Up-Selling von Versicherungen

Sie möchten wissen, wann Sie welchem Kunden das richtige Angebot machen können? Dann sind Sie bei diesem KI-Anwendungsfall aus der Versicherungsbranche genau richtig.

Wir zeigen Ihnen, wie ein Next-Best-Action-Framework ein Unternehmen aus der Versicherungsbranche dabei unterstützt, dem Kunden zum richtigen Zeitpunkt das richtige Angebot zu machen.

Welcher Kunde interessiert sich für welchen Vertrag und wann sollte das Angebot folgen?

Im Vertrieb ist Fingerspitzengefühl gefragt. Woher weiß ein Marketingmanager bei einem Kundenbestand von mehreren Millionen, wann er wem welches Angebot unterbreiten soll? Bei einer Auswahl von über 20 verschiedenen Versicherungsmodellen stößt ein Agent schnell an seine Grenzen.

Im konkreten Fall ging es um die Automatisierung von E-Mail-Kampagnen, die der Kunde zu bestimmten Angeboten erhalten sollte. Die Herausforderung besteht also darin, dem Kunden die richtigen E-Mails (mit den richtigen Angeboten) zukommen zu lassen.

Für den Marketingmanager ist es kaum möglich, die Bedürfnisse aller seiner Kunden zu kennen, so dass er sich auf die Bedürfnisse der Durchschnittskunden konzentriert und nicht selten die Bedürfnisse der potenziellen Top-Kunden vernachlässigt.

Vor diesen Herausforderungen stand unser Kunde

Unpassende Angebote

Marketingmanager haben Schwierigkeiten, die richtigen Angebote zur richtigen Zeit an die richtigen Kunden zu senden, insbesondere bei einer großen Anzahl von Versicherungsmodellen und einem großen Kundenstamm.

Ungenutztes Umsatzpotential

Die Fokussierung auf Durchschnittskunden führt dazu, dass die Bedürfnisse potenzieller Top-Kunden vernachlässigt werden und somit Umsatzchancen ungenutzt bleiben.

Unzufriedene Kunden

Kunden erhalten nicht immer die für sie relevanten Angebote, was zu Unzufriedenheit führt und das Vertrauen in E-Mail-Kampagnen mindert.

Die Lösung: ein vollautomatisiertes Next-Best-Action-Framework

Um passende Angebote unterbreiten zu können, müssen Vorhersagen über das zukünftige Verhalten getroffen werden. Historische Transaktionsdaten des Kunden können genutzt werden, um mittels Machine Learning konkrete Kaufwahrscheinlichkeiten für die Zukunft zu berechnen.

Für das Next-Best-Action-Framework werden mehrere Affinitätsmodelle kombiniert. Diese Modelle sagen die jeweilige Wahrscheinlichkeit voraus, mit der ein Kunde eine bestimmte Aktion ausführt. In diesem Fall wird vorhergesagt, mit welcher Wahrscheinlichkeit ein Kunde eine Versicherung abschließt.

Das Next-Best-Action-Framework berechnet so – auf Basis der vergangenen Kundenaktivitäten – die zukünftige Abschlussaffinität jedes einzelnen Kunden. Und zwar vollautomatisch auf Basis von maschinellem Lernen.

Wie entwickeln wir so ein intelligentes Modell?

1.

Datenaufbereitung

Zunächst wird ein Prognosezeitraum definiert.

2.

Modelltraining & Validierung

Anschließend betrachten wir die historischen Kundendaten.

3.

Modell Auswahl

Zum Schluss liegt ein Ergebnis in Form von 20 verschiedenen Affinitätsmodellen vor.

Da nicht jede Versicherung den gleichen Beitrag zum Geschäftserfolg leistet, werden die berechneten Wahrscheinlichkeiten mit dem Erwartungswert bei Abschluss multipliziert.

Durch weitere Geschäftsregeln wird sichergestellt, dass bereits abgeschlossene Policen nicht erneut empfohlen werden.

Die folgende Abbildung zeigt ein solches Next-Best-Action-Framework. Darin sind beispielhaft die jeweiligen Affinitäten der Kunden zu verschiedenen Policen in absteigender Reihenfolge abgebildet. So entsteht ein sich selbst füllendes Auftragsbuch, das dem Marketingmanager als Orientierung für den Versand von E-Mails mit passenden Angeboten dient.

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.

Next Best Action in der Versicherung

Das vollautomatisierte Next-Best-Action-Framework kann nun vom Marketingmanager als Anhaltspunkt betrachtet werden, um den Kunden personalisierte Angebote zukommen zu lassen.

Unter anderem berücksichtigen wir dabei folgende Variablen: 

  • Kundenstammdaten (Alter, Geschlecht etc.)
  • Transaktionsdaten (Abgeschlossene und stornierte Verträge)
  • Verhaltensdaten
  • Produktmetadaten

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.

  •  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!

Profilbild von Vinzent Wuttke Leiter Business Development Datasolut GmbH
Vinzent Wuttke
Leiter Business
 Development

Ihr Ansprechpartner

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
Termin buchen
Newsletter und Updates

Sie sehen gerade einen Platzhalterinhalt von HubSpot. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.

Mehr Informationen
Termin buchen