Questo progetto è volto a traghettare la clientela dai canali di vendita tradizionali a quelli digitali.

La soluzione consente di indirizzare gli sforzi del team di vendita verso quei clienti che potrebbero essere più sensibili a questa opzione andando a identificarli con una soluzione di intelligenza artficiale.

La soluzione proposta deve essere quanto più indipendente da parametri e soglie arbitrari.

La soluzione implementata ha analizzato, all’interno del datalake del cliente, le informazioni che potessero descrivere la base della clientela in termini di abitudini di acquisto assolute e digitali.

Da questo dataset, standardizzato e ridotto di dimensionalità tramite PCA, sono stati eliminati gli outliers tramite algoritmo DBSCAN. Sui dati restanti sono stati sviluppati algoritmi di clustering volti a trovare regolarità tra clienti: in particolare, data l’accurata scelta del dataset, uno dei due clusters in cui è stata suddivisa la popolazione è risultato formato dai soli clienti che hanno già la tendenza a operare su canali online. Il centroide di questo cluster è stato preso come “cliente online modello” dove è stata calcolata per ogni punto la distanza rispetto al modello.

Il risultato consente di individuare all’interno della base clienti i cluster con maggiore propensione ad operare su piattaforme di acquisto online.

L’Analisi Semantica, basata su tecniche di Intelligenza Artificiale, consente alla macchina di comprendere testi ed estrarre informazioni.

Il nostro Motore di Ricerca Semantico consente di esaminare grandi quantità di documenti per scoprire informazioni e rispondere a domande di ricerca specifiche. La nostra soluzione identifica fatti e relazioni che altrimenti rimarrebbero nascosti nella massa dei big data testuali. Una volta estratte, le informazioni vengono convertite in una forma strutturata che può essere ulteriormente rappresentata attraverso oggetti grafici intuitivi.

Il nostro Motore di Ricerca Semantico, nello specifico, consente di:

• estrarre testo, tabelle, immagini e altri elementi costitutivi da articoli di giornale, pubblicazioni scientifiche, manuali, schede tecniche, relazioni, contratti, etc.;
• tradurre, tramite OCR, immagini contenenti testo in testo vero e proprio;
• sottoporre i testi ottenuti ad analisi semantica, con il duplice scopo di ottenere l’indicizzazione dei contenuti e di ricostruire il testo in forma web friendly;
• creare un sistema di question answering che risponda automaticamente alle domande poste attraverso il linguaggio naturale, estraendo i contenuti dalla knowledge base creata nel punto precedente.

Rispondere alle domande non è più cercare una stringa in un testo, ma un concetto in un corpo di conoscenza (ontologia), tenendo conto del contesto.

La nostra soluzione è orientata per i seguenti settori:

• Editoria
• Studi commercialisti, notai, avvocati
• Studi di ingegneria
• Organizzazioni scientifiche

Ogni giorno le organizzazioni finanziare mondiali devono affrontare la minaccia delle frodi. La nostra linea di soluzioni di Intelligenza Artificiale include strumenti di apprendimento automatico per identificare le transazioni fraudolente nei mercati finanziari. Il nostro sistema è in grado di identificare:

• Se una giornata di Borsa per un titolo è normale o anomala, in base alla sua storia passata
• Se un cliente ha eseguito movimenti anomali, rispetto alla sua storia passata

Questi problemi sono ascrivibili alla classe dei problemi cosiddetti di anomaly detection, cioè legati alla scoperta di situazioni anomale sommerse in un sottofondo di dati considerati normali.

Per ottenere una buona accuratezza dell’algoritmo è necessario avere un dataset ricco di informazioni della storia passata dei titoli e della clientela. Per i titoli sono necessarie tutte quelle informazioni relative alle singole giornate di mercato come per esempio prezzo medio, volatilità e quantità scambiata. Mentre per i clienti è necessario avere tutte le informazioni possibili relative a dati anagrafici, demografici, dati del portafoglio e la storia dei movimenti.

Le giornate di negoziazione di titolo o i movimenti di un cliente vengono pensate come punti in moto in un opportuno spazio. Al passare dei giorni, il punto disegnerà una traiettoria in questo spazio, che per lo più resterà confinata in una zona, uscendone occasionalmente in concomitanza con eventi che perturbano questo moto. La zona in cui il punto passa la maggior parte del tempo rappresenta la normalità delle condizioni descritte dalle coordinate, mentre i punti occasionali al di fuori di questa zona rappresentano situazioni anomale.

Le reti unsupervised sono addestrate per ricercare i punti di anomalia indipendentemente da parametri e soglie, solo facendo riferimento alla storia passata del titolo o del cliente.

Le nostre soluzioni sono attualmente in uso presso importanti realtà finanziarie italiane e internazionali.

Le disposizione di B.d.I. del 5/12/2018 su dispositivi di governance e di controllo sui prodotti bancari al dettaglio introducono la tutela dei consumatori di servizi bancari, mediante un insieme di regole che disciplinano il ciclo di vita del prodotto.

Non esistono a livello normativo indicazioni o prescrizioni specifiche in merito ai criteri da utilizzare per definire il mercato di riferimento, positivo e negativo. Durante l’intero ciclo di vita del prodotto le procedure interne devono assicurare che gli intermediari tengano in debita considerazione gli interessi, gli obiettivi e le caratteristiche dei clienti, i rischi tipici dei prodotti che possono determinare pregiudizi per i clienti, i possibili conflitti di interesse.

Resta fondamentale, dunque, l’individuazione del target market positivo e negativo, ossia delle classi di clientela per le quali un dato prodotto può essere considerato adatto o non adatto.

La nostra soluzione consente preliminarmente di individuare l’insieme di dati che descrivono il cliente e i prodotti descrivendo da una parte propensione al rischio e grado di alfabetizzazione finanziaria e dall’altro il grado di rischio e di complessità.

I dataset ottenuti vengono a sottoposti a clustering, metodo non supervisionato che permette di separare il dataset in sottoinsiemi omogenei.

In questo modo le coppie (Cliente, Prodotto) di partenza vengono rimappate in famiglie (Cluster Cliente, Cluster Prodotto) che definiscono i target market. Da ultimo i target market vengono sottoposti a metodi di machine learning che vanno a identificare eventuali outlier, scoprendo quindi la consistenza numerica della clientela off target.

Da notare che questo approccio può essere utilizzato anche in chiave propositiva, andando a riferire un nuovo cliente a un cluster di clientela e proponendo i prodotti relativi al cluster di prodotti più appropriato.

Il settore dei servizi finanziari sta subendo una trasformazione significativa riguardo le modalità di richiesta e fornitura dei servizi di consulenza e gestione finanziaria. Questa evoluzione è dovuta ad una varietà di fattori: nuovi parametri regolamentari, evoluzione demografica della clientela e, soprattutto, progressi tecnologici. Questi cambiamenti si osservano in un momento in cui la necessità e la domanda di consulenza su prodotti finanziari non sono mai state così alte.

La consulenza fornita tramite un robo advisor viene personalizzata in base a una profilazione compiuta sul cliente. Questa profilazione serve a definire le caratteristiche dell’investitore, principalmente in termini di propensione o avversione al rischio,

di obiettivi e/o vincoli finanziari. Una volta che il cliente è stato “inquadrato” gli si propone un’allocazione degli investimenti congrua al suo profilo.

La nostra soluzione prevede di individuare preliminarmente l’insieme di dati che descrivono il cliente e i prodotti.

Date le capacità dell’Intelligenza Artificiale è possibile costruire modelli rappresentativi anche molto complessi e di elevata dimensionalità.

Si costruiscono algoritmi per raggruppare strumenti finanziari da una parte e clienti dall’altra, per poi incrociare i raggruppamenti e determinare l’investimento. Le reti neurali associano portafogli modello ai clienti.

Questo strumento si pone come valido supporto nell’elaborare strategie di investimento e nell’assicurare la compliance di queste ultime alla normativa.

Sviluppo di uno strumento di valutazione dei Leads a supporto della forza vendita.

Questa soluzione utilizza algoritmi di intelligenza artificiale per assegnare una probabilità di vincere per ogni Lead/trattativa, al fine di concentrare la forza vendita sui contatti vincenti, e allo stesso tempo cercare strategie preventive per aumentare le possibilità di successo.

La strategia si è rivelata vincente perché consente di utilizzare direttamente dati significativi ma non quantitativi, quindi impossibili da inserire in un modello matematico.

Questa soluzione prevede l’adozione di uno strumento di intelligenza artificiale per “leggere” le risposte di un test di 350 domande sviluppato da psicologi specializzati nel reclutamento.

L’obiettivo è utilizzare la capacità dell’intelligenza artificiale di scoprire le relazioni annidate in grandi quantità di dati per fornire ai valutatori uno strumento di feedback oggettivo.

In questo progetto abbiamo sviluppato un sistema di visione artificiale basato sul deep learning che interpreta le immagini nella banda a raggi X degli imballaggi alimentari.

Il contributo dell’intelligenza artificiale è fondamentale, permettendoci di costruire un sistema semplice, affidabile e flessibile, caratterizzato da una rapida riconfigurazione e apprendimento automatico.

Questo progetto mira a ottimizzare le vendite di materiali di consumo che sono di natura ripetitiva.

L’obiettivo è utilizzare la capacità dell’analisi predittiva per scoprire i modelli nelle vendite dei clienti per ottimizzare i tempi in cui la forza vendita contatta i clienti e prevedere la necessità di prodotti di consumo.

Il risultato è una migliore previsione dei lead e un’ottimizzazione delle vendite.

Questa soluzione è rivolta alle pubbliche amministrazioni, alle forze di pubblica sicurezza e le aziende che hanno bisogno di ispezionare video di atti vandalici, eventi, incidenti, furti, ecc ecc.

Il sistema implementato è in grado di analizzare video e identificare persone, veicoli o eventi, come l’incendio, in modo da supportare le forze dell’ordine nel controllo del territorio.

Il sistema è in grado di effettuare analisi dettagliate, ad esempio ricercando il volto di una figura umana, quando questa viene rilevata, oppure ricercando la targa di un veicolo.

Questa soluzione consente di determinare la probabilità di abbandono di un cliente attraverso tecniche di Intelligenza Artificiale. Un’accurata previsione della probabilità di abbandono di un cliente (churn prediction) ha impatto su diversi aspetti del business, inclusi: Marketing proattivo orientato al cliente, Previsione delle vendite, Modelli di Prezzo orientati alla ritenzione della clientela.

La soluzione può predire se un cliente abbandonerà o meno considerando questo come un problema di classificazione e costruendo, a partire dalle fonti presenti in azienda, un dataset descrittivo dei comportamenti del cliente. La risposta viene fornita in termini di classe di appartenenza del cliente (churn/no churn) e di probabilità associata.

È anche possibile dare una stima di quali siano le variabili del dataset che hanno maggior peso nell’una o nell’altra classe, ricavando informazioni su dove è più vantaggioso agire per prevenire l’abbandono.

La soluzione mette a disposizione un sistema che raccolga un ordine dal tavolo di un ristorante tramite dispositivo mobile, lo convalidi e lo instradi alla cucina e alla cassa.

La soluzione prevede:

1. Registrazione vocale

2. Conversione da parlato a testo tramite livello di intelligenza artificiale

3. Convalida del testo tramite PNL

4. Impacchettamento del messaggio al sistema di gestione