Πρόβλεψη των πελατών που πρόκειται να αποχωρήσουν από το ασφαλιστήριο συμβόλαιο
Η πρόβλεψη διακοπής ενός συμβολαίου αναφέρεται στον εντοπισμό των πελατών που είναι πολύ πιθανό να μην ανανεώσουν το ασφαλιστήριο συμβόλαιο τους. Η έγκαιρη πρόβλεψη των ασφαλισμένων που με μεγάλη πιθανότητα δεν θα ανανεώσουν, δίνει τη δυνατότητα στην ασφαλιστική εταιρία ή στον ασφαλιστικό πράκτορα και μεσίτη να προχωρήσει σε μια σειρά ενεργειών με σκοπό την αποτροπή της διακοπής του συμβολαίου. Είναι μια κρίσιμη πρόβλεψη για όλες τις επιχειρήσεις του ασφαλιστικού κλάδου, επειδή η απόκτηση νέων πελατών συχνά κοστίζει περισσότερο από τη διατήρηση των υπαρχόντων.
Παραδείγματα: Ένας ασφαλιστικός πράκτορας θέλει να μειώσει την αποχώρηση πελατών ή το ποσοστό των πελατών που μεταβαίνουν σε διαφορετικό πράκτορα. Η διαδικασία πρόβλεψης των πελατών που πρόκειται να αποχωρήσουν θα χρησιμοποιηθεί για τον εντοπισμό τόσο των πελατών που είναι πιο πιθανό να αποχωρήσουν όσο και των πιστών πελατών.
Το πρόβλημα
Στον ασφαλιστικό τομέα η απόκτηση και διατήρηση πελατών είναι εξίσου σημαντικές, αλλά η πρώτη είναι μια πολύ πιο δαπανηρή διαδικασία. Συγκεκριμένα ο ασφαλιστικός κλάδος έχει το υψηλότερο κόστος απόκτησης πελατών από κάθε άλλο κλάδο, με το κόστος απόκτησης νέων πελατών να είναι επτά έως εννέα φορές υψηλότερο από το κόστος διατήρησης ενός πελάτη. Ως εκ τούτου, οι ασφαλιστικές εταιρίες βασίζονται στα υπάρχοντα δεδομένα που έχουν στην κατοχή τους, για να κατανοήσουν τη συμπεριφορά των πελατών και να τους εμποδίσουν να εγκαταλείψουν την ασφαλιστική εταιρία ή το ασφαλιστήριο συμβόλαιο.
Το ζητούμενο
Πρόβλεψη των πελατών που πρόκειται να αποχωρήσουν από το ασφαλιστήριο συμβόλαιο δηλαδή του ποσοστού των πελατών που θα τερματίσουν τη σχέση τους με την ασφαλιστική εταιρία σε μια δεδομένη χρονική περίοδο, συνήθως, τριμηνιαία, εξαμηνιαία ή ετήσια.
Η λύση
Με τη χρήση μοντέλων μηχανικής μάθησης και τεχνητής νοημοσύνης που βασίζονται σε ιστορικά δεδομένα πελατών, μπορεί να πραγματοποιηθεί μια πιο ουσιαστική στόχευση πελατών και να ενισχυθεί η διαδικασία οργάνωσης των στρατηγικών μάρκετινγκ που σχετίζονται με τη διατήρηση πελατών.
Το όφελος
Η χρησιμότητα του προγνωστικού μοντέλου έγκειται όχι μόνο στον εντοπισμό πελατών που πρόκειται να ανανεώσουν ή όχι το ασφαλιστήριό τους, αλλά και στον εντοπισμό των κύριων παραγόντων που σχετίζονται με αυτήν την απόφαση για κάθε μεμονωμένη περίπτωση. Έχοντας αυτές τις πληροφορίες στη διάθεσή τους, τα στελέχη της ασφαλιστικής εταιρίας ή οι ασφαλιστικοί σύμβουλοι μπορούν να εντοπίσουν τα κύρια σημεία που οδηγούν στην απόφαση του πελάτη για ανανέωση ή όχι της σύμβασης, να αναδιαμορφώσουν ή και να δημιουργήσουν πιο εξατομικευμένες προσφορές, βελτιώνοντας έτσι τη διαχείριση των πελατειακών σχέσεών τους. Η αναγνώριση των πελατών που ενέχουν κίνδυνο αποχώρησης από το ασφαλιστήριο συμβόλαιο, μπορεί να οδηγήσει σε μια πιο ουσιαστική στόχευση των πελατών, εξοικονομώντας για την ασφαλιστική ή το πρακτορείο χρόνο και χρήμα από άσκοπες επικοινωνίες. Οι αναλογιστές μπορούν επίσης να αξιοποιήσουν τις προβλέψεις του μοντέλου για τον αριθμό των πελατών που πρόκειται να ανανεώσουν και να βελτιστοποιήσουν τα σχέδια τιμολόγησης τους.
Ενδεικτική παρουσίαση των δεδομένων που χρειάζονται:
- Η πρώτη στήλη του αρχείου δεδομένων πρέπει να περιέχει την κατάσταση Ανανέωσης του ασφαλιστηρίου συμβολαίου (π.χ. 0: Ανανέωση, 1: Αποχώρηση) από ιστορικά δεδομένα.
- Οι ακόλουθες στήλες του αρχείου πρέπει να περιέχουν τις τιμές των ιστορικά καταγεγραμμένων χαρακτηριστικών, όπως: Ηλικία, Φύλο, Οικογενειακή Κατάσταση, Εργασιακή κατάσταση, Εισόδημα, Περιοχή κατοικίας, Κανάλι πωλήσεων, Ασφάλιστρο, Αριθμός συμβολαίων, Αριθμός παραπόνων, Τύπος συμβολαίου, Μήνες από την τελευταία αξίωση, Εκπαίδευση, Καθαρή αξία πελάτη, Μήνες από την έναρξη του συμβολαίου, Αριθμός ασφαλιστικών απαιτήσεων, Ύψος ασφαλιστικών απαιτήσεων, Δεδομένα αίτησης, Δεδομένα συμβολαίου κ.α.
Πίνακας 1. Ενδεικτικός πίνακας δεδομένων εισόδου από τον χρήστη της εφαρμογής
|
Αποχώρηση |
Φύλο |
Ηλικία |
Εκπαίδευση |
Αριθμός Παραπόνων |
Καθαρή αξία πελάτη |
Αριθμός απαιτήσεων |
|
1 |
Γ |
19 |
Μεταπτυχιακό |
0 |
500 |
1 |
|
0 |
Α |
32 |
Πτυχίο |
0 |
1300 |
0 |
|
0 |
Α |
26 |
Πτυχίο |
2 |
2000 |
1 |
|
1 |
Γ |
29 |
Λύκειο |
2 |
600 |
0 |
|
|
Α |
35 |
Πτυχίο |
0 |
1500 |
0 |
Προαπαιτούμενα:
- Το Toolbox δέχεται αρχεία σε κατάληξη xlsx ή csv.
- Η πρώτη στήλη πρέπει να περιέχει τα δεδομένα από τη μεταβλητή στόχος (π.χ. “Ανανέωση συμβολαίου”), η δημιουργία της οποίας προκύπτει από ιστορικά δεδομένα των πελατών.
- Η μεταβλητή στόχος δε θα πρέπει να περιέχει ελλειπούσες τιμές.
- Σε περίπτωση που ο χρήστης θέλει να κάνει πρόβλεψη, πρέπει να εισάγει τα δεδομένα των πελατών για τους οποίους χρειάζεται την πρόβλεψη, στο ίδιο αρχείο (excel ή csv) με τα ιστορικά δεδομένα με την προϋπόθεση ότι το πρώτο κελί που είναι η μεταβλητή στόχος δε θα περιέχει τιμές (βλ. Πίνακα 1).
Αποτελέσματα χρήσης:
Μετά την εισαγωγή των δεδομένων από το χρήστη και αφότου περάσει ένα σύντομο χρονικό διάστημα για την αυτόματη ανάλυσή τους:
- Εξάγεται από το σύστημα μία αναφορά (Report) των αποτελεσμάτων και των στατιστικών μεθόδων που χρησιμοποιήθηκαν
- Εξάγεται ένα excel με τα αποτελέσματα της πρόβλεψης σε περίπτωση που ο χρήστης θέλει να κάνει πρόβλεψη (βλ. Προαπαιτούμενα 4)
Σημείωση: Για οποιαδήποτε διευκρίνιση χρειαστείτε σχετικά με το περιεχόμενο της περίπτωσης χρήσης ή οποιαδήποτε πληροφορία που σχετίζεται με τη συλλογή ή την εγκυρότητα των δεδομένων σας παρακαλούμε να επικοινωνήσετε μαζί μας.
