Recommendation Engines bieden een uitkomst voor verzekeraars om klantbehoeftes beter te kunnen voorspellen. Wil je meer weten over hoe ze werken en hoe je ze implementeert? Business Consultant Lorenz Kort vertelt er in deze blog meer over.

Netflix weet dat je House of Cards wilt kijken, Youtube weet welke video je als volgende wilt zien, en Spotify weet welke liedjes in jouw straatje passen. Sterker nog, door de data-gedrevenheid van deze bedrijven weten zij inmiddels beter wat je wilt dan jijzelf. Het voorspellen van gebruikersbehoeftes is nog nooit zo belangrijk geweest voor het verbeteren van de klantervaring, en worden door meer data alleen maar nauwkeuriger. Verzekeraars zijn met hun Data-science afdelingen begonnen met het voorspellen van gebruikersbehoeften, maar we zijn er nog lang niet. Hoe komen verzekeraars ook op het niveau van de tech-giganten?

 

Recommendation engines

Een van de meest gebruikte manieren om klantbehoeftes te voorspellen is een Recommendation Engine; software die per gebruiker de beste item-suggesties bepaald. Deze suggesties zijn enorm waardevol. Zo schat Netflix de waarde van hun Recommendation Engine op 1 miljard dollar per jaar. Maar hoe werken recommendation engines? En hoe implementeer je ze?

 

Content-based filtering

Als je nog weinig historische gebruikersdata hebt, is content-based filtering een methode om mee te beginnen. Deze methode gaat ervan uit dat gebruikers producten leuk vinden die soortgelijk zijn met producten waar al interesse in getoond is. De mate van overeenkomst met andere producten wordt bepaald door het vergelijken van relevante attributen van een product. De Recommendation Engine van Netflix checkt bijvoorbeeld de producers van een film die jij gekeken hebt, en zal dan bij het bepalen van suggesties voor jou de kans vergroten om een film aan te bevelen met dezelfde producers. Als je als organisatie meer data hebt van goede kwaliteit, je meer wilt doen met inconsistenties tussen gebruikers, en een aantal andere variabelen mee wilt nemen in je aanbeveling zou je collaborative filtering toe kunnen passen.

 

Collaborative filtering

Deze aanpak baseert op de assumptie dat gebruikers die het in het verleden met elkaar eens zijn geweest, het ook eens zullen zijn in de toekomst. Door attributen van gebruikers met elkaar te vergelijken kan gemeten worden in hoeverre hun gedrag overeenkomt. Als gebruikers veel overeenkomende attributen hebben worden dan ook vergelijkbare items aangeboden. Hierdoor kun je grotere spreiding tussen gebruikersbehoeftes meenemen in je suggesties, en vergroot je ook de variatie van items in je aanbevelingen. De mate van variatie heeft een groot effect op de relevantie van de recommendation engine, en is niet makkelijk te bepalen. Naast de variatie zijn er nog vaak veel meer variabelen die niet meegenomen worden bij een recommendation engine. Om deze wel mee te nemen kun je naar een van de meest geavanceerde algoritmes gaan: Machine-learning-based.

 

Machine-learning based

Wat is machine-learning eigenlijk? Machine-learning is het laten maken van beslissingen door computer systemen zonder specifieke instructies. Een machine-learning algoritme genereert eerst een wiskundig model op basis van een data-subset. Deze data wordt ook wel trainingsdata genoemd. Door het wiskundig model inputdata te voeren, worden beslissingen berekent. Een leuk voorbeeld is het onderzoek door Cambridge in 2013 dat concludeerde dat de Facebook gebruikers die de pagina “Curly fries” leuk vonden vaak een hoog IQ hadden. Het machine-learning algoritme van Facebook had een belangrijke voorspeller voor IQ gevonden die op het eerste gezicht geen logisch verband leek te hebben

 

De impact van recommendation engines

Welk type Recommendation Engine je ook gebruikt, je einddoel is altijd het verbeteren van de gebruikerservaring, het reduceren van negatieve ervaringen om uiteindelijk de winst te verhogen.
Om dit doel te bereiken kun je je het beste de volgende vragen stellen:

1. Wat is de beste variatie van aanbevelingen voor mijn gebruikers?
2. Veranderen gebruikers hun gedrag gebaseerd op de suggesties?
3. Hoe waardevol vinden gebruikers de suggesties die de recommendation engine produceert?

 

Toepassingen financiële dienstverlening

In welke situaties kun je een Recommendation Engine toepassen als verzekeraar? Er zijn hier enorm veel mogelijkheden. Belangrijke voorbeelden zijn:

• Het voorspellen van producten waarnaar een klant zoekt op de website of app van een verzekeraar
• Het voorspellen van klantenservice interactie voor bestaande klanten en het voorspellen van het moment waarop bestaande klanten op zoek zijn naar een product (nog voordat de klant deze gegoogeld heeft), zodat de conversie op Email-contact verhoogd wordt.

 

Concurrentievoordeel

Daarnaast kun je met gebruikers-gerelateerde data zoals Google Analytics-data, contract gerelateerde data, en gesynthetiseerde relatie-data (AVG-proof), een enorme hoeveelheid input gebruiken om je recommendation engine te trainen. Het bouwen van recommendation engines kan een grote financiële en technische investering zijn. Maar als je de recommendation in de juiste context en op de juiste manier in elkaar zet, kan het net dat concurrentievoordeel geven wat je nodig hebt als verzekeraar.