Таргетирование предложений по КАСКО в агентском и офисном каналах продаж на базе технологий машинного обучения

В 2021 году SAS и Росгосстрах успешно завершили масштабный эксперимент по запуску процесса кросс-продаж КАСКО в агентской и офисной сети с помощью технологий машинного обучения. Как показали результаты проекта, таргетирование предложений с помощью предсказательных моделей позволяет увеличить кросс-продажи КАСКО на десятки процентов, что ведет к росту финансового результата компании в целом, а также лояльности клиентов и уровня пролонгации в долгосрочной перспективе.

КАСКО – относительно сложный продукт, польза от которого не всегда очевидна для клиентов. И как правило, клиенты начинают приобретать полисы КАСКО не самостоятельно, а благодаря усилиям агентов и сотрудников офисов. Обычно агенты и сотрудники офисов интуитивно отбирают клиентов, чтобы порекомендовать им покупку КАСКО, опираясь на данные о доходах и страховую историю. Более прогрессивный подход – это выявление потребностей клиентов, персонализация предложений и определение оптимального момента для коммуникации на основе технологий машинного обучения. Однако работает ли этот рецепт в случае со сложными для понимания страховыми продуктами? 

Компания Росгосстрах задалась целью протестировать, каким будет эффект от предложений, сформированных с помощью средств математического моделирования.

• SAS Visual Data Mining and Machine Learning
• SAS Enterprise Guide

На втором этапе проекта важной задачей было преодолеть скепсис со стороны сотрудников офисов и агентов и создать у них доверие к математической модели. Ведь, с точки зрения продающих подразделений, всегда есть риск, что модель не принесет значимого прироста в продажах. Эти опасения были успешно нивелированы за счет информационной работы: были подготовлены обучающие материалы, проведены семинары, где сотрудникам объясняли, по какой логике модель принимает решения и за счет чего возникают дополнительные продажи.

Кроме того, изначально предполагалось, что кампании кросс-продаж будут проводиться в течение 2 месяцев. Но для увеличения статистической значимости результатов и проведения дополнительных экспериментов было решено их продлить. При этом запуск этой стадии наложился по времени на проекты параллельных подразделений и на сезон отпусков. Тем не менее, грамотное управление проектом, детальное планирование и максимально четкое следование плану позволило подвести результаты в срок.

Проект был разделен на три стадии: построение модели, ее интеграция в бизнес-процессы и боевое тестирование – запуск и оценка эффекта от кампаний кросс-продаж КАСКО с учетом рекомендаций модели.

В ходе первого этапа на выборке клиентов ОСАГО была построена модель, которая с высокой точностью определяла сегмент клиентской базы с интересом к покупке КАСКО. Для этого было проведено масштабное исследование данных Росгосстрах и построена витрина данных на основании 500 факторов. Витрина всесторонне описывала контекст заключения договора ОСАГО. Для повышения информативности содержащихся в ней данных команда провела фильтрацию выбросов, интеллектуальный биннинг, устранение скоррелированных факторов и другие операции. Затем витрина была использована для тренировки более чем 10 различных алгоритмов машинного обучения, из которых был выбран наилучший – дающий на тестовой выборке клиентов наиболее точные и стабильные прогнозы.

На второй стадии проекта нужно было встроить модель машинного обучения в текущие процессы продаж в офисах и агентской сети Росгосстрах в тех регионах, которые были отобраны для участия в кампаниях кросс-продаж. Чтобы обеспечить переход сотрудников каналов продаж к новой модели взаимодействия, проектная команда исследовала специфику их работы и провела необходимое обучение.

Далее, для выбранных регионов в агентской и офисной сети, команда запустила кампании кросс-продаж КАСКО с таргетированием на основе технологий машинного обучения. Кампании были запущены в две волны общим сроком 3 месяца. На протяжении всего этого времени команда непрерывно контролировала полноту отработки рекомендаций математической модели подразделениями продаж и постепенно собирала статистику для подсчета финансового эффекта. Проводились также сравнительные тесты. Например, одним клиентам делались предложения КАСКО на основе рекомендаций модели, а другим – на основе ранее существовавших экспертных правил.

По итогам пилота продажи КАСКО в целевой группе в отдельных регионах увеличились более чем вдвое. Свою роль в этом сыграли два важных фактора. Во-первых, кросс-предложения стали делать большему числу клиентов из традиционных сегментов со сформированной потребностью в КАСКО. А во-вторых, с помощью математической модели выявили новые перспективные сегменты клиентов. Результаты проекта позволяют руководству Росгосстрах сделать вывод, что методы машинного обучения должны и дальше применяться в компании в качестве эффективного инструмента, позволяющего влиять на продажи и отношения с клиентами. Причем, математические модели можно применять не только в рамках продвижения моторных видов страхования, но и в целях увеличения продаж прочих страховых продуктов.