Sie würden gerne wissen, wann Sie welchem Kunden, zu welchem Zeitpunkt das richtige Angebot machen können? Dann sind Sie bei diesem KI-Anwendungsfall aus der Versicherungsbranche genau richtig.
Wir erklären Ihnen, wie ein Next-Best-Action-Framework ein Unternehmen aus der Versicherungsbranche dabei unterstützt, dem Kunden das passende Angebot zur passenden Zeit zu unterbreiten.
Welcher Kunde interessiert sich für welchen Vertrag und wann sollte das Angebot folgen?
Im Verkauf ist Feingefühl geboten. Wie kann ein Marketingmanager mit einem Kundenbestand von mehreren Millionen Kunden wissen, wann er wem, welches Angebot unterbreitet? Bei einer Auswahl von über 20 verschiedenen Versicherungsmodellen, kommt ein Agent schnell an seine Grenzen.
In diesem speziellen Fall handelte es sich um die Automatisierung von E-Mail-Kampagnen, die der Kunde zu bestimmten Angeboten erhalten sollte. Die Herausforderung besteht also darin, dem Kunden die passenden E-Mails (mit den richtigen Angeboten) zukommen zu lassen.
Für den Marketingmanager ist es kaum möglich, die Bedürfnisse aller seiner Kunden zu kennen, deshalb fokussiert er sich auf die Bedürfnisse der Durchschnittskunden und nicht selten vernachlässigt er die Bedürfnisse von potentiellen Top-Kunden.
Zusammenfassend sind folgende Herausforderungen zu bewältigen:
- Unpassende Angebote
- Ungenutztes Umsatzpotential
- Unzufriedene Kunden
Wie kann der Marketingmanager in Zukunft passende E-Mails an die passenden Kunden schicken?
Ein vollautomatisiertes Next-Best-Action-Framework
Um die passenden Angebote zu unterbreiten, müssen Vorhersagen für das künftige Verhalten getätigt werden. Die historischen Transaktionsdaten des Kunden können dafür genutzt werden, um konkrete Kaufwahrscheinlichkeiten anhand von Machine Learning für die Zukunft zu berechnen.
Für das Next-Best-Action-Framework werden viele Affinitätsmodelle kombiniert. Diese Modelle sagen die jeweilige Wahrscheinlichkeit voraus, dass ein Kunde eine bestimmte Handlung vornimmt. In diesem Fall wird vorhergesagt, wie wahrscheinlich ein Kunde eine Versicherung abschließt.
Das Next-Best-Action-Framework berechnet so – auf Grundlage der vergangenen Kundenaktivitäten – die zukünftige Vertragsabschlussaffinitäten der einzelnen Kunden. Und das vollautomatisiert auf Basis maschinellen Lernens.
Da nicht jede Versicherung den gleichen Beitrag zum Geschäftserfolg liefert, werden die berechneten Wahrscheinlichkeiten mit dem Erwartungswert bei einem Abschluss multipliziert.
Über weitere Geschäftsregeln wird sichergestellt, dass bereits abgeschlossene Policen nicht erneut empfohlen werden.
In der folgenden Abbildung ist ein solches Next-Best-Action-Framework dargestellt. In diesem werden die jeweiligen Affinitäten der Kunden gegenüber verschiedenen Verträgen in absteigender Reihenfolge exemplarisch abgebildet. So entsteht ein selbstfüllendes Auftragsbuch, welches dem Marketingmanager als Orientierung dient, um E-Mails mit passenden Angeboten zu versenden.
Wie gehen wir bei der Entwicklung eines solchen KI-Systems vor?
- Zunächst wird ein Prognosezeitraum definiert.
- Anschließend betrachten wir die historischen Kundendaten.
- Zum Schluss liegt ein Ergebnis in Form von 20 verschiedenen Affinitätsmodellen vor.
Damit wir präzise Vorhersagen berechnen lassen können, betrachten wir besonders die Folgenden Daten:
- Kundenstammdaten (Alter, Geschlecht etc.)
- Transaktionsdaten (Abgeschlossene und stornierte Verträge)
- Verhaltensdaten
- Produktmetadaten
Die entstandenen Affinitätsmodelle werden in einem letzten Schritt mit Trainingsdaten validiert, sodass mit dem besten Modell in der Praxis gearbeitet werden kann. Folgende Grafik veranschaulicht den Prozess.
Das vollautomatisierte Next-Best-Action-Framework kann nun vom Marketingmanager als Anhaltspunkt betrachtet werden, um den Kunden personalisierte Angebote zukommen zu lassen.
Was sind die Ergebnisse nach Implementierung des NBA-Frameworks?
Der Marketingmanager wird in seinen Entscheidungen von einem smarten und vollautomatisiertem NBA-Framework unterstützt. Dies bietet ihm die Möglichkeit, E-Mail-Kampagnen gezielt zu planen und so möglichst viele Verträge abzuschließen.
So bekommen Kunden zur richtigen Zeit das richtige Angebot und das führt wiederum zu:
- Hoher Kundenzufriedenheit
- Gesteigertem Umsatz
- Der Möglichkeit, Cross- und Up-Selling-Potentiale optimal zu nutzen
Der datengetriebene Ansatz – basierend auf den Prozessen das maschinellen Lernens – sorgt dafür, dass Veränderungen im Kundenverhalten bemerkt werden. So gibt das Auftragsbuch die Vertragsabschlussaffinitäten der Kunden stets aktuell wieder.
Wenn auch Sie sich für die Implementierung eines Next-Best-Action-Frameworks in Ihrem Unternehmen interessieren, kontaktieren Sie uns doch gerne!
Weitere Informationen zum Thema Next Best Action finden Sie auf unserer Lösungsseite. Hier erfahren Sie, was NBA eigentlich bedeutet, und an welchen Stellen Sie dieses System in Ihrem Unternehmen integrieren können.
