Implementation of an agent-based recommendation system using time-variant Markov chains: investor personas forecasting with a business case application

This study aims to define a structured simulation process that enables predictive analysis of probabilistic scenarios regarding the behavior of a financial institution’s client base and how it may evolve over medium and long-term horizons. To demonstrate the utility and potential of this method, an operational strategy is developed to address the variations identified in the case study through the forecast, which are expected to be disruptive. Building on a previously developed agent-based recommendation system, we present three possible ’evolutionary models’ of client features, based on Gaussian perturbations of the data. The ultimate goal is to estimate the investor type of the customer in the future. To quantify the probabilities of each client changing agents (a characterization that defines the investor type), time-varying Markov Chains, estimated via Monte Carlo simulations, are employed. The resulting chains exhibit significant variability over the years, though no substantial differences are observed across the three evolutionary models. The simulation outcomes indicate a considerable increase in non-investor profiles, and to address these findings, we propose an operational strategy based on recommendations of specific insurance products tailored to these clients. Given the freedom in developing the evolutionary model and the flexibility of the chains, the usefulness of this thesis extends beyond this case study and the financial sector, demonstrating significant potential in any domain involving recommendation systems and agent-based evolution, ranging from marketing strategies to healthcare, logistic, and many other fields.

Questo studio si propone di definire un processo di simulazione strutturato che consenta l’analisi predittiva di scenari probabilistici relativi al comportamento della base clienti di un istituto finanziario e alla sua evoluzione su orizzonti di medio e lungo termine. Per dimostrare l’utilità e il potenziale di questo metodo, viene sviluppato una strategia operativa per affrontare le variazioni identificate nel caso di studio attraverso la predizione, che si prevede saranno dirompenti. Basandoci su un sistema di raccomandazione agent-based precedentemente sviluppato, presentiamo tre possibili “modelli evolutivi” delle caratteristiche del cliente, basati su perturbazioni gaussiane dei dati. L’obiettivo finale è stimare che tipo di investitore il cliente sarà in futuro. Per quantificare le probabilità che ogni cliente cambi agente (una caratterizzazione che definisce il tipo di investitore), si utilizzano catene di Markov variabili nel tempo, stimate tramite simulazioni Monte Carlo. Le catene risultanti mostrano una significativa variabilità nel corso degli anni, anche se non si osservano differenze sostanziali tra i tre modelli evolutivi. I risultati delle simulazioni indicano un aumento considerevole dei profili non investitori e, per far fronte a questi risultati, proponiamo una strategia operativa basata sulla raccomandazione di prodotti assicurativi specifici per questi clienti. Data la libertà nello sviluppo del modello evolutivo e la flessibilità delle catene, l’utilità di questa tesi si estende al di là di questo caso di studio e del settore finanziario, dimostrando un potenziale significativo in qualsiasi dominio che coinvolga i sistemi di raccomandazione e l’evoluzione basata sugli agenti, dalle strategie di marketing alla sanità, alla logistica e a molti altri campi.