Vorhersage von Beschwerden bei einer Versicherung

Machine Learning ermöglicht die Vorhersage von Kundenbeschwerden aus Prozessdaten

Beschwerdevorhersage Machine Learning Versicherung

Ausgangslage & Zielsetzung

Die Beschwerdequote zählt für Versicherungen zu den zentralen Kennzahlen, da sie einen Einblick in die Kundenzufriedenheit gibt und Relevanz für die Neukundengewinnung besitzt. Daher leistet die Reduktion der Beschwerdequote einen wesentlichen Beitrag zur Verbesserung der Wettbewerbsfähigkeit.

Ziel war es Beschwerden von Kunden eines Versicherungskonzerns frühzeitig vorherzusagen, um diese durch präventive Maßnahmen zu verhindern. Als Datengrundlage dienten Prozessdaten, welche die Bearbeitung von Geschäftsvorfällen wie z.B. Kundenwünsche dokumentieren.

Leistungsbeschreibung

  • Analyse der Datenbasis und Extraktion relevanter Merkmale aus den Daten
  • Erstellung zusätzlicher, geeigneter Merkmale zur Erkennung von Vorgängen mit hoher Beschwerdewahrscheinlichkeit wie z.B. mittlere Bearbeitungsdauer der Geschäftsvorgänge
  • Erstellung & Analyse eines mehrstufigen Machine Learning Modells, welches trotz hoher Unausgewogenheit in den Daten (sehr wenige Beschwerde-Datenpunkte im Vergleich zu den nicht-Beschwerde-Datenpunkten) eine gute Trefferquote  erzielen konnte
  • Verprobung des Prototyps mit dem Fachbereich & iterative Verbesserung auf Basis der Rückmeldung aus dem Fachbereich
  • Durchführung von Workshops mit dem Fachbereich
  • Überführung des Prototyps zur Produktivnahme in eine Machine Learning Pipeline
  • Konzeption der Produktivnahme in AWS inklusive Selektion der verwendeten Dienste

Ergebnis

Der Fachbereich bekommt regelmäßig potentielle Beschwerdekandidaten zugespielt, analysiert die individuellen Fälle, korrigiert Bearbeitungs- oder Automatisierungsfehler und kontaktiert die betroffenen Kunden proaktiv. Bei mehr als der Hälfte der vorgeschlagenen Geschäftsvorfällen konnten so Kundenbeschwerden oder -probleme proaktiv abgewendet werden.

Projekt Details


Branche: Versicherung

Topic: Data Science, Machine Learning

Tools: python, pandas, scikit-learn, dask, kedro, pyspark

Projektlaufzeit: 12 Monate

Esentri
David Schönleber Senior Data Science Consultant