Het opzetten van een acceptatiebeleid met gebruik van data science

Een samenwerking met data science bureau Pipple

Pipple ondersteunde een Europese verzekeraar bij het opstellen van een duidelijk en transparant acceptatiebeleid voor klanten met een hoog risicoprofiel gebaseerd op klantdata. De data scientists van Pipple werkten samen met het analyseteam van de verzekeraar en met relevante interne stakeholders om deze uitdaging aan te gaan. Nadat het nieuwe acceptatiebeleid was getest op historische data, werd de business case goed genoeg geacht om het te implementeren in de bestaande IT-systemen van de opdrachtgever. Op die manier wordt er direct gevolg gegeven aan de optimalisatie van het klantenportefeuille.

De opdrachtgever

De opdrachtgever is een Europese verzekeraar die grote aantallen nieuwe auto- en woonhuisverzekeringen per jaar afsluit. Met een groeiend aantal klanten is er ook een stijging van klanten met een hoog risicoprofiel waarneembaar, die uiteindelijk meer kosten dan dat ze opleveren. Het gaat hierbij niet alleen om klanten met een verhoogd risico op fraude en wanbetaling, maar ook klanten die vaak claimen of snel overstappen naar een andere verzekeraar (i.e. vroeg opzeggen).

De uitdaging
De uitdaging was om een data gedreven methode te creëren die klanten met een hoog risicoprofiel automatisch afwijst in het aanvraagproces.

Hierbij zijn de volgende zaken van belang:
- De reden van afwijzing moet uitlegbaar zijn
- De methode moet transparant zijn, binnen en buiten de organisatie
- Er wordt minimaal gebruik gemaakt van externe databronnen om kosten te besparen
- Het beleid is in lijn met de AVG

De oplossing van Pipple
Een hoog risicoprofiel werd gedefinieerd middels een lineaire combinatie van onder andere de volgende componenten:
- Fraude
- Wanbetaling
- Vroeg opzeggen
- Claimfrequentie (i.e. veelclaimers)
- Claim periode (i.e. snelclaimers)

Een hoog claimbedrag werd niet meegenomen als component vanwege de sterk wisselende bedragen van claims. In plaats hiervan is gekozen voor de meer geschikte claim frequentie.

 

Deze samengestelde metriek werd vervolgens gebruikt als responsvariabele voor het testen van 500 tot 700 klant-kenmerken. Deze kenmerken verzamelde de verzekeraar via interne en externe bronnen, waarvan het aantal externe bronnen geminimaliseerd diende te worden in verband met kostenbesparing. Klantkenmerken bevatten onder andere:
- Claimgeschiedenis
- Betalingsgeschiedenis
- Kenmerken van het verzekerde object
- Persoonlijke kenmerken
- Kenmerken van de verzekeringspolis
- Klantgeschiedenis


Om duidelijk en transparant te kunnen zijn, kozen we ervoor om een regressie analyse uit te voeren op de historische data. Daarnaast gebruikten we alleen kenmerken die een significant verband hadden met onze “hoog risico” metriek. Dit deden we door stap voor stap regressie variabelen uit te sluiten totdat het
model compleet significant was. Het combineren van verschillende type regressies (i.e. lineair,exponentieel, logistisch) in het model leverde uiteindelijke de gewenste
prestatie. 

 

Het resultaat is een lijst met beslissingsregels die elk een aantal punten reflecteren. Zodra de combinatie van die punten een bepaalde waarde overschrijdt, wordt een klant afgewezen. Verder wordt er ook gedifferentieerd tussen uitlegbare en nietuitlegbare regels. Elke afwijzing moet minstens één uitlegbare regel bevatten die significant bijdraagt aan de totale score.

De impact van Pipple

De analyse leidde tot een model dat goed werkt tegen fraudeurs en wanbetalers. Ook bleek in de groep die door het model afgewezen werd een hoger dan gemiddelde aantal veelclaimers, snelclaimers en klanten die vroeg opzeggen te zitten. Tegelijkertijd is het aantal “goede klanten” in de afgewezen groep laag, wat duidt op een hoge precisie van het model.

Het optimale afwijspercentage onder nieuwe klanten hangt af van aannames rondom de klantwaarde (vertrouwelijke informatie), maar samen met de directie is besloten om met een laag percentage te beginnen en deze te verhogen als het model succesvol blijkt te zijn.

Pipple is een toonaangevend, gespecialiseerd, data science bureau. Ze realiseert kostenbesparingen, creëert nieuwe producten en diensten en verbetert besluitvorming door gebruik te maken van de meest geavanceerde data science technieken.

Wat Pipple onderscheidt is het achterliggende doel dat ze wil bereiken. Naast het feit dat ze klanten helpt waarde te genereren, waar ook zij haar boterham aan verdient, zetten we ons namelijk in voor het goede doel.

Met haar competenties helpt ze NGO’s om zo een betere wereld te creëren. “AI + creatitiveit = waarde generatie”.

De collega’s zijn gepassioneerd over data science en hebben een achtergrond in econometrie, wiskunde, operationele research en statistiek. Naast deze “hard” skills, zijn ze geliefd om hun “soft” skills (i.e. EQ en creativiteit) en geven klanten haar een NPS score van meer dan 90%!

Welten & Pipple

Per 21 juni 2019 zijn opleidings- en detacheringsbedrijf Welten en data science agency Pipple een samenwerking aangegaan. Samen bieden we totaaloplossingen op het gebied van data science, artificial intelligence en projectimplementatie in de financiële dienstverlening.

Welten heeft al meer dan 25 jaar een sterke positie in de financiële sector door het bieden van interim capaciteitsoplossingen en opleidingen. De komende jaren gaat Welten zich focussen op de domeinen die voor haar klanten steeds belangrijker worden, zoals legal & compliance en data technologie. De samenwerking met Pipple biedt voor beide bedrijven groeimogelijkheden in de toekomst.

Meer weten over de mogelijkheden van Pipple en data science in de financiële dienstverlening?

Neem dan contact op met Gerard Pruijsen.
Gerard Pruijsen
Business Manager

06 21 89 96 79
g.pruijsen@welten.eu

Onderdeel uitmaken van team Welten?

Kijk hier naar wat we voor jou kunnen betekenen!
Naar Werken bij
checkmark caret tilde slash big-slash double-slash triple-slash hamburger icon-caret-down cross icon_linkedin icon_fb icon_instagram