Lagere combined ratio? Voorspel individuele risico’s en loyaliteit
(door Bas van Wely, Insurance Expert & Data Translator bij Building Blocks)
Een consument die op zoek is naar een inboedel- of autoverzekering heeft binnen een paar stappen de aanbiedingen vanuit de gehele markt op zijn scherm. Vergelijkingssites ranken verzekeringsproducten met de laagste premies het hoogst en dat is precies waar het de consument in deze veelal prijs gedreven markt om gaat. In de ogen van de gemiddelde consument zijn verzekeringsproducten immers homogeen, detailverschillen zijn voor een leek lastig te beoordelen. De uitdaging voor veel verzekeraars is dan ook zich te onderscheiden met de juiste prijs en de juiste aanvullende voordelen voor de juiste persoon. Dit leidt namelijk niet alleen tot een blije nieuwe klant, maar ook tot een lagere combined ratio voor de volmacht. Voorspellende modellen bieden hierbij de helpende hand.
Digitalisering heeft een grote impact op de verzekeringssector. Bijna alle informatie is tegenwoordig online te vinden. Dit heeft onder andere geleid tot transparantere markten, waardoor de consument het aanbod van verschillende verzekeraars gemakkelijk met elkaar kan vergelijken. De consument is als gevolg hiervan veeleisender geworden als het gaat om premie, kwaliteit en snelheid van service. De klant wil alles on demand en geheel afgestemd op zijn individuele behoeften. Daarnaast is de concurrentie enorm. Verzekeraars zullen op dit alles moeten inspelen. Veel van hen doen dat ook en benutten bestaande klantendata om het aanbod nog beter af te stemmen op de wensen van de klant. Maar hoe doe je dat met bezoekers van vergelijkingssites, van wie je op het moment dat zij op die site komen maar bitter weinig afweet?
Pas wanneer zij een offerte aanvragen, laten zij een summiere hoeveelheid gegevens achter. Van de claimhistorie van deze potentiële klant, toch fijn om te hebben als je een aanvraag moet beoordelen, weet je bijvoorbeeld niets. Je moet het doen met de data die je in handen krijgt wanneer de consument op ‘send’ drukt. Denk daarbij aan klikgedrag op de bewuste site en gegevens over het te verzekeren object. Gaat het om een Audi of een Citroën? En hebben we te maken met een etagewoning van 25 m2 of een vrijstaande woning van 250 m2? En waar staan deze objecten, of waar rijden deze auto’s?
Voorspellend model
Deze data kun je gebruiken als input voor een voorspellend model. Op basis van dit model kan je al een zeer accurate voorspelling maken van de customer lifetime value en het risico van een bepaalde consument. Want juist door een grote hoeveelheid klanten en klanten met een laag risico aan te trekken verlagen verzekeraars hun combined ratio. Door het profiel van de potentiele klant af te zetten tegen vergelijkbare profielen die je wel in de database beschikbaar hebt, kunnen loyaliteit en risico voorspeld worden. Op basis hiervan kun je het aanbod in dit prille stadium van de customer journey personaliseren en de juiste consument het beste aanbod doen, ook wat betreft voorwaarden en dekking. Zo kunnen verzekeraars zich enerzijds onderscheiden van die partijen die slechts door een lage premie de aandacht weten te trekken, want het is uiteindelijk het meest klantgerichte aanbod dat de klant zal aantrekken. Klantgerichtheid zit bijvoorbeeld ook in een snelle claimafhandeling, een goede service en bereikbaarheid en duidelijke communicatie via elk kanaal. Anderzijds verlaagt deze benadering de combined ratio en worden verzekeraars winstgevender. Verzekeruzelf.nl bijvoorbeeld paste voorspelmodellen toe en verlaagde hiermee de combined ratio met 14,6%. Ook zorgden de voorspelmodellen voor 217% meer klantengroei en 50% minder klanten in niet gewenste groepen.
Risico en loyaliteit voorspellen
Met data science en machine learning kun je nog een stap verder zetten. Deze innovatieve technologieën stellen je in staat door een accurate inschatting van de premies van de concurrent, je marktpositie te voorspellen. Hiermee bepaal je bijvoorbeeld de prijselasticiteit van de vraag waarmee de conversiekans op verschillende prijspunten kan worden bepaald. Met deze inzichten kun je een in hoge mate gepersonaliseerd aanbod doen dat past bij het risico en de loyaliteit van een specifieke consument, een competitief aanbod doen aan interessante profielen én de premie afstemmen op de markt. Data science oplossingen bieden dus een nieuwe kans om het klantbelang voorop te zetten en tegelijkertijd de winstgevendheid te waarborgen.
Reactie toevoegen
Meer over
En dit zijn de provinciewinnaars van de Advies Award 2020....
De jury heeft de twaalf provinciewinnaars bekend gemaakt van de Advies Award 2020. Volgens de jury stuk voor stuk excellente advieskantoren die het adviesvak een...
Met Building Blocks kunnen verzekeraars wensen klant voorspellen
Intrasurance en Building Blocks hebben voor verzekeraars oplossingen op het gebied van aanbevelingen (dekkingadvies en cross-sell mailings), targetting en claimafhandeling...
Nauwkeuiger individuele risico’s en loyaliteit voorspellen
"In de ogen van de gemiddelde consument zijn verzekeringsproducten homogeen, detailverschillen zijn voor een leek lastig te beoordelen. De uitdaging voor veel verzekeraars...