A Rolling-Window Framework for Churn Prediction and Behavioral Driver Identification

Sintesi Tecnica: Un Framework a Finestra Mobile per la Previsione del Churn e l'Identificazione dei Driver Comportamentali

Definizione del Problema
La previsione del churn (abbandono) dei clienti in ambienti di servizi non contrattuali, basati sul pagamento per l'uso, presenta sfide uniche, distinte dai modelli contrattuali. In questi contesti, il disimpegno non è un evento esplicito (come la rescissione di un contratto), ma deve essere inferito da una prolungata inattività comportamentale. La letteratura esistente spesso si basa su rappresentazioni statiche e puntuali del comportamento del cliente o su assunzioni temporali semplificate. Questi approcci aggregano frequentemente i dati in riepiloghi grossolani (ad esempio, RFM lifetime o statistiche trimestrali), oscurando le dinamiche a breve termine che precedono il churn. Inoltre, molti studi mancano di una formulazione esplicita del problema temporale, con finestre di osservazione e orizzonti di previsione non definiti, limitando l'interpretabilità e l'operatività dei modelli per la valutazione continua del rischio.

Metodologia
Lo studio propone un framework di previsione del churn temporalmente esplicito, progettato specificamente per piattaforme di servizi non contrattuali. Il nucleo della metodologia consiste in una strategia di costruzione di istanze a finestra mobile che trasforma i dati grezzi a livello di evento in un panel di istanze comportamentali indicizzate nel tempo.

• Formulazione Temporale: Per ogni cliente, il framework definisce una finestra di osservazione comportamentale fissa di 30 giorni ($W_b$) seguita da una finestra di valutazione del churn di 30 giorni ($W_c$). Il churn è operazionalizzato come l'assenza di attività qualificanti durante la finestra di valutazione. Ciò garantisce una chiara separazione temporale tra l'evidenza comportamentale (input) e gli esiti del churn (etichette).
• Generazione delle Istanze: Le finestre avanzano con un passo giornaliero (stride). Per evitare ridondanze, le finestre consecutive che producono riepiloghi comportamentali identici vengono accorpate; nuove istanze vengono generate solo quando si verifica un cambiamento comportamentale (ad esempio, una nuova prenotazione) all'interno della finestra di osservazione.
• Ingegneria delle Caratteristiche (Feature Engineering): Il framework estrae 40 caratteristiche ingegnerizzate da ogni finestra di osservazione, categorizzate in:
  • Attività di Prenotazione: Volume e tassi di successo/cancellazione.
  • Comportamento Monetario: Modelli di spesa e utilizzo del portafoglio (derivati solo da prenotazioni completate con successo).
  • Caratteristiche Spaziali e del Servizio: Dispersione geografica e preferenze del tipo di servizio.
  • Contesto Temporale: Indicatori di recenza e attributi del calendario.
  • Preferenze Categoriche: Metodi di pagamento dominanti e fonti.
  • Indicatori Basati sui Trend: Trend lineari nell'engagement e nella spesa per catturare le dinamiche a breve termine.
• Approcci di Modellazione: Due paradigmi complementari sono valutati all'interno di questo design temporale unificato:
  1. Apprendimento Basato sulle Caratteristiche: Un modello XGBoost (Gradient Boosting) addestrato su vettori di caratteristiche aggregati.
  2. Apprendimento Basato sulle Sequenze: Una rete Long Short-Term Memory (LSTM) addestrata su sequenze ordinate di riepiloghi comportamentali a livello di finestra per catturare le dipendenze temporali.
• Protocollo di Valutazione: I modelli sono addestrati su dati storici (2024) e valutati su un dataset futuro temporalmente tenuto separato (giugno–luglio 2025) senza riaddestramento, per valutare la robustezza rispetto ai cambiamenti temporali. L'interpretabilità è ottenuta tramite l'importanza delle caratteristiche basata sul guadagno (gain-based) e l'analisi SHAP (Shapley Additive Explanations).

Risultati Chiave
Il framework è stato valutato su un dataset reale proveniente da un servizio di lavaggio auto on-demand non contrattuale, composto da oltre 100.000 clienti e 400.000 eventi di prenotazione.

• Performance Predittiva:
  • Il modello XGBoost ha raggiunto un'accuratezza dell'87,6% e un ROC-AUC di 0,94 sul set di test a finestra mobile, dimostrando un equilibrio nella classificazione e una forte stabilità.
  • Il modello LSTM ha ottenuto un recall superiore del 96,1% sul test set, indicando una sensibilità superiore nel rilevare i pattern di disimpegno temporale, sebbene con un'accuratezza complessiva leggermente inferiore rispetto a XGBoost.
• Generalizzabilità Temporale: Applicato al dataset futuro non visto (2025) senza riaddestramento:
  • XGBoost ha mantenuto un'accuratezza dell'83,14% e un ROC-AUC di 0,911, mostrando una forte robustezza rispetto agli spostamenti distribuzionali.
  • LSTM ha mantenuto un alto recall del 91,80% per gli utenti in churn, sebbene il suo ROC-AUC sia sceso a 0,830.
• Driver del Churn: L'analisi ha identificato trend_total_bookings, weekend_success_rate, total_bookings e days_since_last_booking come i principali predittori globali. L'analisi SHAP ha confermato che il declino dei trend di prenotazione, l'inattività prolungata e l'engagement rado aumentano significativamente la probabilità di churn.

Significatività e Rivendicazioni
L'articolo sostiene che il contributo primario non risieda nella complessità del modello, ma nella progettazione accurata della cornice temporale. Lo studio dimostra che:

1. Separazione Temporale Esplicita: Definire finestre di osservazione e di valutazione chiare è critico per una modellazione realistica del churn in ambienti non contrattuali, prevenendo la fuga di informazioni (information leakage) e garantendo una valutazione prospettica del rischio.
2. Necessità della Finestra Mobile: Passare da snapshot statici a valutazioni a livello di istanza con finestra mobile permette di rilevare le dinamiche comportamentali a breve termine che l'aggregazione statica oscura.
3. Interpretabilità e Implementazione: Il framework bilancia la performance predittiva con la spiegabilità. Collegando l'importanza delle caratteristiche a specifiche finestre temporali, il modello supporta un processo decisionale azionabile, permettendo ai fornitori di identificare quando e perché un cliente è a rischio, piuttosto che limitarsi a sapere se lo è.
4. Robustezza rispetto alla Complessità: I risultati suggeriscono che una strutturazione temporale ben definita consente anche a modelli leggeri (come XGBoost) di raggiungere prestazioni robuste e pronte per l'implementazione, sfidando l'idea che le architetture di deep learning siano strettamente necessarie per un'alta qualità nella previsione del churn in questi contesti.

Lo studio conclude che questo framework fornisce una base pratica per il supporto decisionale orientato al churn in ambienti di servizio dinamici, sottolineando che il rigore temporale è vitale quanto la sofisticatezza algoritmica.