Causal Inference e AI per la riduzione del churn
13 mag 2025 — 09:30 - 10:00Workshop 4
Description
L’inferenza causale sta emergendo come strumento chiave per superare i limiti delle analisi di correlazionali tipiche del machine learning tradizionale. Questo studio propone una metodologia che integra tecniche causali e LLM per valutare l’impatto dei servizi non-core sulla fidelizzazione dei clienti nel settore telecom. Usando algoritmi di causal discovery costruiamo un grafico causale, quindi stimiamo in modo robusto ATE e CATE da dati osservazionali, isolando i confondenti. Gli LLM automatizzano la clusterizzazione di feature ad alta dimensionalità e suggeriscono possibili relazioni tra nodi, migliorando l’interpretabilità dei grafi causali. Il caso studio su clienti TIM Enterprise analizza l’effetto di un servizio TV sulla riduzione del churn. Combinando metodi classici (matching, IPW) con tecniche avanzate (double ML) e conoscenza a priori, otteniamo insight utili per le strategie di retention. I risultati mostrano il potenziale di questa pipeline scalabile in contesti competitivi e in evoluzione. Viene inoltre sottolineata la rilevanza dell’utilizzo di Google Cloud Platform.
