Schon heute wissen, wie sich Ihre Kunden morgen entscheiden Szenarien für Predictive Analytics in der Versicherungsindustrie

Transkript

1 18. März 2010, Allianz Arena München Schon heute wissen, wie sich Ihre Kunden morgen entscheiden Szenarien für Predictive Analytics in der Versicherungsindustrie Matthias Kraus SPSS, an IBM Company Solution Engineering Central Europe München, 18. März

2 Agenda 1 Heute wissen, wie sich Kunden morgen entscheiden: Mehrwert mit Predictive Analytics 2 Erfolgsfaktoren für die erfolgreiche Integration von Predictive Analytics in Business & IT 3 Konkrete Projektbeispiele und ROI Betrachtungen aus der Versicherungsindustrie 4 Wie funktioniert Predictive Analytics: Darstellung anhand eines typischen Business Szenarios

3 Ein klassischer Kundenlebenszyklus Profit Zeit

4 Optimierter Kundenlebenszyklus mit Predictive Analytics Profit Effizientere Akquisition Effektiveres Up/Cross Sell Bessere Kundenbindung Mehr Profit Generell höherer Profit durch Betrugserkennung und Risikominimierung Zeit

5 Beispiel Kundenbindung: Stornoquoten im internationalen Vergleich Q: Which of the following suppliers have you changed in the last year? Industry Italy France Spain Germany US UK Your main supermarket 36,0% 34,0% 32,4% 27,0% 32,9% 27,4% Your internet services provider 25,7% 22,6% 29,0% 29,2% 38,2% 24,6% Your mobile phone provider 22,6% 21,1% 23,1% 21,2% 11,7% 38,6% Your bank 20,4% 16,6% 23,9% 16,8% 25,3% 18,3% Your car or house insurer 17,6% 16,2% 21,2% 16,8% 12,6% 25.4% Your main credit card issuer 5,9% 7,3% 9,2% 7,1% 20,6% 16,2% Your travel agent 12,8% 7,7% 14,9% 6,5% 2,9% 8,1% Your utilities provider 0,7% 0,4% 1,2% 5,8% 12,4% 17,3% All sector Average 17,7% 15,7% 19,4% 16,3% 19,6% 22,0% Schon eine marginale Reduktion von Stornoquoten ermöglicht eine signifikante Steigerung der Profitabilität

6 Ein Beispiel für Kündigerprävention durch Predictive Analytics aus der Telekommunikationsindustrie Cable Com Kündigerprävention Identifizierung von Frühwarnindikatoren für Kundenabwanderung mit Data Collection, Data Mining, Text Mining und darauf aufbauenden optimierten Marketingkampagnen 100% Verbesserung bei der Identifizierung abwanderungsgefährdeter Kunden Initiale Reduktion der Churn Rate von 19 % auf 2 % 53% der unzufriedenen Kunden wurden Promoter

7 Agenda 1 Heute wissen, wie sich Kunden morgen entscheiden: Mehrwert mit Predictive Analytics 2 Erfolgsfaktoren für die erfolgreiche Integration von Predictive Analytics in Business & IT 3 Konkrete Projektbeispiele und ROI Betrachtungen aus der Versicherungsindustrie 4 Wie funktioniert Predictive Analytics: Darstellung anhand eines typischen Business Szenarios

8 Predictive Analytics ermöglicht echten 1:1 Dialog Verbessertes Customer Insight Beziehungsmanagement auf individueller Basis im direkter Kontakt mit den Kunden mehreretransaktionen, vielfältige Kanäle 8

9 Erst die Entwicklung einer 360 Kundensicht schafft einen echten Wettbewerbsvorteil Schaffung echter und nachhaltiger Wettbewerbsvorteile Interaktionsdaten - CRM Systeme - Click-Streams - Kunden-Feedback Psychologische Daten - Werthaltungen - Einstellungen - Affinitäten Deskriptive Daten - Demographie - (Mikro-)geographie - Selbstauskünfte Verhaltensdaten - Transaktionen - Zahlungsverhalten - Nutzungsverhalten Grundlage; historische Basis 9

10 Next Generation Predictive Analytics für die Optimierung operativer Entscheidungen Historisch Zukünftig Reaktiv Batch Back Office Statistik-Experten Proaktiv Realtime Point of Impact Entscheider 10

11 Agenda 1 Heute wissen, wie sich Kunden morgen entscheiden: Mehrwert mit Predictive Analytics 2 Erfolgsfaktoren für die erfolgreiche Integration von Predictive Analytics in Business & IT 3 Konkrete Projektbeispiele und ROI Betrachtungen aus der Versicherungsindustrie 4 Wie funktioniert Predictive Analytics: Darstellung anhand eines typischen Business Szenarios

12 Mehrwert mit Predictive Analytics im Claims Management Infinity Property and Casualty Corporation Betrugsminimierung Real-time Analytics Lösung zur Bewertung der Legitimität von Ansprüchen Schnellere Weiterleitung an die jeweiligen Betrugsabteilungen ( SIU s ) für Detailprüfungen Idenfizierung und Adressierung von Regressionsansprüchen in weniger als der Hälfte der früher benötigten Zeit (10 statt 26 Tage) 12

13 Optimale Steuerung der Kundeninteraktion Analytics: Aktuelle Forderung, Historie, Externe Daten Kundenservice Automatisch generierte Fragen (Intelligent Scripting) Fast Track Fast track der Forderung Meldung Standard-Prozess Anforderung von Zusatzinformation Betrugsabteilung Weiterleitung an die Betrugsabteilung Betrugsidentifikation SPSS Inc. 13

14 Ein Cost Center wird mit Realtime Decision Management zum Profit Center Inbound Service Calls Cross-Selling Vorschläge Angebote qualifizierte Leads 30 Mio. Mehrumsatz

15 Wertbasierte Optimierung operativer Entscheidungen Kampagnenausführung A B C Beste Kampagne pro Kunde Mögliche Kampagnen A B C A B C? %? 42$?? %? $?? %? 87$? Durchsuchen der Datenbanken nach Events

16 FBTO: 40 % höhere Conversion bei 35 % geringeren Mailingkosten Hintergrund Marketingkampagnen wurden in der Vergangenheit nicht zielgerichtet auf affine Kunden ausgerichtet Daraus resultierend geringe Konversionsraten auf Mailings Hohe Direktmarketingkosten, geringe Effizienz der Marketingkampagnen, Cross & Upselling nicht ausreichend Zielsetzung Ziel war es, mit Predictive Analytics FBTO Kunden bzw. Prospects zu identifizieren, die eine erhöhte Wahrscheinlichkeit für den Abschluss relevanter Finanzprodukte aufweisen Auf Basis der errechneten Konversionswahrscheinlichkeiten wurden Kunden für personalisierte Angebote bzw. folgende Kampagnen ausgewählt Ergebnisse Die Marketingabteilung von FBTO wurde in die Lage versetzt, Effektivität und Kosteneffizienz von Kampagnen zu prognostizieren Die Kosten im Zusammenhang in der Generierung, Optimierung und Ausführung von Kampagnen wurden beträchtlich gesenkt Senkung der Direktmailingkosten: 35 % Steigerung der Konversionsraten: 40 %

17 Ergebnis der übergreifenden Optimierung bei Profitabilität Profitabilität 29% Ergebnisverbesserung Konventionell Kampagnenoptimierung Car insurance Car insurance (affinity) Line of Credit Multi-product Life insurance Life insurance special

18 Agenda 1 Heute wissen, wie sich Kunden morgen entscheiden: Mehrwert mit Predictive Analytics 2 Erfolgsfaktoren für die erfolgreiche Integration von Predictive Analytics in Business & IT 3 Konkrete Projektbeispiele und ROI Betrachtungen aus der Versicherungsindustrie 4 Wie funktioniert Predictive Analytics: Darstellung anhand eines typischen Business Szenarios

19

20 Kundendaten Demographie Transaktionen Produkte Kanalaktivität Anfragen Beschwerden

21 Prädiktive Modelle Wahrscheinlichkeit, auf ein bestimmtes Marketingangebot zu reagieren Kundendaten Demographie Transaktionen Produkte Kanalaktivität Anfragen Beschwerden

22 Prädiktive Modelle Wahrscheinlichkeit, auf ein bestimmtes Marketingangebot zu reagieren Kundenkontakte Angebot des Monats pro Kunde Kundendaten Demographie Transaktionen Produkte Kanalaktivität Anfragen Beschwerden

23 Prädiktive Modelle Wahrscheinlichkeit, auf ein bestimmtes Marketingangebot zu reagieren Kundenkontakte Angebot des Monats pro Kunde Step 1: Optimierung des Angebots des Monats durch Ausschluss wahrscheinlicher Non-Responder Kundendaten Demographie Transaktionen Produkte Kanalaktivität Anfragen Beschwerden

24 Step 2: Feedback-Loop zum Erfolgs-Controlling Key Performance Predictors und Kampagnenresultate Prädiktive Modelle Wahrscheinlichkeit, auf ein bestimmtes Marketingangebot zu reagieren Kundenkontakte Angebot des Monats pro Kunde Kundendaten Demographie Transaktionen Produkte Kanalaktivität Anfragen Beschwerden

25 Key Performance Predictors und Kampagnenresultate Prädiktive Modelle Wahrscheinlichkeit, auf ein bestimmtes Marketingangebot zu reagieren Kundenkontakte Angebot des Monats pro Kunde Step 3: Anreichern der Daten Kundendaten Demographie Transaktionen Produkte Kanalaktivität Anfragen Beschwerden

26 Step 4: Optimierung über verschiedene Angebote Best Next Action Die besten drei Angebote werden pro Kunde berechnet Kunden ID A C F B G D H C Etcetera Ke<<<y Key Performance Predictors and und Kampagnenresultate Campaign Results Prädiktive Modelle Wahrscheinlichkeit, auf ein bestimmtes Marketingangebot zu reagieren Kundenkontakte Bestes Angebot pro Kunde Kundendaten Demographie Transaktionen Produkte Kanalaktivität Anfragen Beschwerden

27 Best Next Action Die besten drei Angebote werden pro Kunde berechnet Key Performance Predictors und Kampagnenresultate Kunden ID A C F B G D H C Etcetera Prädiktive Modelle Wahrscheinlichkeit, auf ein bestimmtes Marketingangebot zu reagieren Kundenkontakte Bestes Angebot pro Kunde Automatische Updates Für die Adjustierung der Kampagnen und zur Anwendung von Kontaktregeln Step 5: Prozess- Automatisierng Kundendaten Demographie Transaktionen Produkte Kanalaktivität Anfragen Beschwerden

28 Zukünftige Schritte Best Next Action Best 3 offers recorded for Roll out; Neue Touch Points every customer individually Customer Service Center Website Customer ID ATM A C F ( ) B G D H C Etcetera Zusätzliche Kundenbindungsangebote Optimierung über Kunden, Kanäle, Angebote und Zeitraster Einführung von Feedbackmechanismen zur Identifizierung unbefriedigter Bedürfnisse und potenzieller neuer Produkte Kundenkontakte Automatische Automated Updates Bestes Angebot pro Für To accommodate die Adjustierung new der Einbeziehung von Risikoerwägungen Kunde Kampagnen offers and to und apply bei zur der Unterbreitung von Produktangeboten Anwendung customer contact von rules Kontaktregeln Key Performance Predictors und Kampagnenresultate Prädiktive Modelle Wahrscheinlichkeit, auf ein bestimmtes Marketingangebot zu reagieren Kundendaten Demographie Transaktionen Produkte Kanalaktivität Anfragen Beschwerden

29 Zusammenfassung Inkrementeller Projektansatz Quick Wins This is one of the highest ROI scores Nucleus has ever seen in its Real ROI series of research reports Rebecca Wettemann, VP of Research, Nucleus Research 94% der Kunden mit positivem ROI, durchschnittlicher Payback in < 11 Monaten 81% der Projekte in time, 75% im oder unter Budget

30 18. März 2010, Allianz Arena München Schon heute wissen, wie sich Ihre Kunden morgen entscheiden Szenarien für Predictive Analytics in der Versicherungsindustrie Matthias Kraus SPSS, an IBM Company Solution Engineering Central Europe München, 18. März