In questa pagina:
Nel 2026, un operatore del settore Telco ci ha ingaggiato per sviluppare un sistema di monitoraggio e previsione del churn, ovvero l’abbandono dei clienti. L’obiettivo era identificare in anticipo i clienti a rischio di disdetta, segmentarli per profilo comportamentale e fornire un output operativo immediatamente utilizzabile dalle aree Marketing e Retention.
Anno: 2026 (in corso)
Team di progetto: Bianca Tardani, Diletta Strambi
Categoria Servizio: Intelligenza Artificiale
La situazione di partenza
In un mercato delle telecomunicazioni sempre più competitivo, la perdita di clienti rappresenta una doppia criticità: da un lato si perdono ricavi ricorrenti certi, dall’altro si sostengono costi di acquisizione elevati per rimpiazzare i clienti persi.
Il cliente sapeva di avere un problema di abbandono, ma non disponeva di strumenti per anticiparlo né per identificare con precisione quali clienti fossero davvero a rischio. Le azioni di retention venivano condotte in modo indifferenziato, senza una prioritizzazione basata su dati.
La consapevolezza di fondo era già presente: i clienti che stanno per abbandonare lasciano tracce nei dati prima di partire. La sfida era costruire un sistema capace di leggere questi segnali in anticipo e di tradurli in un piano d’azione concreto.
Il cliente si è quindi rivolto a Gung per:
- Restituire un output operativo prioritizzato, direttamente utilizzabile dai team di business
- Analizzare il proprio parco clienti a partire dai dati grezzi disponibili
- Identificare i profili comportamentali associati al rischio abbandono
- Costruire un modello predittivo in grado di segnalare i clienti a rischio
Vuoi avviare un progetto di AI anche nella tua azienda?
I risultati
Il progetto ha portato a risultati concreti e misurabili su tutto il parco clienti analizzato:
- Sono stati analizzati circa 2 milioni di clienti reali, a partire da un dataset grezzo di ~2,5 milioni di utenze, depurato da aziende, duplicati e anomalie.
- Il churn rate globale rilevato si è attestato al 4,38%, con variazioni significative tra i diversi segmenti.
- I clienti sono stati suddivisi in 4 macro-profili con livelli di rischio radicalmente diversi: dal segmento con churn quasi zero (0,01%) al segmento ad alto rischio con un tasso di abbandono del 17,26%.
| Segmento | Churn Rate |
| Vulnerabili Recenti (Alto Rischio) | 17,26% |
| Consolidati a Rischio (Rischio Medio) | 5,22% |
| Storici Fedeli (Rischio Basso) | 1,69% |
| Digitali Fidelizzati (Stabile) | 0,01% |
- Il modello predittivo ha raggiunto un ROC-AUC di 0,92, indicatore di una capacità discriminante eccellente.
- Il top 10% dei clienti segnalati come a rischio concentra il 27,6% degli abbandoni reali, a fronte di una media globale del 4,4%: questo significa che un’azione di retention mirata su questo sottoinsieme ha un’efficacia 6,3 volte superiore rispetto a un intervento indifferenziato.
A seguito del nostro intervento, il cliente ha acquisito una visione strutturata del proprio parco clienti, uno strumento predittivo operativo e un piano di intervento differenziato per segmento, in grado di guidare le campagne retention in modo efficiente e misurabile.
Vuoi automatizzare i processi aziendali con l’uso dell’AI?
Le attività svolte da Gung
Il progetto si è articolato in quattro fasi sequenziali, ciascuna costruita sull’output della precedente:
Raccolta e Pulizia Dati
Il punto di partenza era un dataset grezzo di circa 2,5 milioni di utenze. In questa fase abbiamo selezionato i soli clienti “umani” (persone fisiche), eliminando aziende, duplicati, utenze con età anomala (superiore a 90 anni) e record privi di indirizzo o informazioni minime. Il dataset finale su cui abbiamo lavorato contava 1.939.274 clienti unici, corrispondenti a 2.396.918 numeri telefonici.
La pulizia dei dati non è una fase accessoria: da essa dipende direttamente l’affidabilità di tutti i risultati successivi.
Costruzione del profilo cliente
Per ogni cliente abbiamo costruito un insieme di variabili chiave in grado di descriverne il comportamento e la storia contrattuale:
- Anzianità come cliente dell’operatore
- Numero di linee attive
- Continuità contrattuale (interruzioni e riattivazioni)
- Utilizzo di canali digitali
Queste variabili costituiscono la base sia per la segmentazione che per il modello predittivo. Il 74,1% dei clienti analizzati risultava già attivo su canali digitali.
Segmentazione K-Means: i 4 Profili di Cliente
Tramite un algoritmo di clustering K-Means, i clienti sono stati raggruppati in quattro profili omogenei, validati con test di stabilità statistica. Ogni profilo presenta caratteristiche distinte in termini di rischio abbandono e comportamento:
| Segmento | Dimensione | Churn Rate | Lift | Caratteristiche |
|---|---|---|---|---|
| Vulnerabili Recenti (Alto Rischio) | 19,9% — 385.320 clienti | 17,26% | 3,94x | Clienti nuovi, non digitali. Rischio quasi 4 volte la media. Difficili da raggiungere. |
| Consolidati a Rischio (Rischio Medio) | 17,5% — 338.977 clienti | 5,22% | 1,19x | ~5 anni di anzianità, multi-linea e digitali. Rischio sopra media. |
| Storici Fedeli (Rischio Basso) | 1,3% — 24.965 clienti | 1,69% | 0,39x | Oltre 10 anni di anzianità, quasi tutti digitali. Il patrimonio da preservare. |
| Digitali Fidelizzati (Stabile) | 61,3% — 1.185.079 clienti | 0,01% | 0,002x | Il segmento più grande. Mono-linea, 100% digitali, churn quasi zero. |
La segmentazione ha permesso di passare da una visione indifferenziata del parco clienti a una mappa precisa di dove si concentra davvero il rischio.
Modello predittivo e piano di intervento
Nella fase finale abbiamo addestrato un modello di Machine Learning (HistGradientBoosting) su 1.550.000 clienti, utilizzando le 5 variabili chiave identificate nella fase di profilazione:
- Numero di linee attive
- Anzianità del cliente
- Numero di riattivazioni dell’utenza
- Continuità contrattuale
- Utilizzo di canali digitali
Il modello è stato validato su 387.855 clienti mai visti prima, confermando prestazioni eccellenti: ROC-AUC = 0,92 e un Lift del 6,3x sul top 10% dei clienti segnalati.
L’output finale consegnato al cliente è una lista clienti a rischio prioritizzata, accompagnata da un piano di intervento articolato per segmento:
- 1ª priorità — Vulnerabili Recenti: contatto immediato, offerte di benvenuto, supporto all’onboarding, presidio dei canali fisici.
- 2ª priorità — Consolidati a Rischio: campagne retention mirate sui digitali, offerte bundle e upgrade di piano.
- 3ª priorità — Storici Fedeli: programmi fedeltà e reward esclusivi, approccio non invasivo.
- Monitoraggio — Digitali Fidelizzati: presidio periodico, focus su cross-selling e up-selling.
SCRIVICI
Vuoi capire le applicazioni dell’AI per la tua azienda?
Facciamo una valutazione insieme per definire i prossimi passi da compiere!