Analytisches CRM in der Generali Versicherung

Transkript

1 in der Generali Versicherung CON.ECT Informunity Business Intelligence Wien 11. Mai 2011 Sabine Musil 1

2 Die Generali Gruppe ein führender Finanzdienstleister in Österreich Zur Generali Gruppe zählen unter dem Dach der Generali Holding Vienna AG u.a. Generali Versicherung AG BAWAG P.S.K. Versicherung AG Europäische Reiseversicherung AG Generali Bank AG Generali Leasing GmbH 3 Banken-Generali Investment-Ges.m.b.H. Bonus Vorsorgekasse AG Zahlen 2009 Nummer 3 in Österreich (14,7% Marktanteil) Marktführer im KFZ 2,4 Milliarden Euro Prämie (1,3 SU; 1,1 Leben) Combined Ratio (netto) 95,7% EGT 113,0 1,7 Mio Privatkunden Ausschnitt - Wien, Landskrongasse 1-3 Sitz der Generaldirektion (Lukas Beck). 2

3 bedeutet in der Generali Versicherung seit Kunden (er)kennen Datengrundlagen auf Basis von Alt- und Neudaten schaffen Analyse der Kundendaten Geld verdienen Cross-selling, Up-selling, Stornovermeidung Prozesse effizienter machen Einstellungen ändern Kundenorientierung in den Köpfen verankern Kulturänderung 3

4 Kunden (er)kennen Warum Kundendaten analysieren Gesättigte Märkte erfordern neue Wege der Marktbearbeitung Bestandssicherung durch bessere Information(snutzung) Verkaufschancen werden leichter und rechtzeitig erkannt Kommunizierte Kaufmuster ersparen leere Kilometer Gezielte Behaltemaßnahmen verhindern Stornos Wissen statt Glauben Wie viele Kunden haben Sie? 4

5 Kunden (er)kennen Welche Kundendaten? Definition Kunde Versicherungsnehmer, Versicherte Person, Prämienzahler, Anzahl Kunden Dublettenbereinigung Kundendaten im engeren Sinn die Pflicht Verträge, Schäden, Zahlverhalten Name, Geburtsdatum, Geschlecht, Berufsstand Adresse, Kommunikationsdaten und Bankverbindungen Kundendaten im weiteren Sinn die Kür Beruf, Familienstand, SV-Nummer, Einkommensniveau, Haushaltsgröße, Kanalpräferenzen, 5

6 Kunden (er)kennen Kundendaten analysieren 6

7 Abschluß- und Stornoscores Nutzen der Muster aus der Vergangenheit Kunden, die bis zum einen aufrechten Vertrag gehabt haben. Kunden mit mind. einem LV Abschluß seit Diese Kunden werden durch Merkmale charakterisiert. Kunden ohne LV Abschluß seit Welche Merkmale dienen zur Vorhersage ob Kunde eine Lebensversicherung/Vorsorgeprodukt abschließen wird?

8 Generali Segmente Multivariater Ansatz Seg ment 1 Segment 7 S e g m e n t 1 Segment 2 Segment 3 Alter - Lebensabschnitte 8 Segment 5 Segment 6 Segment 4 Vertrags dichte

9 Bilden von Zeitreihen Kundenströme / / % % / 12.8 % 1 1.1% / 0.9 % /8.2 % %.5 0 /3 5 EX Cust / 15.9 %

10 Projekt Kundenwert Endausbau: Wertorientiertes Kundenportfolio Historischer Kundenwert Wertorientiertes Kundenportfolio Bewertung in Loyalitätspunkten (A-C) Bestandteile: - Betrachtung der letzten 3 Jahre im Durchschnitt Bewertung in Loyalitätspunkten (A-C) Bestandteile: - Ceteris Paribus Prognose je Kunde für ein Jahr - Stornowahrsch. je Kunde für die nächsten 2 Jahre - Abschlußwahrsch. je Kunde für die nächsten 2 Jahre - Altersfaktor (zukunftsorientierte Rechnung) - Fortschreibung max. 5 Jahre, Abzinsungsfaktor Historische Punkte Prognostischer Kundenwert AC AB AA BC BB BA CC CB CA Prognosepunkte 10

11 Kundendaten professionell nutzen (Ändern oder Löschen im Folienmaster) Geomarketing Weiße und grüne Flecken 11

12 Storno Früherkennung Stornokundenprofile Unfall Ku n d en m it St o r n o Un f all pro Scoregruppe To p - Flo p % PROFIL A 95.00% 90.00% 85.00% 80.00% PROFIL B PROFIL C 75.00% 70.00% 65.00% 60.00% Sco r e Gr u p p e 1 Sco r e Gr u p p e 2 Sco r e Gr u p p e 3 Sco r e Gr u p p e 4 Sco r e Gr u p p e 5 Sco r e Gr u p p e 6 Sco r e Gr u p p e 7 Sco r e Gr u p p e 8 Sco r e Gr u p p e 9 Sco r e Gr u pp e TOP 10% FLOP 10% 12

13 Next Best Product Reaktive Verkaufsunterstützung Empfehlung für JEDEN Kunden aufgrund des bestehenden Produktportfolios der berechneten Abschlußwahrscheinlichkeiten und optional angewendeten Geschäftsregeln 13

14 Auswerten im DWH Data Mart Kunde 14

15 Mit A Geld verdienen Die Entwicklung im Überblick Analyseaufbau 2002 Flat File Personen Abschlußwahrscheinlichkeiten für Lebensversicherungen Bestandsanalyse inkl. Wertkomponenten 2004 Abschlußwahrscheinlichkeiten für Leben, Kranken, Unfall, Sach/Breite Einsatz von Data Mining Werkzeugen Stornowahrscheinlichkeiten für Leben, Kranken, Unfall, Sach/Breite Abzüge aus dem DWH Erstellung von Aufbereitungsscripts Kampagnen-DB Kundenpfadanalysen Historischer Kundenwert Integration des Kampagnen managementtools in die Außendienstumgebung Erste Vertriebsprozesse automatisiert (Abläufermgmt) Aufsetzen des Aktionscontrollings 15 Vertriebsprozesse adaptieren Externer Datenzukauf, Integration dieser Daten in die Modelle Geodaten und Mahndaten als Ergänzung Prognostischer Kundenwert Kaufwahrscheinlichkeiten für ein KFZ Privatkundensegmentierung Überarbeitete Lebensmodelle zur Vorhersage auf Produktebene Next Best Product Abschluß-/Stornoprofile Aufsetzen des kundenorientierten Steuerungsprozesses als Ergänzung zur Verkaufssteuerung Aufsetzen des Stornodefenders Aufsetzen weiterer VertriebsProzesse Kombinierte Aktionen mit Kundendienst und Außendienst Optimieren des Aktionsplanungsprozesses zur gesamtheitlichen Kundenbearbeitung Kunden/Vermittlerübersicht Aktionsranking Einbindung UAV Adaptierungen von Aktionsfunktionalität und Auswertungen anhand der Erfahrungen mit Data Mart Kunde und HH Aktionscontrolling Data Mart Firma

16 Technische Basis Tools Data Mining mit SPSS Clementine, einigen Visualisierungswerkzeugen und SAS Base DB2 Data Warehouse als Basis für das Flatfile OLAP Auswertungen und Standardreports mit Cognos auf Basis von Kundenmarts Kampagnenmanagement Werkzeug - Eigenentwicklung Integriert in die Außendienstumgebung - Eigenentwicklung 16

17 Ausblick Was wir vorhaben Analysen für Firmenkunden Prüfen der Möglichkeiten von Text-Mining Aufbau Rule-Based Verkaufsunterstützung Mehr kundenbasierte Verkaufsprozesse z.b. Bearbeitung in spez. Phasen des Kundenlebenszyklus Aktionsoptimierung auf Basis von Ertragskomponenten Schwenk von Massenmailings auf Mikroaktionsmanagement Integration von digitalen Mechanismen der Web 2.0 Generation 17

18 in der Generali Versicherung CON.ECT Informunity Business Intelligence Wien 11. Mai 2011 Sabine Musil 18