Share:

Categories:

4 casi MJV di Data Science

“Senza dati, sei solo un’altra persona con un’opinione”. Questa citazione di Edward Deming è del secolo scorso. Tuttavia, sembra essere di ieri. È più evidente che mai che la mentalità orientata ai dati è la pietra miliare del processo decisionale e dell’innovazione.


Anche con gli strumenti e le tecniche che abbiamo a disposizione oggi, molte organizzazioni trovano difficile farsi guidare dai dati che hanno. Oggi, abbiamo portato 4 casi di Data Science per ispirarvi e mostrarvi le possibilità illimitate che può portare alla vostra azienda. 

1- Indicatore di propensione alla frode

Uno dei nostri clienti nel settore assicurativo stava faticando a trovare le informazioni necessarie all’interno dei loro strumenti di visualizzazione dei dati e ad identificare i casi inclini alla frode o le richieste di esame non necessarie nei processi.

La sfida

L’idea era quella di analizzare migliaia di richieste giornaliere di assicurazione sanitaria per identificare i modelli comportamentali di frode chiamati rottura di ricevuta.

La grande sfida era quella di raccogliere, ordinare, strutturare e visualizzare tutti i dati precedentemente non strutturati che non venivano utilizzati per generare intuizioni e migliorare il processo decisionale. 

La soluzione

MJV ha utilizzato Oracle DataBase per memorizzare, strutturare e incrociare i dati. L’idea era di agire su due fronti diversi:

  • Abbiamo usato il database per integrare i dati raccolti dai sistemi di rimborso. In questo modo, è stato possibile memorizzare ed elaborare dati digitali che erano vari e non strutturati
  • Abbiamo organizzato dei dashboard per visualizzare dati specifici relativi alla prevenzione delle frodi.

Il risultato

Con questo strumento, l’assicuratore è ora in grado di elaborare circa 10.000 richieste di rimborso al giorno. In questo modo, ha automatizzato l’identificazione delle richieste che presentano la possibilità di frode.

Le dashboard forniscono tutta la visualizzazione necessaria per il processo decisionale in tempo reale. Inoltre, ora è possibile fare un’analisi più accurata e mirata sui casi che sono soggetti a frode.

2- Ripensare il Marketing Execution Score

In questo caso, un’azienda del settore FMCG aveva bisogno di analizzare e utilizzare i dati disponibili per migliorare le proprie strategie di business.

Il Marketing Execution Score valuta la capacità di un negozio di implementare le strategie di vendita e di marketing che gli sono state assegnate. Si è scoperto che era necessario capire come funzionava la metrica per identificare i modelli. 

La sfida

I negozi con un alto Marketing Execution Score non sempre avevano alti volumi di vendita. Abbiamo dovuto sintetizzare, raggruppare e analizzare i dati disponibili per capire i parametri correlati al volume delle vendite.

Solo facendo questo tipo di identificazione sarebbe stato possibile stabilire le migliori pratiche e definire dove investire in futuro.

La soluzione

MJV ha utilizzato Python, Jupyter Notebook e Sklearn come strumenti per analizzare i dati. Sulla base di ciò, ha raggruppato i negozi e ha testato le ipotesi statistiche all’interno dei cluster creati. Siamo stati in grado di fornire il comportamento del volume delle vendite in base ai livelli di esecuzione.  

Il risultato

Oltre al clustering, MJV ha fornito analisi delle performance, valutazioni statistiche per canali di vendita e ha fornito suggerimenti per rivalutare l’impatto degli articoli sul punteggio complessivo dei negozi. 

Così, abbiamo stabilito nuovi parametri per il cliente da considerare nella definizione dei punteggi. Questo è stato determinante per migliorare la visibilità dell’azienda e decidere dove investire.

3- Modelli di targeting per i negozi pop-up

Un altro caso interessante è stata la creazione di modelli di segmentazione per i negozi pop-up. Il cliente era nel settore assicurativo, e il progetto ha coinvolto competenze in aree come l’intelligenza artificiale, il GeoMarketing, il Design Thinking e, naturalmente, la Data Science.

La sfida

La grande sfida per MJV era quella di creare un modello di segmentazione basato sui dati che potesse incrociare i dati della base clienti con il censimento, in modo da poter offrire la migliore esperienza e personalizzazione in base alla posizione dei negozi.

Con questo, ci si aspettava di ridefinire sia lo spazio di vendita che l’esperienza che i broker avrebbero promosso, portando lead di alta qualità. Inoltre, permetteva loro di creare viaggi iper-personalizzati.

La soluzione

Abbiamo preso il database e utilizzato l’analisi esplorativa per ottenere intuizioni. Dopodiché, abbiamo utilizzato modelli di clustering AI. Con il supporto di API per mappare le informazioni di latitudine e longitudine, abbiamo aggiornato il database. Lo abbiamo integrato con uno strumento di visualizzazione in modo che il cliente avesse accesso a una piattaforma data-driven, che permette la segmentazione per aree e secondo la demografia della popolazione – una perfetta combinazione di fonti di dati interne ed esterne.

Il risultato

Siamo stati in grado di ridisegnare l’esperienza di vendita, che ha migliorato la presenza del marchio e ha portato a una relazione più stretta tra broker e clienti. Inoltre, è stato possibile creare una strategia per posizionare i negozi, identificare il pubblico che ha senso e creare offerte personalizzate per ognuno

4- Borsa valori e Design Driven Data Science

Infine, presenteremo il caso di una delle più grandi borse di capitali del mondo. In questo caso, MJV ha prototipato un servizio di consegna di dati su richiesta con i dati di chiusura del mercato. Gli strumenti di automazione per ottenere questo tipo di rendimento sono una pratica sempre più comune in questo mercato.

La sfida

Le informazioni erano disponibili solo a fine giornata e in modo frammentato. Era necessario compilare i dati da 15.000 fonti per diversi tipi di utenti. Per questo motivo, c’era una mancanza di sincronia tra la chiusura dei mercati e l’andamento degli analisti. Il modello precedente richiedeva anche un compito specifico di controllo incrociato dei dati da parte dei team IT, che generava lunghe ore di lavoro.

La soluzione

MJV ha combinato il Design Thinking con il Data Science per prototipare la soluzione per il cliente. Il lavoro è stato diviso in tre parti:

  • Immersione, con professionisti della borsa in collaborazione con il team di innovazione, per capire come funzionavano i dati
  • Clustering dei dati per identificare i bisogni, che ha generato un workshop di co-creazione tra MJV e il team di innovazione
  • Prototipazione del progetto, costruendo e validando il viaggio d’acquisto del prodotto digitale per eseguire l’analisi.

Il risultato

Con l’unione tra Design Thinking e Data Science, abbiamo strutturato e rifinito la creazione del prodotto con un focus sul consumatore. In questo modo, è stato possibile sviluppare una piattaforma innovativa che forniva dati in modo segmentato e personalizzabile. Questo progetto ha lasciato un’eredità reale alla Borsa e ha inaugurato nuove linee guida per i prodotti digitali dell’organizzazione, incoraggiando la trasformazione digitale.

Cosa ne pensi dei nostri casi di Data Science? Questi erano solo quattro esempi, ma MJV ha un ampio know-how e un team di Data Science dedicato esclusivamente ad aiutare aziende come la tua a scoprire possibilità illimitate.  

Vuoi saperne di più? Mettiti in contatto!

Back