Il Forecasting Operativo nel Settore Bancario. Un'applicazione Di Machine Learning per la Gestione Dei Consulenti Finanziari: Il Caso Facile.it

In un'era caratterizzata dall'avanzamento tecnologico e dalla digitalizzazione dei servizi, le aziende operanti nel settore dei servizi finanziari online affrontano la sfida di gestire efficacemente un volume crescente di leads. Questa tesi esplora l'impiego di modelli predittivi avanzati per prevedere il volume di leads generati dai siti web di Facile.it e Mutui.it, con l'obiettivo di ottimizzare l'allocazione delle risorse nel call center aziendale. Attraverso un'analisi comparativa, vengono valutati due modelli principali: Prophet e SARIMAX, sia individualmente sia in combinazione con una suddivisione delle leads per fonte. Il lavoro dimostra che il modello SARIMAX, applicato con una suddivisione per fonte delle leads, supera in accuratezza il modello Prophet e il SARIMAX senza suddivisione, migliorando significativamente la previsione dei volumi di leads. L'analisi evidenzia inoltre l'importanza di considerare le caratteristiche specifiche delle diverse fonti di leads e conferma che l'integrazione delle leads da mutui.it non compromette l'accuratezza dei modelli. I risultati offrono spunti rilevanti per la pianificazione delle risorse umane nel call center, sottolineando l'efficacia degli approcci predittivi nel settore dei servizi finanziari online. La tesi propone infine possibili sviluppi futuri, tra cui l'esplorazione di tecniche di machine learning avanzate e l'implementazione di dashboard di monitoraggio predittive per il management, orientando la ricerca verso un utilizzo ancora più efficace dei dati nell'ottimizzazione delle operazioni aziendali.