Herausforderung
Die Nutzung der bestehenden Kundenbasis zur Erweiterung des eigenen Geschäfts in verschiedenen Produktsparten wird im klassischen Versicherungsumfeld häufig durch den Außendienst gesteuert. Hierbei priorisieren die Mitarbeitenden ihre Kund:innen häufig stark nach Erfahrungswerten und weniger datenbasiert oder objektiv. Unser Kunde, ein internationales Versicherungsunternehmen, stand vor der Herausforderung, die Affinitäten aller Bestandskund:innen in den Hauptproduktsparten zu berechnen, um so dem Außendienst gezielte Priorisierungen bereitstellen zu können.
Ansatz
Auf Basis aller verfügbaren Kunden- und Produktdaten haben wir gemeinsam mit unserem Kunden ein Machine Learning Modell entwickelt, das die Affinitäten der Kund:innen in Bezug auf fünf Hauptproduktsparten vorhersagen kann. Das Modell basiert auf Informationen aus verschiedensten Kernsystemen wie Bestands-, CRM- und Mutations-Daten, die vom Modell entsprechend gewichtet werden, um eine möglichst genaue Prognose zu generieren. Nach der Erstellung wurde das Modell in eine Datenbank implementiert, um in regelmäßigen Zyklen die gesamte Kundenbasis zu scoren und die Resultate bereitzustellen.
Ergebnis
Die in der Datenbank verfügbaren Informationen werden in Form eines interaktiven Dashboards visualisiert und den Mitarbeitenden zugänglich gemacht. Diese können nun verschiedene Filter benutzen, um gezielt Kundengruppen und Segmente zu selektieren und sich innerhalb der Selektion die kundenindividuellen Affinitäten anzeigen zu lassen. So können sie gezielt entsprechende Sales- und Akquisemaßnahmen einleiten.