Produktempfehlungen mit Warenkorbanalyse für einen Versicherungskonzern
Auf einen Blick:
- Branche: Versicherung
- Projektziel: Analyse von Kundenaffinitäten zu einzelnen Produktempfehlungen.
- Tools: AWS Cloud, Python, AWS Glue, AWS Stepfunction, FPGrowth Algorithmus
Die Herausforderung des Kunden
Zum Projektstart verfügte das Unternehmen bereits über ein etabliertes Next-Best-Offer-Modell (NBO), das auf Machine Learning basiert. Dieses analysiert Kundenaffinitäten auf Spartenebene, beispielsweise für Altersvorsorge, Kranken- oder KFZ-Versicherung, und liefert dem Vertrieb strategische Impulse. Die Empfehlungen bezogen sich jedoch ausschließlich auf übergeordnete Produktsparten und nicht auf konkrete Einzelprodukte, was die operative Nutzbarkeit im Kundengespräch einschränkte.
Für einen effektiven Cross- und Upselling-Prozess sind konkrete Produktempfehlungen deutlich hilfreicher als eine reine Spartenzuordnung. Gleichzeitig umfasst das Produktportfolio rund 90 Produktkategorien, wodurch eine Modellierung auf Produktebene komplex und kostenintensiv wird. Eine Erweiterung des bestehenden Machine-Learning-Ansatzes hätte erheblichen Entwicklungs- und Wartungsaufwand verursacht. Daher wurde in diesem Use Case bewusst ein deterministischer, statistischer Ansatz gewählt: die Warenkorbanalyse mithilfe des FPGrowth-Algorithmus.
Eine besondere Herausforderung bestand darin, dass diese Methodik im Unternehmen bereits genutzt wurde, jedoch vollständig durch externe Berater implementiert und betrieben wurde. Der zugrunde liegende Code war intern nicht zugänglich, sodass weder Transparenz über die Logik noch eigenständige Weiterentwicklungen möglich waren. Monatlich wurden die Top-3-Produktempfehlungen durch den externen Dienstleister bereitgestellt, wodurch eine operative Abhängigkeit bestand und Anpassungen nur eingeschränkt vorgenommen werden konnten.
Vor diesen Herausforderungen stand unser Kunde
Ablösen von externen Abhängigkeiten
Der zentrale Treiber des Projekts war die Ablösung externer Abhängigkeiten. Ziel war es, vollständigen Zugriff auf den operativen Code sowie die zugrunde liegende Logik zu erhalten, anstatt ausschließlich monatlich berechnete Scores bereitgestellt zu bekommen.
Keine Empfehlungen von Produkten möglich
Das NBO Modell gibt Affinitäten hinsichtlich der Sparten an. Im operativen Geschäft ist dies aber in der Regel nicht ausreichend.
Sehr vielfältiges Produktangebot
Aufgrund der reinen Mengen an verschiedenen Produkten ist es auch nicht möglich klare und offensichtliche Zusammenhänge händisch zu berechnen oder zu analysieren. Daher muss ein deterministischer Ansatz her, welche solche Zusammenhänge automatisch berechnet.
Zur Umsetzung wurde eine eigenständige, deterministische Produktempfehlungslogik konzipiert, die auf historischen Vertragsdaten basiert und nahtlos mit dem bestehenden NBO-Modell kombiniert wird. Ziel war es, Produktaffinitäten automatisiert zu berechnen, transparent bereitzustellen und operativ im Vertrieb nutzbar zu machen. Die konkrete Umsetzung erfolgte in mehreren aufeinander aufbauenden Schritten.
Wie gehen wir dabei vor?
1.
Analyse aktiver Kundenverträge der letzten zehn Jahre zur Identifikation signifikanter Produktaffinitäten auf Basis historischer Vertragskonstellationen.
2.
Anwendung des FPGrowth Algorithmus zur automatisierten Berechnung statistisch relevanter Assoziationsregeln zwischen rund 90 Produktkategorien.
3.
Kombination der KKA Produktempfehlungen mit den Top 3 NBO Sparten zur operativ nutzbaren Priorisierung konkreter Einzelprodukte.
Unsere Lösung
Unser Architekturentwurf basiert auf einer modularen Datenplattform mit Azure und Databricks als zentrale Komponenten. Die Daten werden dabei aus verschiedenen Quellsystemen wie Ticketing, CRM, ERP und Sportdokumentation integriert, zentral gespeichert und anschließend in standardisierte Domain-Modelle überführt.
Die Plattform erlaubt sowohl klassische Business-Analytics als auch die Entwicklung von Machine-Learning-Anwendungen. Über Dashboards, SharePoint oder Enterprise Apps können Fachbereiche direkt auf aufbereitete Datenprodukte zugreifen – ohne Umwege über das Datenteam. So entsteht eine skalierbare Grundlage für datengetriebene Entscheidungen im gesamten Verein.
Lassen Sie uns sprechen und Ihr Potenzial entdecken.
Ob und wie künstliche Intelligenz Ihnen weiterhelfen kann, können Sie in einem ersten, unverbindlichen Gespräch mit uns herausfinden.
In diesem Gespräch erfahren Sie:
- Wie Ihr Use-Case technisch am besten umgesetzt werden kann
- Wie wir maximal sicher mit Ihren Kundendaten umgehen
- Wie lange wir für die Umsetzung benötigen und wie ein konkreter Projektplan aussehen könnte