Search Docs…

Search Docs…

Voorspellingen

Voorspellingen

Voorspellingen

Churn

Churn module

De Churn module vormt een van de kerncomponenten binnen de Top Defend-oplossing van Onesurance. Deze module, opgebouwd uit meerdere samenwerkende machine learning-modellen, heeft als doel te voorspellen welke klanten in de komende 12 maanden een verhoogd risico hebben om hun verzekeringen op te zeggen. Door deze klanten tijdig te identificeren, wordt het voor verzekeringsorganisaties mogelijk om gerichte acties te ondernemen ter bevordering van klantbehoud en het verbeteren van de portefeuillekwaliteit.


Let op: waar in Nederland vaak wordt gesproken over ‘royement’ en in België over ‘opzegging’ of ‘churn’, hanteren wij in deze documentatie de overkoepelende term churn. Hiermee bedoelen we het (gedeeltelijk of volledig) beëindigen van een klantrelatie binnen de verzekeringsportefeuille.


Toepassing van het model

De churnscore die voortkomt uit dit model wordt toegepast binnen Top Defend, waar het een integraal onderdeel vormt van de prioritering van klantacties. Daarnaast wordt de churnscore gecombineerd met de Customer Lifetime Value (CLV) om klanten te segmenteren in waardevolle categorieën, zoals loyale groeikansen, kritieke klanten met hoog opzeggingsrisico of structureel verlieslatende relaties.


Definitie van churn / royement

Een goede churnvoorspelling begint bij een heldere en relevante definitie van royement. In de context van schadeverzekeringen kunnen meerdere vormen van opzegging als royement worden beschouwd. Enkele mogelijke definities zijn:

  • Het opzeggen van één polis

  • Het opzeggen van alle polissen binnen één hoofdbranche

  • Het opzeggen van alle schadepolissen

  • Het opzeggen van alle essentiële polissen (standaardinstelling)

  • Het opzeggen van alle polissen binnen de klantrelatie

De standaardbenadering binnen Onesurance richt zich op het opzeggen van alle essentiële polissen, omdat dit doorgaans wijst op het beëindigen van de volledige klantrelatie. Wat als essentieel wordt beschouwd, is instelbaar in overleg met de Customer Success Manager.


Standaard als essentieel aangemerkte branches:

  • Motorrijtuigenverzekeringen

  • Rechtsbijstandsverzekeringen

  • Aansprakelijkheidsverzekeringen


Datagebruik en variabelen

Voor het trainen van de churnmodellen worden tientallen variabelen gecreëerd op basis van de beschikbare data. Deze kenmerken zijn onderverdeeld in de volgende categorieën:

  • Polisinformatie (type, looptijd, premiestructuur)

  • Relatiegegevens (leeftijd, woonplaats, klantduur)

  • Claimdata (frequentie, omvang, schadegedrag)

  • Contactmomenten (aantal interacties, klantvragen, mutaties)

  • Externe data, zoals demografische en geografische gegevens

Het exacte aantal gebruikte variabelen verschilt per organisatie en is afhankelijk van zowel datavolledigheid als de voorspellende kracht van de kenmerken binnen de historische dataset.

Modeltraining en validatie

De churnmodellen worden getraind op data van de voorafgaande kalenderjaren, met uitzondering van het meest recente jaar. Dat laatste jaar wordt gebruikt voor validatie van het model. Bijvoorbeeld: bij een dataset van 2020 t/m 2025 wordt het model getraind op data van 2020 t/m 2023, en gevalideerd op basis van het jaar 2024.

Validatie houdt in dat het model ‘blind’ voorspellingen doet over het validatiejaar, zonder toegang tot de uitkomsten. De prestaties worden vervolgens gemeten door te vergelijken hoe goed de voorspellingen overeenkomen met de daadwerkelijke opzeggingsmomenten.

Per hoofdbranche worden meerdere modellen getraind en geoptimaliseerd. Deze worden vervolgens gecombineerd om tot een nauwkeurige, persoonlijke royementsscore per relatie te komen.