Come capire se il cliente sarà un cattivo pagatore con l’intelligenza artificiale, un pratico esempio

medium economic 1 day

Oggi scopriremo, grazie ad un algoritmo che implementa il classificatore di Naive-Bayes (un classificatore che si basa sul teorema delle probabilità di Bayes), come individuare preventivamente se i clienti (o potenziali clienti) saranno buoni o cattivi “pagatori” per un particolare prodotto o servizio.

Buona parte dei sistemi gestionali permettono di esportare l’elenco dei clienti e la rispettiva situazione delle fatture saldate o insolute.

Queste informazioni sono fondamentali per il riconoscimento predittivo e rappresentano il training set dell’algoritmo.

Più l’esportazione è dettagliata e migliore sarà l’accuratezza della predizione.

premessa:

  • scegliere accuratamente le caratteristiche da imputare nell’algoritmo (ad esempio se l’azienda è grande, media o piccola sulla base del numero dei dipendenti, del fatturato…).
  • l’algoritmo accetta file csv formato da 13 colonne (il formato csv è facilmente esportabile da qualsiasi gestionale). Le prime 5 colonne rappresentano variabili di categoria (es, azienda piccola, media o grande), dalla 6 alla 10 vengono inseriti valori numerici discreti o continui, la colonna 11 rappresenta la data del “rilevamento” e la colonna 12 rappresenta il target, ovvero, l’oggetto della predizione.
  • ogni caratteristica deve essere inserita in una specifica colonna (l’ordine non è importante)
  • le caratteristiche sono indipendenti una dall’altra

Facciamo un esempio

Supponiamo di aver esportato il seguente file da un generico sistema gestionale: l’esempio prevede la categorizzazione dei clienti in “BIG, MIDDLE, SMALL”, la tipologia del venduto (SERVICE, PRODUCT), la complessità del servizio/prodotto offerto, l’importo in fattura ed il numero di mesi dal primo contatto del partner di riferimento. Nella colonna target, invece, il valore che vorremmo predire, ovvero, pagato o insoluto.

Training Set – input file for Naive Bayes calculation


Import NaiveBayes training Set

Importiamo il file su questo servizio on-line

Una volta completata l’importazione (e quindi aver istruito l’algoritmo con lo storico presente nel nostro gestionale), possiamo creare dinamicamente le nostre previsioni.

Utilizziamo lo stesso servizio online per eseguire le nostre predizioni.

Ad esempio:

voglio sapere se una grande azienda che lavora con me da 34 mesi e vuole acquistare un servizio standard da 45000 euro, avrà problemi con il pagamento oppure no.

Inseriamo questi dati nell’apposita sezione e premiamo salva:

BIG, SERVICE, STANDARD, 45000, 34

Prediction Set for Naive Bayes

Il sistema, dopo aver mostrato i passaggi matematici, ci fornirà la predizione per questo specifico caso. La predizione risulta PAID, quindi, l’acquirente pagherà l’importo dovuto.

Proviamo invece ad inserire una situazione di questo tipo:

Una piccola azienda vorrebbe comprare un grosso servizio customizzato ad-hoc da 150.000 euro ed è la prima volta che lavora con noi. Vediamo cosa ci dice l’algoritmo (che si basa sul nostro storico). Inseriamo quindi:SMALL, SERVICE, CUSTOM, 150000, 1

In questo caso la predizione è UNPAID, ovvero, è molto probabile che l’azienda non pagherà l’importo dovuto.

In conclusione, l’algoritmo si basa sullo storico aziendale ed utilizza il calcolo delle probabilità e l’apprendimento automatico (una delle caratteristiche dell’intelligenza artificiale) per fare previsioni più o meno accurate (dipende anche dalle caratteristiche iniziali). Può essere utilizzato in moltissime modalità e settori differenti. Gli strumenti gestionali sono soltanto uno dei tanti campi di applicazione.