Bruk av maskinlæring for kundebevaring i forsikringsbransjen : en case-studie

Abstract

Denne oppgaven er en case-studie i samarbeid med Frende Forsikring, og ser på bruken av maskinlæring som virkemiddel for å forbedre tilnærmingen til kundebevaring. Forskning viser til en betydelig høyere kostnad ved anskaffelse av nye kunder kontra bevaring av gamle, og en reduksjon i avgangsprosenten er derfor ønskelig. Problemet kundeavgang er i oppgaven delt inn i flere deler. Med dette er det skapt tre målvariabler, henholdsvis avgang, årsak til avgang og om kunde kan reddes, referert til som prediksjon 1,2 og 3. Utgangspunktet for oppdelingen er at det i realiteten kun er avgangskunder som avgår til nytt selskap det vil være mulig å redde.

Totalt er syv forskjellige maskinlæringsmodeller blitt testet, hvorav de tre med best resultater ble fokus for videre arbeid. Fra de tre, alle basert på gradient boosting, er Light Gradient Boosted Machine (LightGBM) valgt som endelig modell for samtlige prediksjoner, og følgelig modellen analysen er basert på. For prediksjon 1 og 2 ble F1-score det viktigste målet å vurdere modellen etter, mens det for prediksjon 3 hovedsakelig ble vektlagt en kostnadsmatrise for valg av modell.

Tolkning av modellens beslutningsprosess ble gjort ved å benytte SHAP-verdier, et mål som forklarer variablenes bidrag på utfallet, og ga grunnlag for gruppering av utsatte kunder.

Resultatene viser at maskinlæring kan forbedre prosessen rundt kundebevaring. Potensielle avgangskunder kan bli identifisert på et tidlig stadium og arbeid med å redde kunder kan bli gjort med større presisjon. Dette resulterer i høyere verdi per redningsforsøk og dermed økt forretningsverdi.

The thesis is a case study in collaboration with the Norwegian insurance company Frende and will be exploring the use of machine learning as a tool to improve the approach regarding customer retention. Research indicates a significantly greater cost of acquiring new customers compared to retaining old ones, and a reduction of the churn rate is therefore desirable. The problem of customer churn is divided into three categories. With this, three new target variables have been created, respectively churn, reason for churning and whether the customer can be saved. For future reference these are referred to as prediction 1, 2 and 3. The reason for this division, is that only customers who are leaving for a new insurance company are the ones it will be possible to save.