DC FieldValueLanguage
dc.contributor.advisorGerhold, Stefan-
dc.contributor.authorZach, Victoria-
dc.date.accessioned2021-01-25T11:02:07Z-
dc.date.issued2020-
dc.date.submitted2021-01-
dc.identifier.citation<div class="csl-bib-body"> <div class="csl-entry">Zach, V. (2020). <i>Neural networks in insurance : comparing neural networks with generalized linear models in solving the retention problem</i> [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2021.85027</div> </div>-
dc.identifier.urihttps://doi.org/10.34726/hss.2021.85027-
dc.identifier.urihttp://hdl.handle.net/20.500.12708/16732-
dc.descriptionAbweichender Titel nach Übersetzung der Verfasserin/des Verfassers-
dc.description.abstractDie immer stärker werdende Konkurrenz in der Versicherungsbranche macht viele Unternehmen auf die Wichtigkeit und Notwendigkeit eines Customer Relationship Management aufmerksam. CRM Systeme werden sowohl dazu verwendet, Neugeschäft zu generieren als auch die Beziehung zu Bestandskunden zu festigen und dadurch die Stornorate zu senken. In der Umsetzung werden vor allem Machine Learning Techniken verwendet, um das Verhalten der Kunden zu analysieren und vorherzusagen. In der vorliegenden Arbeit wird mittels statistischer Methoden und künstlicher Intelligenz versucht, die Stornoerwartung bei Hauhaltsversicherungen vorherzusagen. Vor allem bei langjährigen Verträgen ist es ein Wettbewerbsvorteil einschätzen zu können, wie viele und welche Versicherungsnehmer kündigen werden.Dadurch kann die Prämie dementsprechend angepasst bzw. die Kundenabwanderung aktiv durchgezieltes Marketing gestoppt werden. Für diese Prognose wird einerseits ein verallgemeinertes lineares Modell verwendet, andererseits werden - zu Vergleichszwecken -zwei verschiedene neuronale Netzwerke gebaut. Vergleicht man die Modellgüte, stellt sich heraus, dass in diesem Fall der komplexe Ansatz mit neuronalen Netzwerken nur geringe Verbesserungen in den Ergebnissen liefert.de
dc.description.abstractWith increasing competition, insurance companies are nowadays especially interested in customer relationship management. These systems are used to attract new customers as well as establish a continous relationship with the existing customers to increase the retention rate. The implementation process often uses machine learning techniques to analyze and predict customer behaviour and therefore the churn rate probability.[27] In this thesis, the goal is to predict customer churn in household insurance policies using statistical models and artificial intelligence. Especially with longterm contracts, it is an competitive advantage to know who and how many customers will cancel their policy. With that knowlegde it is possible to adjust the premium and to develop specific marketing strategies to prevent customer retention. In the prediction process, we will on the one hand use a generalized linear model (GLM) and on the other hand we construct two different neural networks. Comparing the results e.g. the performance of the models, there is a slight improventment in using more complex models like neural networks.en
dc.formatii, 58 Blätter-
dc.languageEnglish-
dc.language.isoen-
dc.subjectVersicherungde
dc.subjectNeuronales Netzde
dc.subjectKundenabwanderungde
dc.subjectkünstliche Intelligenzde
dc.subjectInsuranceen
dc.subjectneural networken
dc.subjectretention problemen
dc.subjectartificial intelligenceen
dc.titleNeural networks in insurance : comparing neural networks with generalized linear models in solving the retention problemen
dc.title.alternativeNeuronale Netze in der Versicherungde
dc.typeThesisen
dc.typeHochschulschriftde
dc.identifier.doi10.34726/hss.2021.85027-
dc.publisher.placeWien-
tuw.thesisinformationTechnische Universität Wien-
tuw.publication.orgunitE105 - Institut für Stochastik und Wirtschaftsmathematik-
dc.type.qualificationlevelDiploma-
dc.identifier.libraryidAC16128105-
dc.description.numberOfPages58-
dc.thesistypeDiplomarbeitde
dc.thesistypeDiploma Thesisen
item.languageiso639-1en-
item.fulltextwith Fulltext-
item.openaccessfulltextOpen Access-
item.openairetypeThesis-
item.openairetypeHochschulschrift-
item.grantfulltextopen-
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.cerifentitytypePublications-
item.cerifentitytypePublications-
Appears in Collections:Thesis

Files in this item:


Page view(s)

88
checked on Sep 20, 2021

Download(s)

136
checked on Sep 20, 2021

Google ScholarTM

Check


Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.