Previsione del churn rate dei clienti BCC: confronto tra modelli econometrici e Machine Learning.

This thesis analyses the phenomenon of customer churn in the banking sector, specifically amongst customers of the BCC of Pergola and Corinaldo. The aim is to compare the predictive capabilities of classical econometric models and machine learning algorithms. Three models were estimated: the Ordinary Least Squares (OLS) model, the binary logit model and the Random Forest. Whilst the econometric models provide interpretable and statistically robust estimates, they prove to be operationally ineffective when there is a significant imbalance between classes; in contrast, the Random Forest emerges as the only tool with genuine predictive effectiveness.

La seguente tesi analizza il fenomeno del churn nel contesto bancario, in particolare per i clienti della BCC di Pergola e Corinaldo. L'obiettivo è quello di confrontare le capacità predittive di modelli econometrici classici e algoritmi di machine learning. Sono stati stimati tre modelli: il Modello di Probabilità Lineare (OLS), il modello Logit binario e la Random Forest. I modelli econometrici, pur fornendo stime interpretabili e statisticamente robuste, si rivelano operativamente inefficaci in presenza di forte sbilanciamento tra le classi, al contrario della Random Forest, che si afferma come l'unico strumento dotato di reale efficacia predittiva.