCGN

15. Stazionarietà e stagionalità delle serie UCGN - Univariato Plot Correlazioni serie originale Plot Correlazioni serie con le differenze del primo ordine

16. Risultato dell’analisi Tabella 2 - Post Sample MSE dei modelli analizzati In prima analisi, il modello bivariato non migliora la descrizione di UCGN.

17. Variabili latenti: Equazioni strutturali • Analisi Granger insufficiente • La catena causale presenta anche variabili latenti p.e. il valore percepito dal cliente: • sappiamo che esiste • non possiamo misurarlo in modo diretto • Occorre individuare le relazioni fra variabili latenti e variabili manifeste (KPI). • Metodo da utilizzare: le equazioni strutturali a variabili latenti

18. Analisi Quantitativa: Modello a variabili latenti - Catena Causale Legenda

19. Variabili latenti: Equazioni strutturali • Obiettivi: • Individuare indicatori che descrivano la variabile latente • Calcolare il valore dei nessi di causalità/covarianza tra le variabili • Procedimento: • Step 1: Confirmatory Factor Analytic Approach (CFA): • visione d’insieme della struttura del modello • indicazioni circa le variabili manifeste • Step 2: Structural Model (Causal Model): • individua e quantifica le relazioni di causalità tra variabili.

20. Personal consumption expenditure on durable goods Personal consumption expenditure on goods Personal consumption expenditure on services gdp Life quality Consumer credit Esempio: Equazioni strutturali a variabili latenti • Modello causale teorico di partenza

21. Confirmatory Factor Analytic Approach 1/2 E3 Var=? E4 Var=? E5 Var=? Personal consumption expenditure on durable goods Personal consumption expenditure on goods Personal consumption expenditure on services Var=? L=? L=? gdp L=? Cov=? Life quality Cov=? Cov=? Var=? Var=1 Cov=? Consumer credit

22. Confirmatory Factor Analytic Approach 2/2 • Prima valutazione dell’adattamento del modello. • Indicazioni precise su Factor Loading (L): relazioni tra ogni variabile latente e le rispettive variabili manifeste. • Stime sui rapporti tra le rimanenti variabili (espressi come covarianze). • Informazioni su affidabilità, validità convergente e validità discriminante. • Valutazioni su eventualità di modifiche al modello.

23. Structural Model (Causal Model) 1/2 • Implementazione delle equazioni strutturali che esprimono le relazioni tra le variabili considerate (latenti e manifeste) secondo lo schema di causalità che si intende seguire. • Vengono cioè sostituite le covarianze (frecce bidirezionali) con percorsi causali (frecce unidirezionali), spostandosi da una valutazione tra relazioni reciproche ad una valutazione tra relazioni causali ad una direzione.

24. Structural Model (Causal Model) 2/2 • L’output ottenuto sarà valutato in termini di: • Bontà di adattamento. • Significatività delle relazioni tra le variabili. • Analisi dei residui del modello. • Bilanciamento tra parsimonia e bontà di adattamento del modello. • Eventuali modifiche da apportare alle equazioni per affinare il risultato finale. • Dopo aver apportato le opportune modifiche sarà possibile confrontare il modello ottenuto con quello iniziale per individuare similarità e differenze.

25. Modello finale ESVL 1/2 Personal consumption expenditure on durable goods Personal consumption expenditure on goods Personal consumption expenditure on services L=0.6048 L=0.7640 gdp L=0.3370 P=0.5185 Life quality Cov=0.505 P=0.5819 Consumer credit

26. Modello finale ESVL 2/2 • Sono individuati i percorsi causali (Path Coefficients), il loro segno ed il loro peso. • Possibilità di interpretare le relazioni in modo immediato quantificando la variazione di una variabile indipendente sulla variabile dipendente cui si riferisce. • Vengono offerte indicazioni chiare sia da un punto di vista algebrico che grafico del percorso di causalità.

27. Documenti Analisi Quantitativa Manuale di Riferimento Manuale Utente

28. Manuale Utente Griglia Variabili Indipententi e Dipendenti Metriche Indicatori

29. Come si inserisce nello schema Business Intelligence • Memorizzazione serie storiche di base • Datawarehouse • Calcolo Granger ed ESVL • DSS • Memorizzazione risultati • DataWarehouse • DataMart • Pianificazione controllo e/o monitoraggio • Cruscotto

30. Conclusioni • Verificata la fattibilità tecnica di: • Catene Causali fra variabili di Investimento/Comportamento/Risultato • Misurazione variabili qualitative (misura il percepito) • Quindi è possibile p.e.: • Misurare le variazioni del “valore percepito dal cliente” • Associare il valore percepito (variazioni) a variabili economiche patrimoniali • Mirare in senso competitivo le azioni di valorizzazione del cliente • Prossimo passo: • Validare la significatività • Valutare i fabbisogni di dati di base e le possibilità di proxy • Al fine di ottenere • La patrimonializzazione del valore del cliente

31. Grazie per l’attenzione