Cliente: Aseguradora Solidaria Metodología: Churn Management Puntos de dolor / necesidad / objetivo general del cliente (Situation) Antecedente: Aseguradora Solidaria, viene adelantando un proceso de transformación digital desde 2016 que involucra diferentes áreas, procesos, tecnologías y por supuesto personas. En este proceso, se ha priorizado el uso de los datos para poder agregar valor al negocio, desarrollar la relación con el intermediario y generar mayor asertividad en las decisiones de captación y retención de clientes. Necesidad: La Aseguradora necesita saber cuál es el nivel de asertividad de las iniciativas con la estrategia y que tan accionable puede ser el resultado de un proceso específico generando victorias tempranas para la organización. Para mejorar la asertividad de portafolio y estar alineados a las necesidades del mercado, la compañía ha considerado estratégico segmentar intermediarios, tomadores, PYMES, Sector Solidario, y Gobierno. Gran resultado general (Work underway) Desarrollo de modelos predictivos de fuga, valor vitalicio de cliente, venta cruzada y venta escalonada para tomadores personas naturales y jurídicas de los diferentes ramos de seguros. Habilitación, implementación y entrenamiento al personal de la plataforma SAS Visual Data Minning and Machine learning y SAS Enterprise Miner. Generación de modelos de aprendizaje no supervisado y segmentación para PYMES, Sector solidario, Persona natural y persona jurídica Algunos casos de uso derivados de la integración de esta información fueron: Clasificación RFP Recencia – Frecuencia – Prima Describe el perfil transaccional del tomador en función de la prima y sus componentes. rescatando la interacción entre fechas y cantidad de transacciones. Deja ver el grado de OPORTUNIDAD del tomador. Clasificación RFG Recencia – Frecuencia – Gasto Prioriza el egreso entendido como comisión, siniestro, reaseguro etc. Deja ver el nivel de RIESGO del tomador. Detección de segmentos Se cruzan las clasificaciones de oportunidad y riesgo generando segmentos. Motores de decisión para “Next Best Offer” Se generan motores de decisión desde modelos de Fuga, CLV, venta cruzada y escalonada. Entregables y aprendizajes: Se desarolla un framework de trabajo que, basado en acelerar el valor del intermediario y el cliente, logro implementar una ruta de modelos predictivos de alta eficiencia que responde a victorias tempranas requeridas por la organización. Usando una metodología ÁGIL se mapean los requerimientos de tres flujos de proceso (Fuga, Valor de cliente, venta cruzada,venta escalonada), se automatiza con analítica y se generan reportes estáticos de rendimiento y mejora continua. Mediante técnicas de análisis supervisado y no supervisado en contexto de minería de datos y machine learning, se llega a la generación de un reporte de rendimiento del proceso, un FUNNEL de funcionalidad del proceso y se exponen de manera estática los indicadores de mejora continua. Queremos acompañar tus procesos de migración a la nube con nuestros expertos en MlOps y DataOps. ¿Entramos en contacto? América del Sur México y Centroamérica
Cliente: Liberty Seguros Metodología: Churn Management Puntos de dolor / necesidad / objetivo general del cliente (Situation) Antecedentes: Generalmente en el sector asegurador, la fuga del cliente era dificil de ver porque las aseguradoras guardan la información a nivel póliza. Crear una vista de cliente único y administrar la fuga de clientes valiosos basando las decisiones no solo en el churn sino tambien en el CLV. Necesidad: Medir la probabilidad de perder clientes persona natural y persona jurídica por ramo comercial y teniendo en cuenta el rol del intermediario. Gran resultado general (Work underway) Un modelo de fuga voluntaria e involuntaria para clientes persona natural y jurídica. Modelo de valor vitalicio de cliente para priorizar las acciones de retención y rentabilización en función del potencial financiero que cada cliente representa para la organización. Entregables y aprendizajes: La creación de un repositorio único de información que integre la data de experiencia del usuario con todas las áreas: Facturación, siniestros, comercialización. No es posible ejercer trabajo en retener clientes no rentables. El modelo de CLV es un excelente complemento a la gestión del cliente. Las campañas de retención se ejecutan en unión al intermediario como líder de la relación con el cliente. Queremos acompañar tus procesos de migración a la nube con nuestros expertos en MlOps y DataOps. ¿Entramos en contacto? América del Sur México y Centroamérica
