To prevent customer churn in a highly competitive sector, insurance companies can leverage the potential of machine learning automation and the availability of various data sources, to enhance customer understanding. Due to the advances in standard data-mining techniques, recent studies in search of the best churn prediction models have been increasingly applying more sophisticated methods that deliver higher prediction accuracy but often lack interpretability. The aim of this thesis is to take traditional churn prediction models one step further by combining class imbalance reduction and predictive power maximisation with a perspective on interpretability. The study is conducted in collaboration with the German insurance group ERGO, with the final objective of validating and improving an existing churn prediction model and identifying churn drivers for clients with a likelihood of cancelling their active contract in the upcoming quarters. An extensive feature set characterizing clients’ data is systematically investigated using data-mining techniques to identify relevant churn drivers. In the advanced analytics software SAS Enterprise Guide and SAS Enterprise Miner, five prediction models are implemented, namely logistic regression, decision trees, random forests, gradient boosting, and neural networks. Through data pre-processing, class imbalance and dimensionality reduction, models with higher Precision are achieved. Supported by the results of unbiased evaluation metrics, a fine-tuned random forest model delivers the most promising results for churn identification. On the provided dataset, machine learning models outperform classic regression by delivering higher Sensitivity, Precision, and Cumulative Lift values. Beyond building prediction models, an insight into extractable actions and interpretability methods is provided to allow marketers to take post-modelling effective action. The final determined models could help boost customer retention by applying the suggested actions and providing the desired customer understanding.     «

To prevent customer churn in a highly competitive sector, insurance companies can leverage the potential of machine learning automation and the availability of various data sources, to enhance customer understanding. Due to the advances in standard data-mining techniques, recent studies in search of the best churn prediction models have been increasingly applying more sophisticated methods that deliver higher prediction accuracy but often lack interpretability. The aim of this thesis is to take...     »

Um den Verlust von Kunden in einem hoch kompetitiven Sektor zu verhindern, können Versicherungsunternehmen das Potenzial der Automatisierung durch modernes maschinelles Lernen und diverse Datenquellen nutzen, um ihr Kundenverständnis zu verbessern. Aufgrund der Fortschritte bei den gängigen Data-Mining Techniken wenden neuere Studien auf der Suche nach den besten Storno-Vorhersagemodellen zunehmend komplexere Methoden an, die zwar eine höhere Vorhersagegenauigkeit liefern, deren Interpretation jedoch häufig schwierig ist. Das Ziel dieser Arbeit ist es, traditionelle Storno-Vorhersagemodelle weiterzuentwickeln, um unter Berücksichtigung des Klassenungleichgewichts hohe Vorhersagekraft und potenziell verbesserte Interpretierbarkeit zu kombinieren. Die Studie wird in Zusammenarbeit mit der deutschen Versicherungsgruppe ERGO durchgeführt, um einerseits ein bestehendes Storno-Vorhersagemodell zu validieren und zu erweitern und andererseits Stornotreiber für Kunden, die in den kommenden Quartalen eine hohe Kündigungswahrscheinlichkeit für ihren aktiven Vertrag aufweisen, zu identifizieren. Der in dieser Arbeit bereitgestellte Datensatz umfasst zahlreiche Eingangsvariablen zur Charakterisierung jedes Kunden, welche mithilfe von Data-Mining Techniken systematisch untersucht werden, um relevante Stornotreiber zu identifizieren. In der Software SAS Enterprise Guide und SAS Enterprise Miner wird zunächst eine geeignete Vorverarbeitung durchgeführt (Bereinigung des Datensatzes, Dimensionsreduktion, Reduzierung des Klassenungleichgewichts), bevor die fünf Vorhersagemodelle logistische Regression, Entscheidungsbäume, Random Forest, Gradient Boosting und neuronale Netze implementiert werden. Die Modelle werden anhand geeigneter Performance-Metriken verglichen, wobei ein Random Forest Modell die vielversprechendsten Ergebnisse für die Identifizierung von Storno liefert. In dem in dieser Arbeit verwendeten Datensatz übertreffen Machine Learning Modelle die klassische logistische Regression, insofern, dass sie höhere Werte für Sensitivität, Präzision und kumulativen Lift liefern. Über die Erstellung von Vorhersagemodellen hinaus wird ein Einblick in einsetzbare Maßnahmen und Interpretierbarkeitsmethoden gegeben, sodass Versicherer aufbauend auf der Modellierung effektive Maßnahmen zur Storno-Reduktion ergreifen können. So können die vorgestellten Modelle zur Kundenbindung beitragen, indem relevante Storno-Treiber rechtzeitig identifiziert und anschließend die vorgeschlagenen Maßnahmen angewendet werden, um die Abwanderung von Kunden zu verhindern.     «

Um den Verlust von Kunden in einem hoch kompetitiven Sektor zu verhindern, können Versicherungsunternehmen das Potenzial der Automatisierung durch modernes maschinelles Lernen und diverse Datenquellen nutzen, um ihr Kundenverständnis zu verbessern. Aufgrund der Fortschritte bei den gängigen Data-Mining Techniken wenden neuere Studien auf der Suche nach den besten Storno-Vorhersagemodellen zunehmend komplexere Methoden an, die zwar eine höhere Vorhersagegenauigkeit liefern, deren Interpretation j...     »