Herausforderung
Die Prognose der Geschäftsentwicklung wurde bei unserem Kunden bisher mit hohem manuellen Aufwand betrieben. Mit dem Einsatz von Machine Learning möchte unser Kunde die Forecasting-Genauigkeit erhöhen und einen automatisierten Prozess etablieren, der als Entscheidungsunterstützung die Planungsmöglichkeiten des Vertriebs verbessert.
Ziel war es, die bewertete Produktion – bestehend aus Neugeschäft, stornierten Verträgen und Bestand – im Versicherungsgeschäft vorherzusagen. Dabei war es die hauptsächliche Herausforderung, die Vorhersagen auf verschiedenen Produkt- und Vertriebshierarchien zu betrachten, sodass eine zielgenaue Steuerung des Vertriebs stattfinden kann. Das Modell sollte dann in die IT-Infrastruktur des Kunden integriert werden.
Ansatz
Zur Unterstützung des Vertriebs haben wir eine Forecasting Engine entwickelt, die auf Basis von Zeitreihenmodellen prädiktiv einschätzt, wie hoch die bewertete Produktion am Ende eines Monats oder Jahres sein wird. Das Modell wurde dabei gepooled trainiert. Das bedeutet, dass mehrere Zeitreihen parallel zum Trainieren genutzt wurden, wodurch die Interaktionen der Zeitreihen vom Modell besser erlernt werden konnten.
Da dies der erste Data Science Use Case unseres Kunden war, haben wir einen plattformunabhängigen, containerbasierten Ansatz zur Implementierung des Modells gewählt.
Ergebnis
Basierend auf den Forecasts konnten wir unserem Kunden dabei helfen, seine Vertriebsmaßnahmen proaktiv zu gestalten. Durch die containerbasierte Einbindung des Modells in die IT-Systeme und die Automatisierung des Trainings wurde ein erster Use Case in die Kundeninfrastruktur implementiert.
Unser Kunde kann diese Implementierungsmethode nun für weitere Data Science Use Cases einsetzen. Die Automatisierung des Trainings vermindert vor allem den manuellen Aufwand der vorherigen Methode.