Machine Learning Methoden als Recommender Systems zur Prognose von Cross-Selling Potentialen: Eine Fallstudie in der Versicherungsbranche

Abstract

Eine Verkaufsstrategie, die darauf abzielt, Kunden zum Kauf weiterer, passender Produkte oder Dienstleistungen zu bewegen, wird als Cross-Selling bezeichnet. Sie trägt entscheidend dazu bei, den Wert eines Kunden zu steigern und seine Zufriedenheit durch maßgeschneiderte Produktvorschläge zu erhöhen. Empfehlungssysteme sind hierbei wichtige Werkzeuge, da sie das Verhalten der Nutzer analysieren und gezielte Produktempfehlungen geben. Herkömmliche Methoden stoßen oft auf Herausforderungen wie unzureichende Daten und Probleme eine Empfehlung bei neuen Kunden abzugeben. Um diese Schwierigkeiten zu überwinden, kommen fortschrittliche Data-Mining und Machine Learning Methoden zum Einsatz. Maschinelles Lernen bringt in der Anwendung einige Vorteile: Es erfasst komplexe, nicht-lineare Zusammenhänge in den Daten und verbessert die Genauigkeit und Anpassungsfähigkeit der Vorhersagen.Durch den Einsatz maschinellen Lernens in Empfehlungssystemen für die Cross-Selling-Erkennung können Unternehmen Kundendaten und Transaktionshistorien nutzen, um relevante Produktbeziehungen zu identifizieren. Algorithmen wie Gradient Boosting und Deep Learning erlauben es, Empfehlungen laufend anzupassen und zu verbessern, sobald neue Daten verfügbar sind. Diese Arbeit untersucht, wie maschinelles Lernen dazu beiträgt, Cross-Selling-Strategien zu optimieren, um die Kundenbindung zu erhöhen und den Umsatz durch präzise Vorhersagemodelle zu steigern.Dazu wurden die Modelle mit den Daten des Versicherungsunternehmens Allianz Österreich trainiert. Dabei erzielten Random Forests und Catboost die höchsten F1-Scores und wurden als bestes Modell gekürt. Der Ansatz Risikoprofile zu erstellen, anstatt die Versicherungsprodukte als Zielklasse auszuwählen, war mitunter einer der entscheidenden Schritte dieser Arbeit. Zudem machte sich die unterschiedliche Verwendung verschiedener Merkmale als Trainingsdatensatz signifikant bemerkbar.

Cross-selling is a sales approach aimed at encouraging customers to buy additional, related products or services. This strategy helps increase the overall value of a customer and boosts their satisfaction through personalized product recommendations. Recommendation systems play an essential role in this process by analyzing user behavior to deliver targeted product suggestions.Traditional methods can face obstacles, such as having limited data or difficulties in making recommendations for new customers. To overcome these issues, advanced data mining and machine learning methods are applied. Machine learning stands out for its ability to understand complex, non-linear patterns in data and make predictions that are more accurate and adaptable.When machine learning is used in recommendation systems to identify cross-selling opportunities, companies can leverage customer data and transaction histories to spot relevant product connections. Algorithms like gradient boosting and deep learning enable continuous updates and enhancements to recommendations as new data is collected. This thesis explores how machine learning improves cross-selling strategies, enhancing customer loyalty and increasing sales with precise predictive models.In this study, data from the insurance company Allianz Austria was used to train various models. In the process the Random Forests and Catboost achieved the highest F1 score and were determined as the best. An important part of this work was creating risk profiles instead of directly targeting specific insurance products. Additionally, the choice and use of different features for the training dataset played a major role in the outcomes.