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.
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.

Wie gehen wir dabei vor?
1.
Zunächst analysieren wir aktive Kundenverträge der letzten zehn Jahre. So identifizieren wir signifikante Produktaffinitäten auf Basis historischer Vertragskonstellationen.
2.
Anschließend berechnet der FPGrowth Algorithmus automatisiert statistisch relevante Assoziationsregeln zwischen rund 90 Produktkategorien.
3.
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

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