Kundenselektion via Next-Best-Offer Modellierung

Next-Best-Offer Modellierung ermöglicht eine zielgerichtete Kundenansprache

Next-Best-Offer Modellierung

Ausgangslage & Zielsetzung

Um die Abschlussquote in Verkaufsgesprächen zu erhöhen und ihre Energie zu bündeln, selektieren Versicherungsvertreter ihre Kunden anhand manuell bestimmter Attribute (z.B. Kunden mit PHV-Altverträgen). Gerade für neue Vertreter, die einen Bestand übertragen bekommen, ist es herausfordernd, die „richtigen“ Kunden für Gespräche rund um den Ausbau des Versicherungsschutzes zu identifizieren.

Ziel des Projekts war, die Kundenselektion mithilfe von Machine Learning zu verbessern und Vermittlern eine algorithmisch Selektionsmöglichkeit zur Verfügung zu stellen. Als Datengrundlage dienten Kundenstammdaten, welche Details über abgeschlossene Versicherungsverträge beinhalteten.

Leistungsbeschreibung

  • Analyse der Datenbasis und Extraktion relevanter Merkmale aus den Daten
  • Erstellung zusätzlicher Kundenmerkmale und Anbindung externer Datenquellen
  • Erstellung & Analyse eines Machine Learning Modells, welches die Abschlusswahrscheinlichkeit für verschiedene Versicherungssparten schätzt
  • Verprobung des Prototyps mit dem Fachbereich & iterative Verbesserung auf Basis der Rückmeldung aus dem Fachbereich
  • Implementation von Post-Processing Methoden (regelbasiert & machine learning), um zu verhindern dass Kundenduplikate im Datenbestand oder anderweitige Probleme die Selektion verschlechtern
  • Überführung des Prototyps zur Produktivnahme in eine Machine Learning Pipeline
  • Konzeption der Produktivnahme in AWS inklusive Selektion der verwendeten Dienste

Ergebnis

Der Fachbereich bekommt eine Übersicht über Kunden mit hohem Abschlusspotential zugespielt, verifiziert die Vorschläge (human-in-the-loop) und kontaktiert die Kunden. Hierdurch konnten neue Kundengruppen erschlossen werden, die den Vermittlern bisher noch nicht im Fokus waren, und die Anzahl an abgeschlossenen Verträgen gesteigert werden.

Projekt Details


Branche: Versicherung

Topic: Data Science, Machine Learning

Tools: SQL, python, pandas, catboost, kedro

Projektlaufzeit: 5 Monate

Esentri
David Schönleber Senior Data Science Consultant