Asegurando la venta de seguros
•
2 recomendaciones•1,764 vistas
Este documento presenta a SPSS Argentina, una empresa dedicada a proveer soluciones de data mining (software, capacitación y consultoría). Describe brevemente la historia y operaciones de SPSS a nivel global y local. Luego, se enfoca en cómo SPSS puede ayudar a las compañías de seguros a asegurar mayores ventas mediante el uso de soluciones predictivas para identificar los productos y canales de venta más adecuados para cada cliente. Finalmente, presenta casos de éxito de clientes de seguros que lograron mejoras significativas
Recomendados
Más contenido relacionado
Destacado
Destacado (20)
Similar a Asegurando la venta de seguros
Similar a Asegurando la venta de seguros (20)
Más de Asociación de Marketing Bancario Argentino
Más de Asociación de Marketing Bancario Argentino (20)
Último
Último (20)
Asegurando la venta de seguros
- 4. Breve presentación de SPSS • Empresa dedicada a la provisión de soluciones de Data Mining (Software, Capacitación y Consultoría). Fundada en 1968. Recientemente adquirida por IBM. Operaciones en mas de 60 países. Mas de 250.000 clientes. Desde hace 15 años en Argentina. Mas de 1000 clientes. Entre las primeras 25 empresas de software del mundo. Mas del 95% de las empresas de la revista Fortune son clientes de SPSS, entre ellas las Top 10 del sector Bancario, Retail, Seguros, Telecomunicaciones y Salud
- 5. Algunos Clientes Internacionales Industria Seguros
- 6. Algunos Clientes Internacionales Industria Seguros
- 7. Algunos de nuestros Clientes Otras Industrias
- 9. Asegurando la Venta de Seguros
- 10. Campaña Mayo 2010 Gerente Comercial: “La rentabilidad de la venta de seguros a nuestra cartera es muy importante… sin embargo, con esto ratios de venta la venta uno a uno no es rentable… ¿que podemos hacer para mejorar?
- 11. ¿Que podemos hacer para mejorar? Gerente Comercial: “La rentabilidad de la venta de seguros a nuestra cartera es muy importante… sin embargo, con esto ratios de venta la venta uno a uno no es rentable… ¿que podemos hacer para mejorar? Analista de Negocio: “Deberiamos poder identificar que seguro ofrecer a cada cliente y determinar cual es el canal mas adecuado para hacerlo”
- 12. SPSS MODELER
- 13. Asegurando la Venta de Seguros Gerente Comercial: “La rentabilidad de la venta de seguros a nuestra cartera es muy importante… sin embargo, con esto ratios de venta la venta uno a uno no es rentable… ¿que podemos hacer para mejorar? Analista de Negocio: “Deberiamos poder identificar que seguro ofrecer a cada cliente y determinar cual es el canal mas adecuado para hacerlo”
- 15. Asegurando la Venta de Seguros Gerente Comercial: “La rentabilidad de la venta de seguros a nuestra cartera es muy importante… sin embargo, con esto ratios de venta la venta uno a uno no es rentable… ¿que podemos hacer para mejorar? Analista de Negocio: “Deberiamos poder identificar que seguro ofrecer a cada cliente y determinar cual es el canal mas adecuado para hacerlo”
- 16. Industry Benchmark (# of policies per person) – Sept 2010
- 17. Asegurando la Venta de Seguros Gerente Comercial: “La rentabilidad de la venta de seguros a Gerente Comercial: nuestra cartera es muy importante… sin “Bravo! Nuestras ventas se embargo, con esto ratios de venta la venta han incrementado un 50%!” uno a uno no es rentable… ¿que podemos hacer para mejorar? Analista de Negocio: “Deberiamos poder identificar que seguro ofrecer a cada cliente y determinar cual es el canal mas adecuado para hacerlo”
- 19. Imagine si... SINIESTROS VENTA CRUZADA COBRANZA RETENCION
- 20. ¿Qué es un modelo predictivo? • No vamos predecir un evento, sino que vamos a calcular la probabilidad que ese evento ocurra. No existe garantía de cuál será el resultado para un caso en particular. La probabilidad se aplica un conjunto de casos DATA MINING
- 21. Segmentar Vs Data Mining En alguna medida,segmentar es hacer Data Mining Perez Aguirre Ingresos > 5000 Ingresos > 5000 >3500 >15000 TC revolving TC transactor Bajo Valor Unitario >5000 >2000 Alto Valor unitario Edad 25 Edad 35 Prestamo <5000 <2000
- 22. Data Mining • Permite analizar cientos de características al mismo tiempo • Analiza automáticamente la correlación de las variables • Permite segmentación difusas, tiene en cuenta todos los aspectos al mismo tiempo • Permite estimar la probabilidad (Score) de un evento futuro Vivienda Antigüedad Edad en el empleo
- 23. Información para el Analisis Predictivo Customer Contact Channels Website email agent mail phone PDA branch ATM Datos de Interacción Datos Actitudinales - Ofertas - Opiniones - Reclamos - Preferencias - Notas - Necesidades - Clicks Datos descriptivos Datos de Comportamiento - Atributos - Ordenes de compra - Caracteristicas - Transacciones - Socio/Geo demográficos - Historia de pago - Antiguedad - Historia de uso Operational Attitudinal Marketing Web Call centerSocial networks interaction Enterprise Data Sources
- 24. Evolución del Análisis (Cross-Selling) Business Predictive Intelligence Analytics Descriptivo (pasado) Predictivo (futuro) Valor para el negocio Optimización de ¿De qué tipo, Estrategias ¿Cuántos Data en que lugar? productos mining vendimos? ¿Qué le ofrecemos, a OLAP ¿Qué clientes que precio, por Query & están por que canal? Reporting comprar? Tiempo
- 25. Business Analytics en términos gerenciales ¿Cómo puedo capturar y analizar información acerca de mis clientes, prospectos o respecto a la satisfacción de mis empleados? ¿Cómo puedo predecir comportamientos y preferencias, de tal forma que pueda prevenir la deserción y el fraude, ó maximizar el resultado de mis campañas? ¿Cómo puedo tomar decisiones optimas en tiempo real o adelantarme a problemas potenciales, en vez de tomar decisiones cuando ya es demasiado tarde?
- 26. Imagine sus negocios si Ud. pudiera saber con anticipacion… ¿Cuan probable es ¿Que producto que este cliente necesita este renueve su poliza? cliente? ¿Cual es el canal mas adecuado para ¿Cual es el riesgo de realizar esta oferta? emitir esta poliza? ¿Cual es el ¿Debo reclamar la proximo producto cuota impaga o solo que debo esperar? ¿Debo inspeccionar ofrecerle a este este siniestro, o cliente? pagarlo directamente? 26
- 27. Las Soluciones Predictivas permiten tomar mejores decisiones Enfoque Predictivo Enfoque Tradicional Predecir y Actuar Percibir y Responder Instinto e Intuición Basado en Hechos Analistas expertos Todos Back office Punto de Impacto Automático Optimizado
- 28. ¿Cómo se hace? “La organizaciones buscan aplicaciones para resolver sus problemas de negocio. Por lo que estan cada vez mas interesadas en plantillas prearmadas que los guién en la tarea que deben realizar, acompañadas de consultoría sobre que técnicas aplicar y que variables constituyen buenos predictores de comportamiento.” Gartner Group “We believe that you can have accelerators and prebuilt models that can significantly reduce the time to value. I see models as something that companies will view as the source of their competitive advantage. There are certain things that are common to all companies within a specific industry, but the company-specific insights that you can add to a model can be a differentiator.” Deepak Advani IBM SPSS CEO
- 29. ¿Cómo lo hacemos? PLANTILLAS DE MEJORES SPSS MODELER PRACTICAS CONSULTORIA
- 30. SPSS MODELER SmartWorkbench esta construido sobre IBM SPSS MODELER, la herramienta de DataMining mas intuitiva del mercado. Posee una potente interfaz visual que le permite interactuar con sus datos para descubrir soluciones que de otra manera no podría
- 31. Plantillas de Mejores Prácticas Sintetizan años de experiencia y las mejores practicas de la industria. Actúan como un mapa visual que va guiando paso a paso de manera intuitiva y efectiva Cross-Selling Retención Valor Cliente Administración de Campañas Satisfacción de Cliente Inspecciones Cobranza … + Esta metodología permite resultados rápidos, repetibles y confiables Las plantillas pueden modificarse fácilmente en todo momento con sólo situar, quitar o cambiar un ícono en el espacio de trabajo. No hay que ser un Experto en Data Mining para utilizarlas.
- 32. Consultoría El servicio de consultoría es parte fundamental de la solución: Mediante un proceso interactivo adaptamos las plantillas a las necesidades de negocio cada organización. Modelos predictivos a medida Seguimiento y actualización de modelos Asistencia integral, tanto en la interpretación de los resultados obtenidos como en la integración con los sistemas corporativos Capacitación, soporte, desarrollo de modelos e interfaces, etc Más que entregar una herramienta para desarrollar modelos, tenemos el compromiso de proveer todos los elementos de análisis para implementar las decisiones estratégicas que generen el mayor beneficio.
- 33. CASOS DE EXITO
- 34. CASOS DE ÉXITO INTERNACIONALES “… reducción de costos de 40% … ” “… mejora del 20% en la cobranza …” “… reducción de la fuga de un 19% a un 2% …” “… duplicación del volumen de fraudes detectados …” IDC para LA: El foco se moverá de “TI para administrar Información” a “TI para administrar el negocio”.
- 35. Nucleus Research: ¨The Real ROI from SPSS¨ “This is one of the highest ROI scores Nucleus has ever seen in its Real ROI Series of Research Reports.” Rebecca Wettemann, Vice President of Research, Nucleus Research • 94% de los clientes obtuvieron un ROI positivo, con un payback promedio de 11 meses. • Los beneficios principales incluyen reduccion de costos, aumento de la productividad, mejora en la satisfaccion de clientes y empleados • El 81% de los proyectos fueron ejecutados en tiempo y el 75% dentro o debajo del presupuesto
- 36. The Predictive Difference in Insurance Insurers that fail to deepen Insurers that fail to work with their relationships with their policyholders agents suffer unnecessary costs, suffer high attrition rates and lost missed revenue opportunities and revenue opportunity. agent attrition. IBM SPSS Cross Sell & Retention IBM SPSS agent management solutions use advanced algorithms solutions apply advanced to create customized offers that drive algorithms to identify commercial customer loyalty and sustained opportunities and retention risks that premium income, also identify at-risk your agents can act on to grow their customers and recommended (and your) book of business. retention strategies. 36
- 37. Caso de éxito CARDIF Argentina SITUACIÓN oLas ventas no eran las esperadas oLos costos iban en aumento SOLUCIÓN oSPSS MODELER oSMARTWORKBENCH CAMPAÑAS RESULTADOS oLas ventas ascendieron de 15% a 35% oSe triplicó el promedio de ventas por hora. “SPSS Modeler nos permitió contactar a la persona adecuada con la mejor oferta, logrando así duplicar la efectividad de las campañas”.
- 38. Caso de éxito ITAU Argentina Score Respuesta 40,0% Int Min Max Intervalo Lift Porcentual Acumulada 35,0% 10 692 933 34,7% 2,6 27% 35% 30,0% 9 635 687 23,1% 1,8 45% 29% 8 576 631 18,2% 1,4 25,0% 60% 25% 7 519 575 14,9% 1,1 20,0% 70% 23% 6 462 518 12,5% 1,0 15,0% 80% 21% 5 389 453 10,2% 0,8 88% 19% 10,0% 4 322 388 7,4% 0,6 94% 17% 3 194 298 5,1% 0,4 5,0% 97% 16% 2 125 181 2,6% 0,2 0,0% 99% 14% 1 5 114 0,8% 0,1 100% 10 9 8 13% 7 6 5 4 3 2 1
- 39. MITOS
- 40. MITO: No me sirve, yo vendo a través de productores Es posible brindarle informacion a los productores para que mejoren su gestión. Por ejemplo que productos ofrecer a sus clientes.
- 41. MITO: Antes de hacer modelos necesitamos un Datawarehouse Si bien es cierto que seria más fácil obtener los datos, muchas veces no contienen la información necesaria para el desarrollo de modelos. Herramientas de datamining actuales pueden utilizar los backup y leer la información en múltiples formatos, e incluso puede mantener actualizados los repositorios para posteriores corridas
- 42. MITO: “GARBAGE IN - GARBAGE OUT” Si hay basura y datos faltantes no se puede desarrollar un score La estadística trabaja con grandes números, identificando patrones genéricos, por lo tanto una cantidad relativamente pequeña de errores y datos faltantantes no influyen en el resultado del modelo. Inclusive se toma como dato el hecho que el dato no esté informado.
- 43. MITO: Sistemas tiene siempre otra prioridad! Utilizar herramientas que permitan automatizar la ejecución y el monitoreo de modelos y estrategias. Con arquitectura abierta y fácilmente integrables.
- 44. MITO: Lleva mucho tiempo! Las herramientas visuales reducen los tiempos sensiblemente
- 45. MITO: Lleva mucho tiempo! La aplicación de una metodología probada, y la utilización de plantillas de mejores prácticas que sintetizan años de experiencia en la industria, permite proceder de manera intuitiva y efectiva, e implementar soluciones en semanas
- 46. MITO: Desarrollar modelos es sumamente complejo! C5.0 CART CHAID QUEST CAPRI Apriori K-Means Kohonen Regresion Lineal Redes Neuronales Regresion Logistica Los algoritmos de data mining son complejos, pero la utilización de plantillas guían en cada paso de la construcción del modelo La participación de un experto en el negocio, con un conocimiento exhaustivo del problema, es fundamental para obtener resultados útiles y confiables
- 47. MITO: Desarrollar modelos es sumamente complejo! Incorporar a los primeros proyectos a consultores externos con experiencia en el desarrollo de modelos similares puede facilitar y acelerar el desarrollo la interpretación de los resultados obtenidos la integración con los sistemas corporativos el seguimiento y actualización de los modelos el rápido retorno de la inversión la capacitación, en la práctica, del personal propio
- 48. MUCHAS GRACIAS. Adolfo Kvitca SPSS Argentina SA akvitca@spss.com.ar
Notas del editor
- We have more than 160 insurance companies as customers currently. Most are using our software for data mining or other singular uses of tools. We have 7 customers in Europe and one so far in the US. MetLife has been using our software now for more than a year to produce better underwriting models and to augment their fight against fraud. They are currently exploring the use of our solution for claims process improvement.
- We have more than 160 insurance companies as customers currently. Most are using our software for data mining or other singular uses of tools. We have 7 customers in Europe and one so far in the US. MetLife has been using our software now for more than a year to produce better underwriting models and to augment their fight against fraud. They are currently exploring the use of our solution for claims process improvement.
- You’ve probably all seen this slide if you’ve attended any of the previous learning forums or seen Jack or Colin or Marcel present to a group (such as the PA Summit). This really shows how “Survey” fits in to the customer insight equation. A lot of things can contribute to improving insight – customer behavior, attribute, interactions…. Where Dimensions fits is in enabling organizations to continually engage with customers to capture the attitudinal drivers that help round out the complete 360* view of the customer… Preliminary analyses have shown impact of adding attitudinal data as having 10-30% lift… though the value of attitudinal drivers is really more far-reaching than that. And it’s difficult to show visually here, but such “surveys” can actually help to capture data for the other quadrants as well, particularly attributes and reported behavior.
- How did the field of analytics evolve? This chart illustrates analytics techniques – where they have occurred in terms of time and the value each delivers to a business. Query and reporting software has been in existence for a long time. It is vital to running a business. We have also found that it is typically the first type of analysis implemented in organizations – a jumping off point. It analyzes data from a historical perspective by helping to measure results to answer questions, such as how much did we sell last year? Online Analytic Processing (OLAP) also analyzes data from a historical perspective. However, it gives a more detailed level of analysis. For example, with OLAP an organization can determine how much by product was sold in particular regions during a give period of time. Data mining enables an organization to cross an important line from historical analysis into the realm of prediction. Data mining techniques tell a company, which particular customers should be sold which product. To do this, data mining looks at who he company sold to into in the past and what related attributes seem to be tied to the customers that bought the most. Data mining and its predictive elements is where SPSS Inc. differentiates itself from other software vendors in this space. Real-time personalization, the last stage in this evolution, takes the results from the predictive techniques of data mining and apply them in real time to operational systems. For example, a customer calls his or her bank with a credit card problem. During the call the bank can better serve the customer by making recommendations that, based on data analysis, are targeted to that particular customer. This technology is fairly new and coming on very strong in the last year and should continue to gain momentum over the next two to three years as it is more widely adopted.
- Are these questions on the minds of your decision makers? Do you have a way to answer them today? Are you looking to CAPTURE information about customers, prospects, employees and more? Do you have a good handle on how your customers, prospects or employees are feeling about their product or service offering? What are they saying about you online? What kind of words are they using when they are on the phone to support? Would a survey of customer preferences and satisfaction level provide valuable insights? Again, with the majority of information being generated being unstructured, there needs to a way to capture that information and add it to the wealth of structured data that you are already managing. 2) Are you able to predict behaviors, preferences and future performance? This question really speaks to the heart of the matter. We find that many customers are frustrated that they make decisions too late…wouldn’t you like to get ahead of the issue and prevent things like customer churn….figure out who is unhappy before they leave and figure out how to retain the most profitable customers? … .or be able not only to detect fraudulent activity, but recognize patterns and prevent it…avoiding the cost and disruption fraud will cause? … .or be able to match customer profiles to buying preferences…for example…be able to segment customers and figure out what they are most likely to purchase when they buy something else, and target marketing campaigns to this behavior? 3) Are you able to act in real-time or ahead of a potential issue Many customers are still relying on a few analytical experts to crunch the data and make recommendations. You may find yourselves in this same situation. Wouldn’t you like to enable all of your decision makers to answer these questions and take immediate action?
- A point to take away here is that no matter what types of decisions your organization has to make, you need to realize that they can no longer be made in a silo and then rolled out to the broader organization or customer base – your customers are demanding this. And in order to meet their demand, in order to make sure they’re satisfied with your business decisions, you need to transform your business, away from the way your father used to see decision making. Instead of sensing and responding to particular situations, you need to predict what will happen and take steps to ensure a positive outcome. Instead of having a bunch of people in a back room with white lab coats on making decisions based on gut feel, you need to enable optimized decisions and roll those out to everyone within your organization, so that decisions can be made at the point of interaction with your customers. Again, instead of making decisions based on what you think is the best course of action you’re new making decisions based on the most up to date, real time factual information that has been tested and vetted to ensure that each person is receiving the ideal offer or answer or whatever the case might be for their particular situation. The point is that there is a fundamental transformation in terms of the way decisions are handled within the organization.