Η ταξιδιωτική ασφάλιση παρέχει προστασία από δαπάνες ή ζημίες που προκύπτουν λόγω απροσδόκητων γεγονότων κατά τη διάρκεια ταξιδιών στο εσωτερικό της χώρας ή στο εξωτερικό. Ξεκινάει από την ημέρα έναρξης του ταξιδιού και λήγει κατά την επιστροφή του πελάτη στην οικία του, καλύπτοντας, στις περισσότερες των περιπτώσεων, το κόστος ακύρωσης ή διακοπής του ταξιδιού, απώλειας ή κλοπής αντικειμένων, επείγουσας ιατρικής περίθαλψης, θανάτου κ.ά. Ο κλάδος ταξιδιωτικής ασφάλισης γνωρίζει σήμερα σημαντική άνοδο, κυρίως λόγω της ραγδαίας ανάπτυξης του παγκόσμιου τουρισμού, ιδιαίτερα μετά την περίοδο του COVID-19.

| Των Σωτηρίου Μπερσίμη & Χρήστου Μπουντούλη* |

Σύμφωνα με έρευνα της Research and Markets, η παγκόσμια αγορά ταξιδιωτικής ασφάλισης έφτασε σε αξία 13,9 δισεκατομμυρίων δολαρίων το 2021, ενώ αναμένεται ότι θα προσεγγίσει τα 31,3 δισεκατομμύρια δολάρια μέχρι το 2027, με τον μέσο ετήσιο ρυθμό αύξησης, κατά την περίοδο 2021-2027, να προσεγγίζει το 15%.

Ο κίνδυνος απώλειας αποσκευών, καθώς οι μετακινήσεις αυξάνονται ολοένα και περισσότερο, τα επείγοντα ιατρικά περιστατικά, η συγκυρία του COVID-19, καθώς και οι προσπάθειες των κρατών για την απόκτηση μεγαλύτερων αποτελεσμάτων από την τουριστική βιομηχανία είναι μερικοί παράγοντες που οδηγούν στην αύξηση της ζήτησης για ταξιδιωτική ασφάλιση. Λαμβάνοντας υπόψη το γεγονός αυτό σε μια συνεχώς αναπτυσσόμενη αγορά, οι ασφαλιστικές εταιρείες, κάνοντας χρήση της Μηχανικής Μάθησης (Machine Learning) και της Τεχνητής Νοημοσύνης (Artificial Intelligence), μπορούν να βελτιστοποιήσουν την αλληλεπίδρασή τους με τους πελάτες, να προσφέρουν πιο προσωποποιημένα προϊόντα και υπηρεσίες, να βελτιώσουν την ικανοποίηση των πελατών και να διαμορφώσουν την πιο δελεαστική προσφορά σε χρόνο μηδέν.

Τα δεδομένα

Η ανάλυση αφορά σε αρχείο δεδομένων από 1.987 πελάτες μιας γνωστής αεροπορικής εταιρείας των Η.Π.Α. για το έτος 2019, το οποίο περιέχει 9 χαρακτηριστικά των πελατών της, όπως: κωδικός πελάτη, ηλικία, τύπος απασχόλησης, αν είναι απόφοιτος δευτεροβάθμιας εκπαίδευσης, ετήσιο εισόδημα, αριθμός μελών οικογένειας, η ύπαρξη κάποιας χρόνια νόσου, αν ταξιδεύει συχνά με αεροπλάνο, αν έχει ταξιδέψει ποτέ στο εξωτερικό και η απάντηση του πελάτη στη σύναψη ταξιδιωτικής ασφάλισης.

Σκοπός της ανάλυσης

Αξιοποιώντας τεχνικές και μεθόδους της αναλυτικής των δεδομένων και της μηχανικής μάθησης, σκοπός της ανάλυσης είναι η διαμόρφωση κατάλληλου προβλεπτικού μοντέλου, το οποίο θα υποδεικνύει την πιθανότητα που έχει κάθε πελάτης να αγοράσει ταξιδιωτική ασφάλιση. Το μοντέλο αυτό χρησιμοποιήθηκε στην ιστοσελίδα της αεροπορικής εταιρείας, ώστε σε συνεργασία με μεγάλη ασφαλιστική εταιρεία των Η.Π.Α. να προσφέρει επιλεγμένα πακέτα ταξιδιωτικής ασφάλισης στους υποψήφιους ταξιδιώτες.

1ο βήμα – Περιγραφή των δεδομένων (Descriptive analytics)

Σε σύνολο 1.987 πελατών, μόλις το 35,7% (Ν=710) αγόρασαν ταξιδιωτική ασφάλιση (βλ. Σχήμα 1), με τη μέση ηλικία των πελατών να είναι ίση με 29 έτη. Αναφορικά με την εργασιακή τους κατάσταση, το 71,3% (Ν=1.417) δήλωσε ότι εργάζεται στον ιδιωτικό τομέα ή ότι αυτοαπασχολούταν, με το υπόλοιπο 28,7% (Ν=570) να εργάζεται στον δημόσιο τομέα, ενώ η πλειοψηφία των πελατών, με ποσοστό 85,15% (Ν=1.692), ήταν απόφοιτοι δευτεροβάθμιας εκπαίδευσης, με μέσο ετήσιο εισόδημα ίσο με 93.276 δολάρια. Επίσης, παρατηρήθηκε ότι το 50% των πελατών είχαν μέχρι 5 μέλη στην οικογένειά τους, το 27,8% (Ν=552) είχαν κάποια χρόνια νόσο, ενώ αναφορικά με το ταξιδιωτικό παρελθόν των πελατών, το 21% (Ν=417) δήλωσε ότι ταξιδεύει συχνά με αεροπλάνο και το 19,12% (Ν=380) δήλωσε ότι έχει ταξιδέψει στο εξωτερικό τουλάχιστον μία φορά.

Πρόβλεψη των πελατών που θα αγόραζαν Ταξιδιωτική Ασφάλιση

2o βήμα – Εντοπισμός των κρίσιμων παραγόντων που δύνανται συνδυαστικά να χρησιμεύσουν στη μοντελοποίηση των δεδομένων (Diagnostic analytics)

Αναλύοντας τα δεδομένα με τη χρήση κατάλληλων ελέγχων, προέκυψε ότι υπάρχει σημαντική διαφοροποίηση του ετήσιου μισθού σε σχέση με την ανταπόκριση των πελατών για σύναψη ταξιδιωτικής ασφάλισης (βλ. Σχήμα 2). Συγκεκριμένα, παρατηρήθηκε ότι ο μέσος ετήσιος μισθός των πελατών που αγόρασαν ταξιδιωτική ασφάλιση ήταν ίσος με $113.324, ενώ εκείνων που δεν αγόρασαν ήταν 37,98% χαμηλότερος και ίσος με $82.130. Επίσης, παρατηρήθηκε σημαντική διαφοροποίηση στην αγορά ταξιδιωτικής ασφάλισης σε σχέση με τον τύπο απασχόλησης (βλ. Σχήμα 3).

Πιο αναλυτικά, το ποσοστό αγοράς ταξιδιωτικής ασφάλισης στην κατηγορία των ιδιωτικών υπαλλήλων/αυτοαπασχολούμενων ήταν 40,23% (Ν=570), δηλαδή περίπου 64% υψηλότερο από το αντίστοιχο ποσοστό στην κατηγορία των δημόσιων υπαλλήλων.

Συνεχίζοντας τη διερευνητική ανάλυση, παρατηρήθηκε σημαντική διαφοροποίηση της αγοράς ταξιδιωτικής ασφάλισης σε σχέση με το αν κάποιος ταξιδεύει συχνά με αεροπλάνο (βλ. Σχήμα 4). Συγκεκριμένα, το ποσοστό αγοράς ταξιδιωτικής ασφάλισης σε πελάτες που ταξιδεύουν συχνά με αεροπλάνο είναι ίσο με 57,31% (Ν=239), δηλαδή περίπου 91% υψηλότερο σε σχέση με το αντίστοιχο ποσοστό των πελατών που δεν ταξιδεύουν συχνά με αεροπλάνο (30%).

Αξιοσημείωτη είναι και η διαφοροποίηση που παρατηρήθηκε στην αγορά ταξιδιωτικής ασφάλισης σε σχέση με το αν κάποιος έχει ταξιδέψει ξανά στο εξωτερικό (βλ. Σχήμα 5). Συγκεκριμένα, το ποσοστό αγοράς ταξιδιωτικής ασφάλισης σε πελάτες που έχουν ταξιδέψει ξανά στο εξωτερικό είναι ίσο 78,42% (Ν=298), δηλαδή περίπου 2 φορές υψηλότερο σε σχέση με το αντίστοιχο ποσοστό των πελατών που δεν έχουν ταξιδέψει ξανά στο εξωτερικό (25,64%).

3ο βήμα – Διαμόρφωση του μοντέλου παλινδρόμησης για την πρόβλεψη της καθαρής αξίας των πελατών (Customer Lifetime Value prediction)

Για τη δημιουργία του μοντέλου πρόβλεψης της ταξιδιωτικής ασφάλισης, εφαρμόστηκε ο αλγόριθμος “Extreme Gradient Boosting (XGBoost)”. Πρόκειται για έναν αλγόριθμο εποπτευόμενης μηχανικής μάθησης, του οποίου η λειτουργία έχει αναλυθεί σε προηγούμενο άρθρο (βλ. τεύχος Σεπτεμβρίου 2022).

Το σύνολο δεδομένων χωρίστηκε (με την αναλογία 80% – 20%) σε σύνολο δεδομένων εκπαίδευσης (80%), το οποίο χρησιμοποιήθηκε για την εκπαίδευση του μοντέλου, και σε σύνολο δεδομένων δοκιμής (20%), το οποίο χρησιμοποιήθηκε για την αξιολόγησή του. Τα αποτελέσματα της αξιολόγησης του μοντέλου, τα οποία φαίνονται στους πίνακες 1 & 2, έδειξαν ότι ταξινομήθηκε σωστά το 81,65% των πελατών (Ορθότητα), με την ακρίβεια ταξινόμησης στην κάθε κλάση να κυμαίνεται από 80% έως 82%, ποσοστά πολύ υψηλά, που επιβεβαιώνουν την αξιοπιστία του μοντέλου.

Η εφαρμογή του μοντέλου σε κάθε πελάτη, μέσω της ιστοσελίδας της αεροπορικής εταιρείας, δίνει τη δυνατότητα υιοθέτησης προσωποποιημένων στρατηγικών μάρκετινγκ. Συγκεκριμένα, με εφαρμογή του μοντέλου, κάθε μελλοντικός ταξιδιώτης θα ταξινομείται βάσει της πιθανότητας που έχει να προχωρήσει σε αγορά ταξιδιωτικής ασφάλισης και, με αυτόν τον τρόπο, η αεροπορική εταιρεία σε συνεργασία με την ασφαλιστική εταιρεία θα έχουν τη δυνατότητα προσωποποιημένης προώθησης ασφαλιστικών προϊόντων.

*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

Πρόβλεψη πώλησης Ασφάλισης Οχήματος σε πελάτες με Ασφαλιστήρια Υγείας

Ασφάλιση αυτοκινήτου: Ποιοι πελάτες θα ανανεώσουν το ασφαλιστήριό τους;

Kατηγοριοποίηση των πελατών βάσει επικινδυνότητας στον κλάδο Ασφάλισης Αυτοκινήτου

Πρόβλεψη της καθαρής αξίας των πελατών στον κλάδο Ασφάλισης Οχημάτων

Ακολουθήστε την Ασφαλιστική Αγορά στο Google News