Potenciando seguros masivos con modelos analíticos y predictivos

¿Cuántas veces han recibido una llamada de su banco, en medio de una reunión, para ofrecerles un producto que no necesitan?

Cómo consumidora, puede ser una de las experiencias más molestas que existen, siempre que cuelgo pienso ¿Cómo es posible que a través de la información que tienen no sepan que soy empleada y que si llaman en horario laboral no me es posible atenderlos 5 minutos? ¿Cómo es posible que, al menos, a través de mi registro de pagos, compras con tarjetas y medios electrónicos e información de mi núcleo familiar,  no puedan filtrar los productos que me pueden interesar de aquellos que no usaría nunca?

Por otro lado, cómo corredora de seguros me surgen algunas dudas:

  • ¿Cómo es posible que malgasten la llamada y el tiempo del operador de una forma tan ineficaz?
  • ¿Cómo es posible que no hayan hecho la tarea antes para ser efectivos en la llamada?
  • ¿Cuáles son los costos en mi imagen corporativa de brindarle al cliente este tipo de experiencias molestas?

La realidad es que aunque hay millones y millones de datos de consumidores, en muchos casos no es fácil saber qué se debe y qué se puede hacer con ellos.

A la ecuación de la información disponible es necesario agregar la operatividad de los programas, los objetivos de los sponsors, el tipo de información con la que se cuenta, los canales de ventas,  la capacidad de procesamiento de la información, la alineación de los incentivos de las partes, entre otros.

En Willis Towers Watson  hemos venido desarrollando diversos proyectos, en conjunto entre Willis Consulting y el área de Affinity, con el fin de entender cómo podemos potenciar los programas de seguros masivos con la ayuda de modelos analíticos y modelos predictivos.

Hemos avanzado mucho, en particular porque hemos entendido que los factores adicionales a la data disponible, que mencionamos anteriormente, son un componente vital de nuestros análisis.

A continuación les contamos 3 casos diferentes para ejemplificar esto.

Empresa X

Programa de venta de seguros a través de visitas domiciliarias

La empresa X cuenta con un programa de seguros que se venden a través de visitas domiciliarias. Las visitas se realizan por sectores de acuerdo a un cronograma que busca llegar a todas las zonas de manera periódica.

La empresa X empezó a registrar tasas de cancelación de sus productos más altas que los años anteriores, generando así una inquietud en los participantes del programa sobre la sostenibilidad del mismo.

Al analizar la data, fue posible entender cuál era el comportamiento real de las cancelaciones

Al analizar la data (más de 550.000 registros con más de 10 años de historia), fue posible entender cuál era el comportamiento real de las cancelaciones y encontrar características más afines a la cancelación del producto o más afines a la permanencia del producto en el tiempo.

Se evidenciaron perfiles de compradores, por tipo de producto, en los cuales valía la pena enfocarse en la venta debido a que eran más propensos a comprar pero menos a cancelar, incrementando el tiempo de permanencia del cliente y la sostenibilidad del programa.

De igual forma, mediante el análisis conjunto de la data y de los distintos factores relevantes se entendió que el incremento en las cancelaciones obedecía más a un cambio en la parte operativa del programa que a un cambio en los consumidores.

Finalmente, este tipo de discusiones con análisis cuantitativos que soportaban los hallazgos, abrió  la puerta para buscar nuevas mejoras en los programas, tomando decisiones enfocándose no sólo en disminuir las cancelaciones si no en mejorar las ventas.

Empresa Y

Programa de venta de seguros de automóvil vía telefónica en el momento de la cancelación del crédito

La empresa Y se especializa en financiar la compra de vehículos, mientras que el consumidor tiene el crédito accede a un seguro de vehículo, sin embargo, cuando cancela el crédito se cancela este seguro y el consumidor puede escoger si sigue con el seguro que tenía o, compra el seguro con otra compañía.

En este caso, la compañía estaba interesada en mejorar su nivel de ventas de seguros para los créditos cancelados. La venta de estos seguros se hace telefónicamente por lo cual es posible implementar un mecanismo de llamadas organizado, que se enfoque en aquellos clientes con mayor probabilidad de compra.

Este fue el enfoque que se utilizó; se analizaron las bases de datos (más de 60.000 registros) para determinar por medio de técnicas de análisis de conglomerados (k-vecinos), cuáles eran las características de la población que hacen que las personas sean más propensas a realizar la compra del seguro.

Se logró determinar la probabilidad de compra del seguro de cada una de las personas con créditos vigentes.

Con este análisis predictivo, se pudo determinar la probabilidad de compra del seguro de cada una de las personas con créditos vigentes.

La estimación de la probabilidad de compra permite concentrar y priorizar los esfuerzos de la venta telefónica en aquellas personas que pueden llegar a estar interesadas en adquirir el producto, optimizando internamente los recursos de tiempo y costo así como mejorando la experiencia del cliente evitándole llamadas inefectivas.

Adicionalmente, tener este tipo de clasificaciones de antemano permite preparar la venta, esto es, conocer a aquellos clientes de los cuales, al cancelar el crédito, debería contar con la información de contacto actualizada, lo que permite incrementar aún más la posibilidad de contactarlas para la venta.

Empresa Z

Programa de venta de nuevos productos vía telefónica

La Empresa Z está en el sector financiero y como tal cuenta con información sobre sus clientes. La organización se encuentra interesada en implementar un programa de venta de seguros a través de un call center; para esto, desea explorar qué productos debería ofrecer a sus clientes con el objetivo de obtener la  mayor penetración en el mercado.

La información con la que se contaba para este cliente se limitaba a información demográfica y financiera (más de 300.000 registros), sin embargo no se tenía información sobre compra de productos de seguros, pues hasta el momento no se había realizado ninguna venta.

El enfoque con este cliente fue agrupar, a través de algoritmos matemáticos, a la población existente de acuerdo con características afines, de tal forma que al diseñar los productos, estos se pudieran concentrar en las necesidades de cada uno de los grupos.

Por ejemplo, uno de los grupos identificados se encontraba compuesto por personas solteras, más propensas a tener moto que vehículo, con ingresos medios y niveles educativos técnicos. En total se identificaron 13 grupos para los cuales era posible crear productos acordes a sus características comunes.

Los productos a vender se realizan en función de las necesidades de los clientes.

De esta forma, se logró que la escogencia de los productos a vender se realizara en función de las necesidades de los clientes y la potencialidad de cada uno de los segmentos del mercado, evitando que sean los clientes quienes se acomoden a los productos estándar del mercado como sucede normalmente.

Como lo evidencian estos tres ejemplos, si bien se contaban con bases de datos suficientes, resolver las necesidades de los clientes (en este caso las Empresas) requiere de la utilización de diferentes métodos analíticos y predictivos.

Adicionalmente, el conocimiento y entendimiento de los actores relevantes del  programa es vital, pues es necesario dirigir los esfuerzos hacia resultados que sean aplicables de acuerdo con el modelo de ventas, la operatividad del programa y los intereses de los sponsors.

Hay que seguir avanzando, todos los eslabones del programa debemos ser conscientes de la potencialidad de estas herramientas y la necesidad de construir y mejorar las bases datos existentes,  pues con datos, las posibilidades son infinitas.

 


Blogger invitada Inti Gómez se ha desempeñado como gerente de riesgos y analytics en Willis Towers Watson desde el 2014.

Categories: Analytics, Español | Tags:

Leave a Reply

Your email address will not be published. Required fields are marked *