Comment le ML peut améliorer la prédiction du taux de désabonnement pour conserver plus de revenus aux assureurs

La compagnie d'assurance a constaté que les clients se détournaient activement ou passivement pour diverses raisons. À noter, le désabonnement actif se produit lorsque quelqu'un annule sa police avant sa date d'expiration, tandis que le désabonnement passif existe lorsque quelqu'un décide simplement de ne pas renouveler sa police. Il y avait également un manque évident de données démographiques sur les clients pour développer un modèle de désabonnement.

Tesseract Academy a développé une technique d'attrition utilisant le modèle de survie - un modèle ML qui est plus efficace pour résoudre et prédire l'attrition. Un modèle de survie comme celui-ci peut modéliser directement le risque relatif - c'est-à-dire le risque d'un client par rapport à un autre client. Il modélise également ce risque dans le temps. Le modèle comprenait des données alternatives telles que le type d'appareil, les spécifications techniques, la date d'inscription du client et son pays de résidence. Résultat Grâce à cette solution, la compagnie d'assurance a pu développer une bonne compréhension des facteurs qui contribuent au désabonnement. Ils disposent désormais d'un modèle prédictif qui prédit quels clients sont les plus à risque d'attrition et quand ils sont sur le point d'attrition. En plus de cela, ils sont capables de prédire environ 89 % des clients qui se désabonneront avec une précision allant jusqu'à 90 %, ce qui signifie qu'ils peuvent cibler environ 4 clients sur 5 qui se désabonneront.