Next best product

Het Next Best Product (NBP) voorspellingen zijn ontwikkeld om verzekeringsprofessionals te ondersteunen bij het proactief signaleren van aanvullende verzekeringsbehoeften bij hun klanten.

Het model voorspelt met behulp van machine learning welke verzekeringsproducten een klant naar verwachting zal afsluiten of nodig zal hebben in de komende 12 maanden.

Deze inzichten maken het voor adviseurs mogelijk om klanten op het juiste moment te benaderen met een gepersonaliseerd en relevant aanbod, waardoor zowel klanttevredenheid als commerciële effectiviteit toeneemt.

Definitie van behoefte

Het model voorspelt de kans dat een klant uit eigen beweging een bepaald product zal afsluiten. Deze waargenomen afsluitkans geldt als een ondergrens van de werkelijke behoefte: een klant kan immers ook behoefte hebben aan een product zonder deze zelf af te sluiten, bijvoorbeeld door een gebrek aan kennis, timing of bewustwording.

Om die reden wordt de ruwe modeloutput opgeschaald aan de hand van een marktgemiddelde, vastgesteld op basis van inzichten van verzekeringsprofessionals en business intelligence. Dit zorgt ervoor dat de output representatief is voor de werkelijke behoefte in de markt.

Datagebruik

Om een betrouwbare voorspelling te doen, worden verzekeringsproducten eerst gegroepeerd op inhoud en functie. Dit maakt het mogelijk om specifiekere modellen te bouwen dan op hoofdbrancheniveau. Voor het trainen van het model worden meer dan 40 kenmerken gebruikt, afkomstig uit de volgende datacategorieën:

• Polisinformatie

  Informatie over huidige en historische polissen per klant.

• Relatiekenmerken

  Denk aan leeftijd, gezinssamenstelling, woonplaats en klantduur.

• Externe data

  Zoals demografische gegevens of geografische risicoprofielen.

Modeltraining en validatie

Het model wordt getraind met historische klantdata op jaarniveau, waarbij elk datapunten representeert of een klant in een specifiek jaar een bepaald product heeft afgesloten. Het model leert hieruit patronen en kenmerken die indicatief zijn voor latere aanschaf.

Voor elke groep verzekeringsproducten wordt een apart voorspellend model getraind. Hierdoor kunnen de modellen per productgroep geoptimaliseerd en afzonderlijk gevalideerd worden.

De validatie gebeurt op basis van het meest recente volledige kalenderjaar, zodat de prestatie van het model zo realistisch mogelijk aansluit bij de situatie waarin het daadwerkelijk wordt toegepast.