Chapter 1
Come può un’azienda energetica ridurre in modo analitico il tasso di churn sui rinnovi contrattuali?
Un’azienda Power&Utilities leader sul mercato vuole sfruttare gli Advanced Analytics e i modelli di AI per definire le migliori strategie di pricing per i rinnovi dei clienti.
Per essere competitivi sul mercato, le aziende devono garantire ai propri clienti il miglior prezzo di fornitura. La definizione della strategia di prezzo in fase di rinnovo deve essere mirata a contenere il tasso di churn e a garantire il giusto margine per l’azienda. Inoltre, per ogni cliente/fornitura è necessario considerare più variabili (cliente dual, età, metodo di pagamento, etc). In questo ambito, il cliente vuole rivedere il modello di ottimizzazione che definisce il prezzo dei rinnovi contrattuali per energia elettrica e gas, per le forniture residenziali e business.
Il team Pricing dell’azienda ha il ruolo di definire il prezzo migliore in fase dei rinnovi contrattuali dei propri clienti. Il modello AS-IS considera come variabili il prezzo di partenza del cliente e un’informazione aggregata dei consumi. Come diretta conseguenza c’è un basso controllo dei rischi esogeni, del tasso di abbandono causato dal processo e poca sensibilità ai parametri e alle caratteristiche dei signoli clienti. L’esigenza è quella di definire un nuovo modello che supporti il processo decisionale prendendo in input molteplici variabili legate al cliente e alle forniture generando diversi mix di repricing ottimi per il raggiungimento del margine e la minimizzazione del rischio di abbandono.
Chapter 2
Modello di Pricing Multidimensionale per i Rinnovi.
Con l’azienda abbiamo definito il modello di rischio e l’algoritmo di ottimizzazione che permette di definire la nuova strategia di pricing sui rinnovi contrattuali.
Modello di ottimizzazione di pricing multidimensionale sui rinnovi
Partendo dall’analisi del processo as-is e dei dati disponibili in azienda sono stati definiti i punti di debolezza del modello in essere e le opportunità. La basi dati disponibili sono state messe in relazione, arricchite con fonti esterne e variabili calcolate, normalizzate ed integrate in un unico data lake. Tramite modelli di AI e analisi avanzate abbiamo effettuato diversi studi volti a valutare la sensibilità del cliente rispetto alla variazione di prezzi, il tasso di inerzialità rispetto a churn ed rvc (richieste di variazioni contrattuali) della clientela, le variabili più significative per descrivere i rischi, ecc.
Successivamente è stato sviluppato un framework di ottimizzazione per il clustering e il repricing ottimale da applicare ai clienti. Il modello propone diverse strategie di pricing andando ad ottimizzare le funzioni obiettivo impostate: massimizzazione del margine, minimizzazione del rischio associato alla strategia applicata e massimizzazione delle forniture non impattate dal processo. L’utente può anche impostare numerosi vincoli sui prezzi, sul margine e sulle logiche di clustering in modo da focalizzare il modello solamente sulle soluzioni che rispettino le logiche di business e le regole dettate dall’autorità.
Per valutare l’output del modello e permettere all’utente di selezionare la strategia di prezzo ottimale, è stata predisposta una dashboard in Power BI che permette di navigare e fare drill-down di dettaglio sulle soluzioni del modello e sulle caratteristiche delle forniture sottese.
Il progetto di Pricing Multidimensionale ci ha permesso di applicare analisi e modelli matematici avanzati a supporto di un processo critico del cliente, dimostrando come questi possano davvero modellare una realtà sempre più complessa permettendo decisioni migliori e fortemente data driven.
Chapter 3
Clustering più granulare e riduzione del rischio legato al tasso di churn delle forniture rinnovate.
E' stato creato uno strumento di decision making a supporto del processo di rinnovi che ha permesso di ragionare su molteplici strategie di pricing di dettaglio che rispettino vincoli e obiettivi di business imposti.
Il progetto si inserisce nel quadro più ampio di trasformazione dei processi di marketing & supply del cliente con l’obiettivo di dotarsi di strumenti in grado di rafforzare la comprensione degli impatti delle proprie strategie sui clienti finali.
In tale contesto, il progetto ha messo a disposizione del cliente uno strumento in grado di supportare il processo decisionale sottostante il processo di rinnovo del pricing.
Il cliente ha riscontrato un miglioramento della price sensitivity, ossia la sua capacità di identificare e comprendere a priori gli impatti sul cliente finale derivanti dall’applicazione di nuove strategie di prezzo (es. dedicere di cambiare fornitura con lo stesso provider o addirittura cambiare provider).
In aggiunta a quanto sopra si riscontra una più puntuale capacità nel definire strategie di pricing mirate a differenti cluster di clienti finali con un impatto positivo anche degli elementi di marginalità legate alle campagne di rinnovi prezzi.
