Application of Quantum Annealing to the Lookalike Clustering Problem: a case study in customer segmentation for the banking sector Applicazione del Quantum Annealing al Problema di Lookalike Clustering: un caso studio nella segmentazione clienti per il settore bancario

Questa tesi indaga la formulazione e risoluzione del problema di Lookalike Clustering per la segmentazione dei clienti nel settore bancario. Lo studio è stato condotto in collaborazione con Credito Emiliano S.p.A. (CREDEM), dove la disponibilità di grandi volumi di dati dei clienti ha richiesto la definizione di cluster micro-segmentati per supportare azioni di marketing mirate e personalizzate. L'approccio proposto modella il Lookalike Clustering come un problema di Ottimizzazione Binaria Quadratica Non Vincolata (QUBO) ed esplora l'uso del Quantum Annealing (QA) per la sua ottimizzazione. Il lavoro descrive il processo di trasformazione della formulazione del clustering in un modello QUBO e la sua successiva risoluzione con risolutori classici e quantistici. Un algoritmo adattivo ispirato al subgradiente è utilizzato per regolare i parametri di penalizzazione, successivamente il modello è testato usando Gurobi e il quantum annealer D-Wave attraverso l'accesso alle API Python tramite OCEAN SDK. Aspetti di configurazione specifici dell'hardware quantistico, come chain-strength, annealing schedule e la topologia di embedding sono anche analizzati per migliorare la stabilità delle soluzioni. I risultati ottenuti mostrano che i problemi di clustering e micro-segmentazione possono essere efficacemente rappresentati come istanze QUBO e risolti attraverso il Quantum Annealing, sebbene l'attuale generazione di hardware quantistico limiti ancora la scalabilità per grandi grafi completamente connessi (clique). Gli esperimenti indicano che per istanze di dimensioni da piccole a medie il QA raggiunge prestazioni comparabili a, e in alcuni casi più veloci di, risolutori classici come Gurobi. Nel complesso, lo studio conferma la fattibilità di esprimere problemi reali di segmentazione dei clienti in forma QUBO e suggerisce che pipelines di ottimizzazione ibride quantistico-classico-AI possano rappresentare una direzione promettente per futuri framework analitici sia nel settore bancario che in altri settori.

This thesis investigates the formulation and resolution of the Lookalike Clustering problem for customer segmentation in the banking sector. The study was carried out in collaboration with Credito Emiliano S.p.A. (CREDEM), where the availability of large volumes of customer data required the definition of micro-segmented clusters to support targeted and personalized marketing actions. The proposed approach models the Lookalike Clustering task as a Quadratic Unconstrained Binary Optimization (QUBO) problem and explores the use of Quantum Annealing (QA) for its optimization. The work describes the process of translating the clustering formulation into a QUBO model and the subsequent solution with both classical and quantum solvers. An adaptive subgradient-inspired algorithm is used to tune the penalization parameters, and the model is tested using Gurobi and the D-Wave quantum annealer through the Python OCEAN SDK API access. Specific configuration aspects of the quantum hardware, such as chain strength, anneal schedule, and embedding topology are also analyzed to improve solution stability. The obtained results show that clustering and micro-segmentation objectives can be effectively represented as QUBO instances and solved through Quantum Annealing, although the current generation of quantum hardware still limits scalability for large fully-connected graphs (cliques). The experiments indicate that for small to medium sized instances QA achieves performance comparable to, and in some cases faster than, classical solvers such as Gurobi. Overall, the study confirms the feasibility of expressing real world customer segmentation problems in QUBO form and suggests that hybrid quantum-classical-AI optimization pipelines may represent a practical direction for future analytical frameworks in the banking and other sectors as well.