top of page

Upselling von Versicherungen

Tools:

SQL, R, H2O

Im Rahmen einer jährlichen Upselling-Aktion haben wir gemeinsam mit unserem Kunden ein Modell zur Prognose von produktaffinen Kund:innen entwickelt. Das Modell wurde im Anschluss zur Optimierung der Kundenselektion verwendet.

shutterstock_1100643188-2048x1365.jpg

THEMA

Customer Analytics

BRANCHE

Insurance

PROJEKTDAUER

3 Monate

Herausforderung

Im Umfeld langfristiger Versicherungsprodukte wie zum Beispiel Lebensversicherungen stehen Versicherer vor dem Problem, dass zwischen dem Abschluss der Versicherung und einer etwaigen Inanspruchnahme der Leistung nur wenig Kontakt mit den Versicherten besteht. Durch die mangelnden Berührungspunkte ergeben sich gegenüber anderen Versicherungsarten auch nur wenige Gelegenheiten, um erfolgreich Upselling zu betreiben. Unser Kunde, ein internationales Versicherungsunternehmen, aktiviert jährlich vorhandene Upselling-Potenziale durch den Versand von Angeboten, die die Versicherungssumme entsprechend erhöhen. Der Versand der hochwertig aufbereiteten Briefe ist kostenintensiv und lieferte bisher nur durchschnittliche Response.

Ansatz

Nach der Exploration und Aufbereitung der historischen Kundeninformationen aus verschiedenen IT-Systemen entwickelten wir gemeinsam mit dem Kunden einen Machine Learning Algorithmus. Basierend auf dem Reaktionsverhalten aller Kund:innen in den vergangenen Jahren kann dieser Algorithmus mit hoher Genauigkeit potenzielle Upseller von den restlichen Kund:innen unterscheiden. Das Modell basiert auf „Gradient Boosting“, einer state-of-the-art Methode im Bereich des maschinellen Lernens. Das Modell wurde in die IT-Infrastruktur des Kunden implementiert und kann nun on-demand oder in regulären Intervallen automatisch ausgeführt werden.

Ergebnis

Durch die erste Anwendung des Modells im Feld und die erzeugten Prognosen auf Kundenebene konnten mit einem Bruchteil des Versandbudgets des vergangenen Jahres über 90 Prozent der Zuzahlungen generiert werden, was einer Vervielfachung der Response-Quote und damit der Effektivität entspricht.

100%

10.000+

99,9%

ZUFRIEDENHEIT

TRAININGSDATEN

VORHERSAGEGENAUIGKEIT

1632298486336-2_edited.jpg

Sabayn Mirakai

Managing Director

+49 160 779 85 83

  • LinkedIn
  • Xing

Brauchen auch Sie eine ähnliche Lösung?

Sie haben Fragen zu dieser Lösung oder zu Ihrem ganz spezifischen Anwendungsfall?

Unsere Experten beraten Sie gerne!

robot-5232974_1280.png
bottom of page