Nächstbestes Produkt
Die Prognosen für das nächstbeste Produkt (Next Best Product, NBP ) sollen Versicherungsfachleute dabei unterstützen, proaktiv zusätzlichen Versicherungsbedarf bei ihren Kunden zu ermitteln.
Das Modell nutzt maschinelles Lernen, um vorherzusagen, welche Versicherungsprodukte ein Kunde in den nächsten 12 Monaten voraussichtlich abschließen oder benötigen wird.
Diese Erkenntnisse ermöglichen es den Beratern, zum richtigen Zeitpunkt mit einem personalisierten und relevanten Angebot auf die Kunden zuzugehen und so sowohl die Kundenzufriedenheit als auch die geschäftliche Effizienz zu steigern.
Definition von Bedarf
Das Modell sagt die Wahrscheinlichkeit voraus, dass ein Kunde ein bestimmtes Produkt freiwillig abschließt. Diese wahrgenommene Abschlusswahrscheinlichkeit gilt als untere Schranke für den tatsächlichen Bedarf: Schließlich kann ein Kunde auch einen Bedarf an einem Produkt haben, ohne es selbst abzuschließen, beispielsweise aufgrund mangelnder Kenntnisse, Zeit oder Aufmerksamkeit.
Aus diesem Grund wird die Rohausgabe des Modells anhand eines Marktdurchschnitts hochskaliert, der auf der Grundlage von Erkenntnissen von Versicherungsfachleuten und Business Intelligence ermittelt wird. Auf diese Weise wird sichergestellt, dass die Ergebnisse für den tatsächlichen Bedarf auf dem Markt repräsentativ sind.
Datenverwendung
Um eine zuverlässige Vorhersage zu treffen, werden die Versicherungsprodukte zunächst nach Inhalt und Funktion gruppiert. Dies ermöglicht den Aufbau spezifischerer Modelle als auf der Ebene der Hauptbranche. Zum Trainieren des Modells werden mehr als 40 Merkmale verwendet, die aus den folgenden Datenkategorien stammen:
Informationen zur Politik
Informationen über aktuelle und historische Policen nach Kunden.
Merkmale der Beziehung
Berücksichtigen Sie das Alter, die Familienzusammensetzung, den Wohnort und die Dauer der Nutzung.
Externe Daten
Zum Beispiel demografische Daten oder geografische Risikoprofile.
Modellschulung und -validierung
Das Modell wird mit historischen Kundendaten auf Jahresebene trainiert, wobei jeder Datenpunkt angibt, ob ein Kunde ein bestimmtes Produkt in einem bestimmten Jahr gekauft hat. Daraus lernt das Modell Muster und Merkmale, die auf spätere Käufe hinweisen.
Für jede Gruppe von Versicherungsprodukten wird ein eigenes Vorhersagemodell trainiert. So können die Modelle für jede Produktgruppe separat optimiert und validiert werden.
Die Validierung erfolgt auf der Grundlage des letzten vollen Kalenderjahres, so dass die Leistung des Modells so realistisch wie möglich der Situation entspricht, in der es tatsächlich angewendet wird.