“Next Best Offer” non è un prodotto “a scaffale”, ma un “motore decisionale” basato su modelli predittivi che seleziona, per ogni cliente, la proposta commerciale con la massima probabilità di interesse e conversione.
Invece di spingere lo stesso prodotto a tutti, il sistema orchestra offerte differenziate sui canali del CRM e del marketing (app, email, filiale, contact center), segmentando in tempo quasi reale in base a segnali comportamentali, storico transazionale, propensione e vincoli di idoneità.
Il progetto si distingue per tre elementi chiave (quelli che hanno pesato anche nella valutazione della giuria):
- Scala e copertura – oltre 1,7 milioni di clienti rientrano nel perimetro di raccomandazione, con copertura dell’84% sul primo prodotto suggerito: significa che, nella grande maggioranza dei casi, il sistema ha un “primo consiglio” pertinente e attivabile.
- Efficacia misurata – l’efficacia è più che raddoppiata rispetto alle campagne tradizionali. Il punto non è solo “fare AI”, ma dimostrare uplift, cioè un guadagno causale nella risposta del cliente rispetto a una baseline senza personalizzazione.
- Industrializzazione – pipeline dati robuste, feature store condiviso, versionamento dei modelli, test “champion–challenger”, monitoraggio di drift e saturazione, governance privacy-by-design. Sono i pilastri che trasformano un POC in un programma.
Nel concreto, “Next Best Offer” integra: normalizzazione dei dati (anagrafici, transazionali, digitali), modellazione della propensity to buy per famiglia di prodotto, eligibility rules per garantire coerenza commerciale e compliance, vincoli di pressione commerciale (frequenza, capping, priorità) e un livello di next action che decide se proporre, quando e dove, la migliore combinazione tra offerta e canale. Il ciclo chiude con feedback loop e continuous learning: le risposte dei clienti alimentano nuove iterazioni, migliorando nel tempo precision e recall delle raccomandazioni.
