Vervielfachung der Abschlussquote durch Next Best Offer-Lösung
Ein großer Finanz- und Vermögensverwalter mit über 500.000 Vertragsnehmern in B2B und B2C suchte nach einer Möglichkeit, die Kundenberatung flächendeckend zu optimieren und die Verkaufsabschlüsse zu steigern.
Auf einen Blick
- Branche: Versicherungen
- Projektziel: Optimierung der Kundenberatung und Steigerung der Verkaufsabschlüsse durch eine KI-gestützte Next Best Offer-Lösung.
- Technologien: AWS-Cloud, Glue, AWS Sagemaker & Stepfunctions, Terraform, Git
- Dauer: 6 Monate
Was waren die Herausforderungen?
Eine große Herausforderung für den Vertrieb bestand darin, die Wahrscheinlichkeit eines Kunden für einen Vertragsabschluss zu verstehen. Dadurch war es den Marketing- und Vertriebsteams nicht möglich, zielgerichtete Angebote zu unterbreiten. Wiederholte Analysen durch externe Dienstleister boten nicht die notwendige Transparenz und Flexibilität.
Das Produktsortiment unseres Kunden umfasst folgende Kategorien:
- Immobilien
- KFZ-Versicherungen
- Sachversicherungen
- Lebensversicherungen
- Berufsunfähigkeitsversicherungen
Besonders selten besuchte Kategorien wie Immobilien sollen durch eine optimierte Next Best Offer Analyse erfolgreicher vermarktet werden. Ziel ist es, die Affinität der Kunden mit dem monetären Wert der Produktkategorien in Einklang zu bringen und so den Umsatz zu steigern.
Vor diesen Herausforderungen stand unser Kunde
Verständnis der Abschlusswahrscheinlichkeit
Die Vertriebsteams konnten die Wahrscheinlichkeit eines Vertragsabschlusses für einzelne Kunden nicht präzise vorhersagen.
Gezielte Angebote
Aufgrund mangelnder Transparenz und Flexibilität bei den Analysen war es für Marketing- und Vertriebsteams schwierig, gezielte und personalisierte Angebote zu erstellen.
Effizienz im Vertrieb
Ohne genaue Datenanalysen und Vorhersagen war es nicht möglich, die Vertriebsressourcen effektiv zu nutzen und sich auf die vielversprechendsten Kunden zu konzentrieren.
Unsere Lösung wurde in der AWS-Cloud entwickelt, um jeden Score individuell auf die Nummer des Vertragsnehmers zu berechnen. Diese Nummer ist in einem speziell aufgebauten Feature Store gespeichert, der 186 Antrags- und 36 Kunden-Features umfasst.
Ein entscheidendes Klassifikationsmerkmal beim Training des maschinellen Lernmodells war das Alter der Kunden. Junge Kunden haben beispielsweise eine deutlich höhere Affinität zu Berufsunfähigkeitsversicherungen, was im Modell berücksichtigt wurde. Insgesamt wurden 15 zuverlässige Next Best Offer Modelle für verschiedene Kategorien wie Renten, Investment, Unfall und Immobilien trainiert, die präzise Vorhersagen zur Kundenaffinität ermöglichen.
Wie gehen wir dabei vor?
1.
Es wurde ein spezieller Feature Store in der AWS-Cloud eingerichtet, der 186 Antrags- und 36 Kunden-Features speichert. Diese Daten dienen als Grundlage für die Analyse und Modellierung.
2.
15 individuelle Next Best Offer-Modelle wurden trainiert, um die Abschlusswahrscheinlichkeit für verschiedene Produktkategorien (z.B. Immobilien, KFZ-Versicherungen, Sachversicherungen) basierend auf Kundenmerkmalen wie Alter und Produktpräferenzen vorherzusagen.
3.
Die trainierten Modelle wurden eingesetzt, um für jeden Kunden die Wahrscheinlichkeit eines Vertragsabschlusses zu berechnen. Dies ermöglichte es den Vertriebsteams, sich auf die vielversprechendsten Kunden zu konzentrieren und gezielte Angebote zu machen, wodurch die Abschlussquoten signifikant gesteigert wurden.
Die Ergebnisse unseres Kunden
Das Next Best Offer-Modell berechnet die Abschlusswahrscheinlichkeit für jedes Produkt je Kunde. Im Schnitt ist die Antragsstellung bei den affinsten 10% der Kunden fünfmal häufiger als bei einer zufälligen Auswahl. Die tatsächlichen Abschlussquoten liegen je nach Sparte bei etwa 1% bis 5%.
Ein konkretes Beispiel:
Von den rund 500.000 Vertragsnehmern haben im Testzeitraum 21.500 (4,3%) einen Kfz-Antrag gestellt. Innerhalb der 10% Affinsten von 500.000 befanden sich 13.500 Vertragsnehmer, die tatsächlich einen Antrag in der Produktkategorie Kfz abschlossen. Dies ist etwa sechsmal so viel wie bei einer Zufallsauswahl von 10% der Kunden.
Zusammenfassend lässt sich sagen, dass das Next Best Offer Framework eine gezielte Identifikation von Kunden mit höherer Abschlusswahrscheinlichkeit ermöglicht. Dadurch können Vertriebsmitarbeiter ihre Zeit effizienter nutzen und sich auf vielversprechende Kunden konzentrieren, was zu mehr Umsatz bei gleichem Personaleinsatz und damit zu höheren Gewinnen führt.
Für jeden Kunden das passende Angebot? Wir unterstützen Sie bei der Umsetzung Ihres NBO-Frameworks. Kontaktieren Sie uns.
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