Nella fase Discovering in cui nella fase in quel cliente si sta piano piano affezionando al prodotto o al servizio, dobbiamo iniziare a riflettere su un elemento fondamentale che è la mappatura delle ragioni di disdetta la mappatura delle ragioni del Cern e l'analisi del cervello stesso.

Il CERN è una metrica tipica dei modelli a subscription o è il tasso di abbandono? Nasce in ambito telco, quindi in ambito telecomunicazione, come calcolo di quante persone cambiano operatore di mese in mese ed è una metrica molto comune nei modelli subscription, ma che può essere applicato ad altri ad altri settori.

Per quanto riguarda il Cern, sicuramente dobbiamo tenere monitorato già dalla fase Discovering quello che il Cern right, ovvero la percentuale di clienti che a fine mese o a fine anno se il nostro servizio su base annuale, il nostro servizio a un abbonamento annuale lasciano il servizio.

Ll opposto del Cern hit è ovviamente in retention rate la percentuale di coloro che invece decidono di restare che un principale indicatore delle nostre performance a livello diciamo più complessivo di prodotto.

Nella fase di discovering dobbiamo iniziare a mappare non solo il cervello, ma anche iniziare a costruire quello che viene chiamato il Cern Score.

Che cosa ci scorre? È un punteggio che si può applicare ogni cliente di propensione al Cern idealmente con strumenti di in business intelligence, di machine learning, intelligenza artificiale Si possono si può costruire un algoritmo che mi va a prevedere la propensione al Cern di un cliente.

Quindi elabora ogni cliente uno score da zero a uno che indica la sua possibile propensione al Cern a disdire a fine me ne fine mese.

Quindi bisogna necessario passare da un approccio passivo.

Ok, arriva a fine mese.

Conto quante persone hanno lasciato il mio servizio Ha un approccio predittivo, cioè inizia a fare una stima.

Mi elaboro un modello predittivo e sulla base di quello faccio una serie di azioni per correggere il tiro.

Nel caso di registrarsi dei problemi non necessariamente bisogna, come dire, elaborare modelli complessi, ma bisogna iniziare a pensare a quegli indicatori, a quelle spie che mi dicono quando un cliente è a rischio e posso poi andare ad applicare a ogni cliente un uno score di propensione al Cern.

Noi in infinite abbiamo affrontato questo tema, abbiamo dei modelli predittivi del tasso di abbandono del cliente, però ci siamo chiesti come migliorare ulteriormente.

E per esempio, abbiamo organizzato un hackaton, ovvero una maratona, una sfida, una maratona digitale in cui diversi gruppi di studenti di laureati statistica si cimentavano nel provare a migliorare il nostro modello predittivo del tasso di turno.

Ad applicare ogni cliente.

Un giorno scorre un indice di professione al Cern É stata una bellissima giornata, Ovviamente il gruppo vincitore vinceva un premio monetario e poi per alcuni la possibilità di lavorare in Mediaset è stata una bellissima giornata.

I modelli dei ragazzi avevano una great del settantadue percento, che è un ottimo dato per business come quello di Infiniti, dove in un modello entri, esci quando vuoi, crea alcune difficoltà di di previsione.

Però avevano individuato degli elementi, degli indicatori delle spie che ci dicevano quali clienti stavano effettivamente rischiando di lasciare a fine mese.

È chiaro che non tutti possono organizzare un agguato.

Però iniziare a mappare, a pensare a quelli che sono gli indicatori che ci permettono di prevedere se un cliente soddisfatto o meno è una parte fondamentale della strategia che dobbiamo iniziare a fare, in particolare nella fase Discovering.

Perché? Perché prima abbiamo pochissime informazioni e dopo entreremo nella fase migliore del nostro cliente.

Quindi è da questa fase.

Dobbiamo iniziare a riflettere su questi elementi.

Poi possiamo farlo con modelli predittivi anche voluti, oppure possiamo farlo in una maniera più qualitativa.