Data Department, bir sigorta işletmesi için poliçe yenileme ve müşteriyi elde tutma sistemi geliştirdi. Sistem, müşteri kaybı (churn) tahmin modelini, ekibe önce hangi müşterinin aranacağını gösteren bir önceliklendirme optimizasyonuyla birleştiriyor. Önceliklendirme iki modele dayanıyor: churn modeli ve satın alma eğilimi modeli. Proje yaklaşık %6 gelir artışı sağladı.
Karar neydi?
Poliçe yenileme tarihi gelmeden müşteri aranabilir. Ancak aramalar zaman alır ve bir ekibin günde yapabileceği arama sayısı sınırlıdır. Dolayısıyla asıl karar bir sıralamadır: önce kim aranmalı?
Poliçe sırasına ya da tarihe göre aramak, her müşteriyi aynı kabul eder. Oysa müşteriler aynı değildir. Bazıları aranmasa da poliçesini yeniler. Bazılarının ayrılma ihtimali yüksektir ve bir arama onları tutabilir. Bazıları da yeni bir ürüne açıktır. Öncelikli olmayan bir müşteriye ayrılan zaman, öncelikli bir müşteriye ayrılamayan zamandır.
Bu yüzden soru tek başına "kim ayrılacak?" değildi. Soru şuydu: "Arama zamanımız sınırlıyken, geliri korumak ve büyütmek için önce hangi müşterilere ulaşmalıyız?"
Ne geliştirdik?
| Bileşen | Yanıtladığı soru | Nasıl kullanılıyor? |
|---|---|---|
| Churn modeli | Bu müşteri yenilemede ayrılır mı? | Risk altındaki müşterileri işaretler |
| Satın alma eğilimi modeli | Bu müşteri satın almaya ne kadar yatkın? | Teklife açık müşterileri işaretler |
| Önceliklendirme optimizasyonu | Önce kimi aramalıyız? | İki modeli birlikte kullanarak arama listesini sıralar |
Neden tek değil iki model? Churn skoru tek başına kimin ayrılabileceğini gösterir. Ancak bir aramanın o müşteride mi, yoksa satın almaya hazır bir başka müşteride mi daha değerli olduğunu göstermez. Churn ve satın alma eğilimi skorlarını tek bir önceliklendirme yapısında birleştirmek, ekibin ikisini birlikte tartmasını ve aramalarını buna göre sıralamasını sağlar.
Genel olarak bu tür önceliklendirme yapıları, model skorlarını ekibin kapasitesine uygun sıralı bir listeye dönüştürür; böylece en değerli aramalar önce yapılır. Burada genel yöntemi anlatıyoruz; müşterimizin verisi ve kuralları gizli kalıyor.
Sonuçlar
- Yaklaşık %6 gelir artışı.
- Sıralı arama listesi: churn ve satın alma eğilimi modellerinden üretildi; önce kimin aranacağına bu listeyle karar verildi.
Bu proje için yalnızca gelir sonucunu paylaşıyoruz. Başka bir metrik yayımlamıyoruz.
Başarıyı belirleyen etkenler
Churn modelinden değil, arama kararından başladık. Churn skoru, ancak arama kararlarını değiştirdiğinde değer üretir. Skorları aksiyona dönüştüren, önceliklendirme yapısıydı.
Elde tutma ve satış birlikte ele alındı. Hem müşteriyi kaybetme riskine hem de ona satış yapma ihtimaline bakmak, bir aramanın nerede değer yarattığını daha bütünlüklü gösterdi.
Kapasite de problemin bir parçasıdır. Bir ekibin tüm müşterileri araması mümkün değildir. Müşterileri bu sınır içinde sıralamak yalnızca bir tahmin değil, aynı zamanda bir optimizasyon sorusudur.
Bu çalışma, müşteri kaybı (churn) tahmini ve müşteri analitiği hizmetimizin ve finans ve sigorta sektöründeki çalışmalarımızın bir parçası. Finans alanından bir başka örnek için tahsilat tahmini projemize bakabilirsiniz.
Sık sorulan sorular
Sigortada churn tahmini nedir?
Churn tahmini, her müşterinin ayrılma, örneğin poliçesini yenilememe olasılığını tahmin eden bir modeldir. Ekibin elde tutma çabasını en çok önem taşıyan müşterilere yöneltmesine yardımcı olur.
Satın alma eğilimi modeli nedir?
Satın alma eğilimi modeli, bir müşterinin bir ürünü ya da teklifi satın alma olasılığını tahmin eder. Churn skorlarıyla birlikte kullanıldığında, bir aramanın müşteriyi tutmaya mı yoksa satışa mı odaklanması gerektiğine karar vermeyi kolaylaştırır.
Bu proje hangi sonucu sağladı?
Churn tahmini ve önceliklendirme optimizasyonu birlikte, sigorta işletmesine yaklaşık %6 gelir artışı sağladı. Bu proje için paylaştığımız tek rakam budur.