Versicherungen verfügen heutzutage über eine immense Datenmenge ihrer Versicherungskunden. Doch alleinig mit diesen Daten lässt sich kein gewinnbringender Nutzen schaffen. All diese Daten in manuelle Auswertungen einfließen zu lassen ist jedoch auch schier unöglich. Daher hat sich auch der Einsatz von KI in der Versicherungsbranche etabliert. Dabei bietet Künstliche Intelligenz für Versicherungen viele Möglichkeiten zur Effizienzsteigerung. In diesem Blogbeitrag zeigen wir anhand eines realen Fallbeispiels im Data Driven Marketing, wie Versicherungsunternehmen mit Künstlicher Intelligenz herausfinden können, was ihre Kunden brauchen und möchten. Dazu wurde ein Produktempfehlungssystem für Versicherungsprodukte auf Basis statistischer Lookalikes entwickelt.

Die Fakten: Was ist eigentlich Künstliche Intelligenz bzw. Machine Learning?

Bevor wir darüber berichten, wie Künstliche Intelligenz die Customer Experience einer weltweit operierenden Versicherung optimieren konnte, möchten wir erst einmal kurz die Basis für den folgenden Blogbeitrag definieren. Was versteht man eigentlich genau unter Machine Learning – einem Teilbereich der Künstlichen Intelligenz?

Machine Learning ist ein Ansatz, um das Ziel der Künstlichen Intelligenz zu erreichen. Es eignet sich besonders gut für das Lösen spezieller Probleme, bei denen es viele enge Fallunterscheidungen gibt, die von einem Programmierer nicht manuell umgesetzt werden können.

Das Machine Learning unterscheidet sich dabei jedoch von klassischer Programmierung. Beim klassischen Programmieren erhält ein Programmierer Anforderungen, die die Realität abbilden sollen und definiert daraufhin ein Modell, welches die Daten entsprechend verarbeitet. Hierbei wird der Input immer genau so verarbeitet, wie es vom Programmierer definiert wurde. Das bedeutet auch, dass der Programmierer alle Möglichkeiten bedenken und formulieren muss. Bei Machine Learning hingegen ist das anders. Der Programmierer stellt hierbei den Input und den dazu gewünschten oder real vorkommenden Output bereit. Anhand dieser validierten Paare erlernt der Algorithmus die Beziehung zwischen Input und Output, auch Supervised Machine Learning genannt. Dadurch wird ein komplexes Modell erzeugt, mit dem die Kundenbedürfnisse prognostiziert werden können.

Künstliche Intelligenz und Machine Learning: nicht eine Lösung für jedes Problem

Nicht jedes Problem kann bzw. sollte mit Machine Learning gelöst werden. Einfache Probleme sollten eher mit Hilfe klassischer Programmierung bearbeitet werden. Stellen wir uns für ein einfaches Problem einen Roboter vor, dem beigebracht werden soll, über eine Fußgängerampel zu gehen: bei Rot soll er stehen bleiben, bei Grün soll er gehen. Bei einem Input der entweder „Grün“ oder „Rot“ ist, wie in dieser Situation, ist die klassische Programmierung eher geeignet als KI. Hier reden wir von einer einfachen Beziehung.

Stellen wir uns jetzt aber vor, dass der Roboter lernen soll zwischen Bildern von Äpfeln und Birnen zu unterscheiden, liegt eine deutlich komplexere Situation vor. Anhand verschiedener Merkmale (z.B. Form, Farbe, etc.) muss erkannt werden, um welches Obst es sich handelt. Für uns eine leichte Aufgabe, aber auch nur, weil wir von klein auf gelernt haben, diese Dinge anhand verschiedener Faktoren zu unterscheiden. Für solche komplexeren Herausforderungen, bei dem das Lernen von verschiedensten Merkmalen eine Rolle spielt, sollte daher Künstliche Intelligenz und vor allem Machine Learning angewendet werden.

Künstliche Intelligenz in der Versicherungsbranche: Ein Beispiel aus der Praxis

Kommen wir nun aber zu unserem Case: Ein weltweit führendes Unternehmen in der Versicherungsbranche wollte ihre Kunden mit individuellen Inhalten ansprechen, um die Kundenbindung und Kundenzufriedenheit zu erhöhen. Um dieses Ziel zu erreichen, musste eine Methode entwickelt werden, mit der sich die Bedürfnisse der Kunden bestimmen lassen – was bei 14 Mio. Kunden natürlich manuell nicht so einfach möglich ist. Somit war Künstliche Intelligenz die einzige Möglichkeit, dieser komplexen Herausforderung zu begegnen.

Auf Basis von Bestandsdaten und unter Verwendung von Machine Learning können nämlich Prognosen für die Zukunft abgeleitet werden. Fragen wie „Welchen Kunden biete ich welches Produkt zu welchem Zeitpunkt an“ können mit solchen intelligenten Lösungen beantwortet werden. Diese werden dann genutzt, um Kunden personalisierte Inhalte und Angebote zukommen zu lassen und um letztendlich die richtigen Empfehlungen für jeden einzelnen Kunden auszusprechen.

Solche so genannten Lookalike-Prinzipien werden auch von großen Technologiekonzernen wie Facebook für die eigenen Marketingaktivitäten genutzt.

Lookalike-Prinzipien für umfangreiches Kundenwissen auf Knopfdruck

Mithilfe von Supervised Machine Learning wird ermittelt, welche Faktoren dazu führen, dass ein Kunde einen Vertrag in der zu untersuchenden Produktklasse abgeschlossen hat. Anhand dieser Faktoren wird ein Modell erzeugt, mit dem ein Affinitätswert zu dieser Produktklasse für alle Kunden errechnet wird. Jeder Kunde hat verschiedene Merkmale, die ihn ausmachen und verschiedene Verträge, die er abgeschlossen hat. Bei einer Lookalike-Modellierung werden Merkmale ermittelt, die Kunden, die einen bestimmten Vertrag abgeschlossen haben, gemeinsam haben. Das Modell lässt anhand von gemeinsamen Merkmalen letztendlich auf eine Produktaffinität schließen. Diese nennt man statistische Zwillinge, oder auch Lookalikes.

Machine Learning Ergebnisse sind nur so gut, wie die Qualität und Menge an Daten, die bearbeitet werden

Beim Supervised ML stehen die Trainingsdaten im Vordergrund, da die Herstellung der Modelle auf den Training- und Testdaten Sets basieren. Trainingsdaten müssen so allgemein wie möglich und so genau wie nötig sein. Der Ablauf wird in der nachfolgenden Abbildung grafisch visualisiert:

Supervised Machine Learning Versicherungen

In unserem Fall ist der Input „Der Kunde“ und der Output „Der Kunden hat einen Vertrag für folgendes Produkt abgeschlossen“. Dieses entspricht der Realität und ist durch eine hohe Menge an Daten validiert.

Die Input und Output Daten werden anschließend mit KI bearbeitet und ergeben ein Machine Learning-Modell, welches den Kundenbedarf prognostizieren kann. Das Ziel ist es, einen „Good Fit“ bzw. ein robustes Modell daraus zu erhalten (im Gegenteil zu einem Underfitted/Overfitted Model).

Unter einem „Good Fit Model“ versteht man ein Modell, welches generell anwendbare Beziehungen erlernt hat – ohne nur die Trainingsdaten „auswendig“ gelernt zu haben.

Zahlreiche Nutzen für das Data Driven Marketing bei Versicherungen

Die Ergebnisse wurden genutzt, um ein allgemeines Produkt-Empfehlungssystem aufzubauen – auch „Next Best Product“ System genannt. Dieses Empfehlungssystem zeigt, welche Bestandskunden die höchste Affinität für ein weiteres Versicherungsprodukt haben. Darauf basierend wird der Inhalt für den einzelnen Kunden individuell angepasst.

Die Ergebnisse werden bei Bestandskunden des Versicherungsunternehmen bei der Contentauswahl auf folgenden Kanälen genutzt:

  • Telefonie im Service2Sales: Beim Anruf eines Kunden, der seine Adresse ändern möchte, wird auf das Next Best Product hingewiesen.
  • Online-Portal: Es wird ein Banner mit personalisierten Anzeigen gezeigt, die genau auf die Bedürfnisse des Kunden angepasst sind, anstatt nicht relevanter Anzeigen.
  • Persönlicher Vertrieb: Das Next Best Product wird als Ansprechanlass beim jährlichen Gespräch genutzt.
  • Brief und E-Mail: Vertriebliche Aktionen und Marketing-Kampagnen werden auf die Produktaffinität des Kunden ausgerichtet und die Newsletter werden zum Teil automatisiert für den Kunden individualisiert.

Künstliche Intelligenz und vor allem Machine Learning zeigt großes Potential bei der Entwicklung von Produktempfehlungen und somit der Verbesserung der Customer Experience in der Versicherungsbranche.

Sie möchten erfahren, was Machine Learning für Ihr Unternehmen tun kann? Nehmen sie Kontakt mit uns auf und finden sie mit uns die passende Lösung für Ihre komplexen Probleme. Mehr Informationen erhalten Sie auch auf unserer Data Driven Marketing-Seite.


Alls Mehrwerte zu unserem Kundenprojekt

Referenz: Maximierung der Vertragsabschlussquote durch Einsatz von Machine Learning

Maximierung der Vertragsabschlussquote durch Machine Learning

Durch die Erstellung von kundenindividuellen Targetingprofilen auf Basis von Machine Learning konnte unser Kunde aus dem Versicherungswesen seine Vertragsabschlussquote gegenüber einer herkömmlichen Zielgruppenauswahl um 24 Prozent steigern.

Mehr erfahren