Erstgespräch vereinbaren

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) auf Basis von Machine Learning. Dieses analysiert Kundenaffinitäten auf Spartenebene, beispielsweise für Altersvorsorge, Kranken- oder KFZ-Versicherung. So liefert es dem Vertrieb strategische Impulse. Die Empfehlungen bezogen sich jedoch ausschließlich auf übergeordnete Produktsparten und nicht auf konkrete Einzelprodukte. Dadurch fehlten konkrete Produktempfehlungen im Versicherungsvertrieb, was die Nutzbarkeit im Kundengespräch einschränkte.

Warum Produktempfehlungen im Versicherungsvertrieb zählen

Für einen effektiven Cross- und Upselling-Prozess sind konkrete Produktempfehlungen deutlich hilfreicher als eine reine Spartenzuordnung. Gleichzeitig umfasst das Produktportfolio rund 90 Produktkategorien. Deshalb wird eine Modellierung auf Produktebene komplex und kostenintensiv. Zudem hätte eine Erweiterung des bestehenden Machine-Learning-Ansatzes erheblichen Entwicklungs- und Wartungsaufwand verursacht. Daher haben wir in diesem Use Case bewusst einen deterministischen, statistischen Ansatz gewählt: die Warenkorbanalyse mithilfe des FPGrowth-Algorithmus.

Eine besondere Herausforderung bestand darin, dass das Unternehmen diese Methodik bereits nutzte. Allerdings hatten externe Berater sie vollständig implementiert und betrieben. Der zugrunde liegende Code war intern nicht zugänglich. Somit waren weder Transparenz über die Logik noch eigenständige Weiterentwicklungen möglich. Zudem stellte der externe Dienstleister monatlich die Top-3-Produktempfehlungen bereit. Dadurch bestand eine operative Abhängigkeit, und Anpassungen waren nur eingeschränkt möglich.

Vor diesen Herausforderungen stand unser Kunde

Ablösen von externen Abhängigkeiten

Der zentrale Treiber des Projekts war die Ablösung externer Abhängigkeiten. Denn der Kunde wollte vollständigen Zugriff auf den operativen Code und die zugrunde liegende Logik erhalten, statt nur monatlich berechnete Scores zu bekommen.

Keine Empfehlungen von Produkten möglich

Das NBO Modell gibt Affinitäten nur auf Ebene der Sparten an. Im operativen Geschäft reicht das jedoch in der Regel nicht aus.

Sehr vielfältiges Produktangebot

Aufgrund der Vielzahl verschiedener Produkte lassen sich Zusammenhänge nicht händisch berechnen oder analysieren. Daher braucht es einen deterministischen Ansatz, der solche Zusammenhänge automatisch berechnet.

Unser Lösungsansatz

Zur Umsetzung haben wir eine eigenständige, deterministische Logik für Produktempfehlungen im Versicherungsvertrieb konzipiert. Sie basiert auf historischen Vertragsdaten und lässt sich nahtlos mit dem bestehenden NBO-Modell kombinieren.

So berechnen wir Produktempfehlungen im Versicherungsvertrieb

Ziel war es, Produktaffinitäten automatisiert zu berechnen, transparent bereitzustellen und operativ im Vertrieb nutzbar zu machen. Dabei sind wir in mehreren aufeinander aufbauenden Schritten vorgegangen.

Beispieltabelle für Produktempfehlungen im Versicherungsvertrieb mit FPGrowth und NBO

Wie gehen wir dabei vor?

1.

Warenkorb Analyse

Zunächst analysieren wir aktive Kundenverträge der letzten zehn Jahre. So identifizieren wir signifikante Produktaffinitäten auf Basis historischer Vertragskonstellationen.

2.

Affinitäten Berechnung

Anschließend berechnet der FPGrowth Algorithmus automatisiert statistisch relevante Assoziationsregeln zwischen rund 90 Produktkategorien.

3.

NBO Integration

Schließlich kombinieren wir die KKA Produktempfehlungen mit den Top 3 NBO Sparten. Dadurch entsteht eine operativ nutzbare Priorisierung konkreter Einzelprodukte für den Vertrieb.

Unsere Lösung

Architekturübersicht einer Azure-Datenplattform mit Databricks, Unity Catalog und ML-Integration.

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.

Die Ergebnisse des Use Case:

Automatisierte Berechnung von Produktempfehlungen

Nach jedem NBO Scoring stößt das System auch die KKA Pipeline an, die die Produktaffinitäten berechnet. Anschließend spielen wir diese Ergebnisse gemeinsam mit den NBO Ergebnissen aus.

Durchschnittliche Abschlussrate von 33%

Die durchschnittliche Abschlussrate der empfohlenen Produkte liegt bei 33% (bei 3 Produktempfehlungen pro Kunde). Somit schließen Kunden im Schnitt eines der ausgespielten Produkte ab.

Vinzent Wuttke
Geschäftsführer

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
Jetzt Erstgespräch vereinbaren
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
Erstgespräch vereinbaren