Ausgangslage und Ziele
Ein internationaler Versicherer musste seine Tarifierungspraxis stärker auf Daten ausrichten.
Ziel war die Einführung algorithmischer Tarifierung, die Produktangebote, Preise und Aktionen dynamisch festlegt.
Ergebnisse
Im Konzerndurchschnitt +10 % Umsatz und +2 Prozentpunkte Ergebnis.
Unser Ansatz
Schritt 1: Identifikation und Erhebung
- Identifikation und Erhebung aller relevanten Daten: interne Daten, Kundendaten, Fahrzeugdaten, geokodierte Daten, weitere externe Daten usw.
- Getrennte Projekte für Vertragsverlängerungen und für Neugeschäft
Schritt 2: Aufbau
- Scores des maschinellen Lernens zur Vorhersage von Kundenrisiko, Preiselastizität, Kundenverhalten, Wettbewerbsfähigkeit am Markt und Customer Lifetime Value
- Festlegung der Geschäftsziele, des Rahmens für die Preisoptimierung und des Solvers
- Parallel dazu Konzeption der IT-Architektur, in der die Lösung läuft (dynamische Preisoptimierung im Betrieb), mit einer Make-or-Buy-Entscheidung in jedem Schritt des Tarifierungsprozesses
Schritt 3: Pilot
- Pilot der ersten Verlängerungs- und Neugeschäftsfälle in einer Einheit, dann Rollout auf vier Einheiten in vier Regionen
Unsere Experten
Weitere Fallstudien
Alle Fallstudien- Den Wert alternativer Daten erschließen Nicht traditionelle Datenquellen für die Tarifierung in der Versicherung nutzen Fallstudie lesen →
- Preisstrategie mit offenen Wettbewerbsdaten Wettbewerbsanalyse mit offenen Daten und Modellen des maschinellen Lernens für einen nationalen Versicherer Fallstudie lesen →
- Open-Data-Strategie Eine maßgeschneiderte Open-Data-Strategie in Versicherung und Bankwesen entwickeln Fallstudie lesen →