Vertriebssteuerung mit KI im Gesundheitswesen
Sie möchten gefährdete Kunden frühzeitig erkennen und Ihre Vertriebsaktivitäten gezielt priorisieren? In diesem Use Case zeigen wir, wie ein führendes Unternehmen im Gesundheitswesen mit Databricks und Machine Learning potentielle Kündiger prognostiziert und so proaktive, datenbasierte Maßnahmen zur Kundenbindung ermöglicht.
Auf einen Blick:
- Branche: Healthcare
- Ziel: Früherkennung gefährdeter Kundenbeziehungen mittels KI
- Tools: Azure Databricks, Python, GitLab, MLFlow
Die Ausgangssituation
Ein führendes Unternehmen im Gesundheitswesen wollte Kundenabwanderungen frühzeitig erkennen und gezielt entgegenwirken.
Bisher basierte die Vertriebssteuerung auf Erfahrungswerten und fehlenden Risikoindikatoren. Eine datenbasierte Grundlage zur Bewertung von Kundenbindungsrisiken existierte nicht. Mit zunehmendem Wettbewerbsdruck und steigendem Bedarf an präventiven Maßnahmen suchte das Unternehmen nach einer Lösung, um gefährdete Kunden zuverlässig zu identifizieren und rechtzeitig Gegenmaßnahmen einzuleiten.
Datasolut auf Databricks in der Azure Cloud ein Machine Learning Modell, das Abwanderungswahrscheinlichkeiten automatisiert berechnet. So entstand eine belastbare Entscheidungsgrundlage für gezielte Kundenbindungs- und Vertriebsmaßnahmen.
Vor diesen Herausforderungen stand unser Kunde
Unklare Kundenbindung
Es fehlte eine verlässliche Methode, um gefährdete Kunden frühzeitig zu erkennen und rechtzeitig Maßnahmen zur Bindung einzuleiten.
Fehlende Priorisierung im Vertrieb
Vertriebsaktivitäten wurden ohne objektive Daten gesteuert. Mitarbeitende konnten nicht sicher einschätzen, welche Kunden das höchste Abwanderungsrisiko aufweisen.
Zunehmender Wettbewerbsdruck
Der wachsende Wettbewerb im Gesundheitswesen erschwerte die Planung und erforderte eine datenbasierte Steuerung von Kundenbeziehungen.
Gemeinsam mit dem Kunden entwickelte Datasolut eine KI-Lösung, die Abwanderungswahrscheinlichkeiten (Churn) pro Kunde zuverlässig vorhersagt. Ziel war es, eine skalierbare Machine-Learning-Anwendung zu schaffen, die sich nahtlos in die bestehenden Vertriebsprozesse integrieren lässt.
Die Umsetzung erfolgte auf Databricks in der Azure Cloud. Kundendaten wurden zentral im Lakehouse gespeichert, während Modellierung und Training mit Python und MLflow realisiert wurden. Diese Architektur ermöglicht hohe Skalierbarkeit, Transparenz und eine einfache Integration in operative Systeme.
Im Fokus standen präzise Prognosen, nachvollziehbare Ergebnisse und eine intuitive Nutzung im Tagesgeschäft. Der entwickelte Ansatz wurde als Proof of Concept umgesetzt und erfolgreich mit realen Kundendaten validiert.
Wie sind wir vorgegangen?
1.
Gemeinsam mit dem Kunden wurde das Ziel definiert, gefährdete Kunden frühzeitig zu identifizieren. Auf Basis historischer Vertrags-, Nutzungs- und Kommunikationsdaten wurden relevante Einflussgrößen analysiert und ein aussagekräftiges Feature-Set entwickelt.
2.
Es wurde ein Machine-Learning-Modell mit XGBoost entwickelt, das die Abwanderungswahrscheinlichkeit jedes Kunden prognostiziert. Das Modell wurde mit realen Daten trainiert und im Backtesting auf Genauigkeit und Stabilität geprüft.
3.
Die Modellergebnisse werden regelmäßig aktualisiert und in die Vertriebsprozesse integriert. Dadurch kann das Team Kunden mit hohem Risiko gezielt ansprechen und passende Maßnahmen zur Bindung und Reaktivierung einleiten.
Unsere Lösung
Im Rahmen eines gemeinsamen Proof of Concept entwickelte Datasolut eine ML-basierte Churn-Prognoselösung in der Azure Cloud auf Basis von Databricks. Die Datenverarbeitung und Modellentwicklung erfolgte in Python-Notebooks mit Zugriff auf Kundendaten aus dem zentralen Lakehouse.
Insgesamt wurden rund 150 Merkmale pro Kunde generiert darunter statische Attribute sowie dynamische KPIs wie Vertragslaufzeiten, Nutzungsverhalten und Interaktionshistorie.
Zur Modellierung kam ein XGBoost-Algorithmus zum Einsatz, der für jede Kundengruppe die individuelle Abwanderungswahrscheinlichkeit berechnet.
Die Ergebnisse wurden mit SHAP analysiert, um die wichtigsten Einflussfaktoren transparent zu machen und Vertrauen in die Modellentscheidungen zu schaffen. Die eingesetzten Komponenten Databricks (Modellierung), Azure Data Lake (Datenhaltung) und MLflow (Modellverwaltung) greifen nahtlos ineinander.
Das Ergebnis ist eine automatisierte, regelmäßig aktualisierte Churn-Prognose, die als Grundlage für eine proaktive Kundenbindung und gezielte Vertriebsmaßnahmen dient.
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