|
||||||||||||||||||||||||||||||||||||
 |
||||||||||||||||||||||||||||||||||||
 |
|
|
|
 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Situación
Winterthur Insurance tiene más de un millón de clientes en España. Dado el alto costo de captar nuevos clientes en comparación de trabajar con los actuales; reducir el fenómeno del cambio es un reto el cual hay que superar.
Solución
Después de invitar a muchos vendedores de soluciones de Data Mining para hacer modelos predictivos de grandes bases de datos, Winterthur probó varios modelos y finalmente escogió Clementine que es una combinación de poderosos algoritmos y sencillos métodos para la visualización de datos; así como también herramientas de modelado.
Resultados
La base de datos de las pólizas de seguro de automóviles de Winterthur contenía 250 campos de información por caso. Al utilizar los métodos de visualización de datos de Clementine, y utilizar el conocimiento de la compañía en cada una de las situaciones, el primer paso fue reducir esta base de datos a un núcleo de campos con información relevante.
Para identificar los 30 campos más significativos Winterthur utilizo cuatro criterios: análisis sensitivo, inducción de reglas, estadísticas y sentido común. Con una combinación de redes neurales, Clementine pudo predecir qué cliente cancelaría sus pólizas entre un 60 y 70 por ciento más rápido; esto demostró cómo un análisis de predicción puede afectar las ganancias.
Como primer paso Clementine hizo una identificación para cada cliente, indicando la probabilidad de cancelación; entonces Winterthur utilizó cada una de estas identificaciones para ordenar los datos. Esta dio como resultado que el 75 por ciento de las cancelaciones se darían en el primer 15% de la lista.
Armados con el invaluable conocimiento de los clientes que era más probable que cancelaran sus pólizas, Winterthur pudo enfocar sus esfuerzos a reducir el fenómeno del cambio y a retener a sus clientes más rentables.
