Η διαδικασία της διασταυρούμενης πώλησης (cross-selling) αφορά την προώθηση επιπλέον υπηρεσιών ή προϊόντων σε υφιστάμενους πελάτες. Πρακτικά, αφορά τη διαδικασία εντοπισμού υφιστάμενων πελατών που κάνουν ήδη χρήση κάποιας υπηρεσίας ή προϊόντος της επιχείρησης, οι οποίοι θα αποκρίνονταν θετικά στην πρόταση για αγορά κάποιας επιπλέον υπηρεσίας ή προϊόντος. Πρόκειται για μια διαδικασία που, αφενός, ενισχύει τα έσοδα με αξιοποίηση της υπάρχουσας πελατειακής βάσης και, αφετέρου, αυξάνει την ικανοποίηση των πελατών, δημιουργώντας αφοσίωση και βοηθώντας στη δημιουργία σταθερών και διαρκών σχέσεων με τους πελάτες.

| Των Σωτηρίου Μπερσίμη & Χρήστου Μπουντούλη* |

H αναλυτική των δεδομένων, η μηχανική μάθηση και η τεχνητή νοημοσύνη αποτελούν εξαιρετικά εργαλεία στη διαδικασία στόχευσης, δηλαδή, στη διαδικασία εντοπισμού των υφιστάμενων πελατών, οι οποίοι θα αποκρίνονταν θετικά, με υψηλή πιθανότητα, στην πρόταση για αγορά κάποιας επιπλέον υπηρεσίας ή προϊόντος. Το αποτέλεσμα της εφαρμογής των μεθόδων αυτών στη διαδικασία της διασταυρούμενης πώλησης (cross-selling) είναι η αύξηση των εσόδων, η επιτάχυνση της ταχύτητας της διαδικασίας και η μείωση των δαπανών που συνδέονται με τη διαδικασία αυτή^. δαπανών που συνδέονται κύρια με τους απαιτούμενους ανθρώπινους πόρους και τα έξοδα επικοινωνίας.

Η εφαρμογή που παρουσιάζεται στη συνέχεια αφορά την εκτίμηση ενός μοντέλου που θα επιτρέψει στην επιχείρηση την επιλογή, από το υφιστάμενο πελατολόγιο κατόχων συμβολαίου ασφάλισης υγείας, των πελατών εκείνων που θα αγόραζαν συμβόλαιο ασφάλισης αυτοκινήτου με πολύ υψηλή πιθανότητα. Το μοντέλο, όπως θα αποδειχθεί, είναι εξαιρετικά χρήσιμο για μια ασφαλιστική επιχείρηση, καθώς της επιτρέπει έναν πιο ουσιαστικό σχεδιασμό της στρατηγικής επικοινωνίας και προσέγγισης των πελατών της, βελτιστοποιώντας έτσι το επιχειρηματικό της μοντέλο, δηλαδή, επιτυγχάνοντας αύξηση των εσόδων με παράλληλη μείωση των δαπανών της.

Τα Δεδομένα

Τα διαθέσιμα δεδομένα αφορούν πελάτες μιας ασφαλιστικής επιχείρησης, οι οποίοι είναι κάτοχοι ασφαλιστηρίων συμβολαίων υγείας. Το αρχείο εμπεριέχει δεδομένα για 95.277 πελάτες, όπως το φύλο, η ηλικία (σε έτη), το ασφάλιστρο για το συμβόλαιο υγείας, ο κωδικός για το κανάλι αρχικής προσέγγισης του πελάτη (π.χ. μέσω τηλεφώνου), ο χρόνος (σε ημέρες) που ο ασφαλισμένος είναι πελάτης στην ασφαλιστική επιχείρηση κ.ά.

Η ασφαλιστική επιχείρηση, προκειμένου να εφαρμόσει τη διαδικασία της διασταυρούμενης πώλησης (cross-selling), προχώρησε σε τηλεφωνική επικοινωνία με το σύνολο των πελατών της και διαπίστωσε ότι το ποσοστό των πελατών που προχώρησε στην αγορά ασφάλισης οχήματος ήταν 12,2% (Σχήμα 1). Κατά τη διάρκεια της επικοινωνίας (μέση διάρκεια 20 λεπτά), ο εντεταλμένος υπάλληλος της εταιρείας λάμβανε και επιπλέον πληροφορίες, σχετικά με την κατοχή διπλώματος οδήγησης αυτοκινήτου, την ηλικία του οχήματος (<1 έτος, 1-2 έτη, >2 έτη), αν το όχημα του ασφαλισμένου είχε υποστεί κάποια ζημιά στο παρελθόν κ.ά.

Πρόβλεψη πώλησης Ασφάλισης Οχήματος σε πελάτες με Ασφαλιστήρια Υγείας

Τα δεδομένα αυτά προστέθηκαν, στη συνέχεια, στη βάση δεδομένων των πελατών, μαζί με το αποτέλεσμα της επικοινωνίας (αγορά ή όχι ασφάλισης αυτοκινήτου). Η διαδικασία της προωθητικής επικοινωνίας απαίτησε την εργασία 18 υπαλλήλων για 12 μήνες και το κόστος της, συμπεριλαμβανομένων των τηλεπικοινωνιακών τελών, ήταν $450.000. Τα μικτά κέρδη που προέκυψαν από τη διαδικασία του cross-selling ήταν περίπου $600.000, ενώ τα αντίστοιχα καθαρά ανήλθαν σε $150.000.

Σκοπός της ανάλυσης

Σκοπός της ανάλυσης είναι η διαμόρφωση κατάλληλου προβλεπτικού μοντέλου, αξιοποιώντας τεχνικές και μεθόδους της αναλυτικής των δεδομένων και της μηχανικής μάθησης, με βάση τα διαθέσιμα ιστορικά δεδομένα, το οποίο θα υποδεικνύει αυτόματα τους πελάτες της ασφαλιστικής επιχείρησης που έχουν μεγαλύτερη πιθανότητα να αγοράσουν ασφάλιση οχήματος.

Η εφαρμογή του μοντέλου αυτού θα επιτρέπει, στο μέλλον, τη μεγιστοποίηση των καθαρών κερδών της ασφαλιστικής επιχείρησης, επιτυγχάνοντας τη βέλτιστη στόχευση των πελατών που θα προβούν σε αγορά ασφάλισης αυτοκινήτου, περιορίζοντας δηλαδή τις αναγκαίες επικοινωνίες σε εκείνους που πραγματικά ενδιαφέρονται.

1ο βήμα – Περιγραφή των δεδομένων (Descriptive Analytics)

Από το σύνολο των 95.277 πελατών της ασφαλιστικής εταιρείας, το 53,9% (Ν= 51.360) είναι άνδρες και το υπόλοιπο 46,1% (Ν= 43.917) είναι γυναίκες, με τη μέση ηλικία των ασφαλισμένων να είναι ίση με τα 39 έτη. Η συντριπτική πλειοψηφία των ασφαλισμένων διαθέτουν άδεια οδήγησης (99,8%), με το μεγαλύτερο ποσοστό τους (95,8%) να έχουν αυτοκίνητο στην κατοχή τους, και το 50,6% των ασφαλισμένων να έχει υποστεί ζημιά στο αυτοκίνητό τους κατά το παρελθόν. Σχετικά με το ετήσιο ασφάλιστρο που πληρώνουν για το συμβόλαιο υγείας που διαθέτουν, βρέθηκε πως ανέρχεται στα $30.684 κατά μέσο όρο, ενώ η μέση διάρκεια συνεργασίας των πελατών με την ασφαλιστική εταιρεία ισούται με τις 154 ημέρες (περίπου 5 μήνες).

2ο βήμα – Εντοπισμός των κρίσιμων παραγόντων που δύνανται να χρησιμεύσουν στη βελτιστοποίηση του cross-selling (Diagnostic analytics)

Αναλύοντας τα δεδομένα, προέκυψε ότι υπάρχει σημαντική διαφοροποίηση στην πιθανότητα που έχουν οι ασφαλισμένοι να αγοράσουν ασφάλιση οχήματος ανάλογα με το φύλο τους, με τους άνδρες να ενδιαφέρονται σημαντικά περισσότερο σε σύγκριση με τις γυναίκες (Σχήμα 2).

Παράλληλα, άτομα μεγαλύτερης ηλικίας, όσοι διαθέτουν άδεια οδήγησης αυτοκινήτου, καθώς και όσοι έχουν για περισσότερα έτη στην κατοχή τους αυτοκίνητο, βρέθηκε πως έχουν σημαντικά μεγαλύτερη πιθανότητα να ενδιαφέρονται για αγορά ασφάλισης οχήματος.

Τόσο οι ασφαλισμένοι των οποίων το αυτοκίνητο έχει υποστεί κάποια ζημιά, όσο και αυτοί που πληρώνουν υψηλότερο ασφάλιστρο για το συμβόλαιο υγείας τους ετησίως (βλ. Σχήμα 3), βρέθηκε πως έχουν σημαντικά μεγαλύτερη πιθανότητα να ενδιαφέρονται για αγορά ασφάλισης οχήματος. Συγκεκριμένα, βρέθηκε πως οι ασφαλισμένοι των οποίων το αυτοκίνητο έχει υποστεί κάποια ζημιά, παρουσιάζουν 23 φορές μεγαλύτερη πιθανότητα να ενδιαφέρονται να αγοράσουν κάποια ασφάλιση οχήματος, σε σύγκριση με τους ασφαλισμένους των οποίων το όχημα δεν έχει υποστεί ζημιά κατά το παρελθόν (Σχήμα 4.α).

Επίσης, οι ασφαλισμένοι που έχουν στην κατοχή τους αυτοκίνητο για 1- 2 έτη έχουν 3 φορές μεγαλύτερη πιθανότητα να ενδιαφέρονται για αγορά ασφάλισης οχήματος, σε σχέση με τους ασφαλισμένους που έχουν στην κατοχή τους αυτοκίνητο για λιγότερο από 1 έτος, ενώ οι ασφαλισμένοι που έχουν αυτοκίνητο για περισσότερα από 2 έτη βρέθηκε πως έχουν περίπου 7πλάσια πιθανότητα να ενδιαφέρονται για αγορά ασφάλισης οχήματος, σε σχέση με τους ασφαλισμένους που έχουν στην κατοχή τους αυτοκίνητο για λιγότερο από 1 έτος (Σχήμα 4.β).

Τέλος, αξίζει να σημειωθεί πως η διάρκεια συνεργασίας των πελατών με την ασφαλιστική εταιρεία δεν φάνηκε να επηρεάζει την πιθανότητα που έχουν οι ασφαλισμένοι να ενδιαφέρονται για αγορά ασφάλισης οχήματος.

3ο βήμα – Διαμόρφωση του μοντέλου για τη μελλοντική πρόβλεψη του ενδιαφέροντος για αγορά ασφάλισης οχήματος (Predictive analytics)

Για τη δημιουργία του μοντέλου πρόβλεψης του ενδιαφέροντος για αγορά ασφάλισης οχήματος εφαρμόστηκε ο αλγόριθμος “Extreme Gradient Boosting (XGBoost)”, ο οποίος αποτελεί έναν αλγόριθμο εποπτευόμενης μηχανικής μάθησης, που χρησιμοποιεί τα δέντρα αποφάσεων και την τεχνική της ενίσχυσης κλίσης (Gradient Boosting), στην οποία κάθε δέντρο εκπαιδεύεται χρησιμοποιώντας την πληροφορία από τα προηγούμενα δέντρα.

Ο συγκεκριμένος αλγόριθμος είναι κατάλληλος ιδιαίτερα σε περιπτώσεις όπου τα μεγέθη των κλάσεων της μεταβλητής-στόχος είναι ανισοπληθή. Όπως φαίνεται και στο Σχήμα 5, κάθε δέντρο απόφασης εκπαιδεύεται αξιοποιώντας τα σφάλματα του προηγούμενου δενδροειδούς μοντέλου και στη συνέχεια τα διορθώνει επαναληπτικά. Απώτερος σκοπός, φυσικά, είναι η βελτιστοποίηση της συνάρτησης απώλειας, βάσει της οποίας γίνεται και η αξιολόγηση του τρόπου με τον οποίο ο αλγόριθμος ταξινομεί τα δεδομένα. Ο XGBoost προτιμάται, σε σχέση με άλλες μεθόδους δέντρων αποφάσεων, λόγω της υπολογιστικής του ταχύτητας και της απόδοσής του.

Υπάρχουν διάφορες μετρικές για την αξιολόγηση των μοντέλων ταξινόμησης και η επιλογή τους εξαρτάται από τη φύση των δεδομένων, καθώς και από τη φύση του προβλήματος. Οι μετρικές που χρησιμοποιούνται έχουν αναφερθεί ήδη σε προηγούμενο άρθρο (βλ. τεύχος Μαΐου 2022).

Το τελικό μοντέλο που προκύπτει δίνει ένα score προδιάθεσης αγοράς σε κάθε ασφαλισμένο. Με βάση το score αυτό, ο κάθε ασφαλισμένος ταξινομείται είτε «ως ασφαλισμένος με μεγάλη πιθανότητα να αγοράσει κάποια ασφάλιση οχήματος» είτε ως «ασφαλισμένος με μικρή πιθανότητα να αγοράσει κάποια ασφάλιση οχήματος».

Τα αποτελέσματα της ανάλυσης για τα ιστορικά στοιχεία, τα οποία φαίνονται στον Πίνακα 1, έδειξαν ότι ταξινομήθηκε σωστά το 85% των ασφαλισμένων (Ορθότητα).

Συγκεκριμένα, φαίνεται ότι από το σύνολο των ασφαλισμένων που ταξινομήθηκαν ως «ασφαλισμένος με μεγάλη πιθανότητα να αγοράσει κάποια ασφάλιση οχήματος», το 81% από αυτούς πράγματι αγόρασαν ασφάλιση αυτοκινήτου (Ακρίβεια). Επιπλέον, όπως ήδη αναφέρθηκε, ένα ακόμη πολύ σημαντικό μέτρο αξιολόγησης για τα μοντέλα ανίχνευσης του ενδιαφέροντος των ασφαλισμένων για αγορά κάποιας ασφάλισης οχήματος είναι και η ευαισθησία, από την οποία προκύπτει ότι από το σύνολο των ασφαλισμένων που πράγματι αγόρασαν ασφάλιση αυτοκινήτου, το 91% εξ αυτών χαρακτηρίστηκε από το μοντέλο «ως ασφαλισμένος με μεγάλη πιθανότητα να αγοράσει κάποια ασφάλιση οχήματος» (προβλέφθηκε σωστά από το μοντέλο).

Επιπλέον, εκτός από τον αλγόριθμο XGBoost, εφαρμόσθηκε και η τεχνική της λογιστικής παλινδρόμησης, η οποία ωστόσο, συγκρινόμενη με τον προηγούμενο αλγόριθμο, όπως αποδεικνύεται από τα στοιχεία που παρατίθενται στον Πίνακα 2, έχει οριακά χαμηλότερη απόδοση.

Πιο συγκεκριμένα, τα αποτελέσματα της ανάλυσης για τα ιστορικά στοιχεία, τα οποία φαίνονται στον Πίνακα 2, έδειξαν ότι ταξινομήθηκε σωστά το 77% των ασφαλισμένων (Ορθότητα).

Μάλιστα, φαίνεται ότι από το σύνολο των ασφαλισμένων που ταξινομήθηκαν ως «ασφαλισμένος με μεγάλη πιθανότητα να αγοράσει κάποια ασφάλιση οχήματος», το 72% από αυτούς πράγματι αγόρασε ασφάλιση οχήματος (Ακρίβεια), ενώ από το σύνολο των ασφαλισμένων που πράγματι αγόρασαν ασφάλιση οχήματος, το 89% εξ αυτών προβλέφθηκε σωστά από το μοντέλο, αφού χαρακτηρίστηκε ως «ασφαλισμένος με μεγάλη πιθανότητα να αγοράσει κάποια ασφάλιση οχήματος».

Υπενθυμίζεται ότι τα ιστορικά δεδομένα διερευνήθηκαν στο σύνολό τους, ένα προς ένα, ως προς την πιθανότητα των ασφαλισμένων να ενδιαφέρονται να αγοράσουν κάποια ασφάλιση οχήματος, κάτι που ενέχει μεγάλο κόστος και απαιτεί πολύ χρόνο. Με τη χρήση του προτεινόμενου μοντέλου, ωστόσο, ο έλεγχος θα γίνεται άμεσα και το κόστος που θα επιβαρύνει την εταιρεία θα είναι εξαιρετικά μικρό.

Συγκεκριμένα, όπως προκύπτει από τα παραπάνω, στο μέλλον η ασφαλιστική επιχείρηση, εφαρμόζοντας το μοντέλο που προέκυψε από την εφαρμογή του αλγόριθμου XGBoost, θα είχε τα ακόλουθα αποτελέσματα:

Θα έκανε τελικά μόνο 10.706 τηλεφωνικές προωθητικές ενέργειες (μόλις το 11,2% του συνόλου των επικοινωνιών που έγιναν την πρώτη φορά).
Το conversion rate (το ποσοστό των επικοινωνιών που θα κατέληγε σε πώληση) θα ήταν 81%.

Δηλαδή, θα μείωνε κατά 88,8% τις δαπάνες (από $450.000 σε $50.400), ενώ θα πραγματοποιούσε το 81% των τηλεφωνικών επικοινωνιών, με τα έσοδα να μειώνονται από $600.000 σε $435.000 αλλά με τα κέρδη να υπερδιπλασιάζονται και να διαμορφώνονται στα $385.000 περίπου, δηλαδή, προσαυξημένα κατά 250% (από $150.000 σε $385.000).

*Ο κ. Σωτήριος Μπερσίμης είναι Αναπληρωτής Καθηγητής στο Πανεπιστήμιο Πειραιώς.

*Ο κ. Χρήστος Μπουντούλης είναι επιστήμονας των Δεδομένων στην εταιρεία Covariance, με εξειδίκευση στον ασφαλιστικό κλάδο.

Διαβάστε επίσης:

Η αξιοποίηση των Big Data στον ασφαλιστικό κλάδο

Ανίχνευση ασφαλιστικής απάτης στην ασφάλιση κατοικίας

Ανίχνευση ασφαλιστικής απάτης στην ασφάλιση αυτοκινήτων

Μοντέλα πρόβλεψης του ύψους των ασφαλιστικών απαιτήσεων στην ασφάλιση υγείας

Ασφάλιση αυτοκινήτου: Ποιοι πελάτες θα ανανεώσουν το ασφαλιστήριό τους;

Ακολουθήστε την Ασφαλιστική Αγορά στο Google News