当前的商业格局高度依赖于数据和分析。我们见证了数字转型和快速技术采用如何彻底改变行业,尤其是BFSI。由于涉及复杂的数据集和财务数据,该行业需要更好的分析来预测结果。这就是预测分析的步骤。事实证明,预测性业务模型可以增强客户体验、收入、风险管理,并提供竞争优势。


Disha Indrakant Mishra目前在Aureus Analytics担任分析工程师-机器学习。奥里斯分析私人有限公司为保险业提供人工智能解决方案。该公司为其广泛的客户群提供客户智能,使他们能够通过客户保留、忠诚度和终身价值提供最佳客户体验。


迪莎一直在她的投资组合中推动多项创新。据她说,这些创新的关键是好奇心和解决紧迫商业问题的迫切需要。

利用现代技术改善保险业和客户体验

在为客户提供创新服务时,她受到三个主要因素的影响


1.客户/客户的现有基础设施


2.数据的可用性、数量和质量


3.使用所提供解决方案的能力和容量


一个示例用例是基于数据构建的交叉销售(XSell)预测模型套件。这旨在通过公司客户的现有客户提高销售额。迪沙透露,除了“销售对象”的问题陈述外,该公司还就“销售对象”提出了建议。最近,它部署了这个管道项目的最后阶段,并提出了“销售多少”的问题陈述。该套件最终将为客户提供一个整体的画面,帮助客户瞄准现有客户,以实现更多的产品渗透、增加收入和客户粘性。


Disha倡导的其他值得注意的创新之一是利用公共领域的数据向企业提供援助,这些企业处于战略和规划阶段,没有从内部生成数据。在这里,市场潜力和业务扩展模型等解决方案有助于确定业务的地理位置。像K-Means这样的算法有助于为商业运营找到类似的可行位置。人口普查人口统计、人口密度、智慧城市计划、RBI显示财政能力的数据以及竞争渗透等数据点有助于决策。这一新颖的解决方案还通过确定支持业务所需的熟练劳动力和人才,帮助进行招聘预测。


我还想到了一个设计预测性“新业务”模型的例子,该模型使用bucket干预技术作为部署策略。这是基于事件的风险或机会。该套件的创新之处在于模型评估(测试和控制)策略。由于控制组的每一潜在客户的平均收入约为1500-200万卢比不能忽略,因此将潜在客户分为热基、温基和冷基,预测各组之间的转换概率,并进行调整。该方法侧重于基于能力、数量和资源可用性的对领导至关重要的干预程度。它还注意到利用客户首选的各种通信平台以获得最大回报的策略。


在其他引人注目的用例中,使用CLTV(生命周期价值)并通过Disha进行细分。这利用了客户客户群体的人口、地理和购买行为的基本细分,从而有助于更好地进行业务管理和理解。活动的定制和相关性改善了客户和客户之间的沟通。迪沙分享说,这一特定的CLTV创新与获得的队列同步产生了积极的影响,具有更好的KPI管理。


为了主动提高寿险顾问的参与度,我们推出了一套顾问模型套件,以针对顾问的生产力和收入KPI,并对其进行优先排序。该套件根据预测的概率对顾问进行优先级排序,与没有模型的场景相比,具有额外的优势。模型的广泛和深入的特征工程克服了缺乏数据维度的挑战。它有助于验证业务假设,影响和改进结果。客户专注于保持顶级/高概率顾问的绩效,同时提高低概率顾问的绩效,从而优化他们的工作。


以敏锐的观察力迎接挑战


在这些创新的发展过程中,Disha面临的挑战主要围绕着向企业利益相关者提供服务的能力和消费程度。由于分析是用来影响决策的,她确定了商业用户中普遍存在的阻碍合并解决方案的因素。她遇到的另一个挑战是寻求解决方案的BFSI客户机的IT基础架构限制。Disha分享了团队如何使用原始和免费的开源工具来实现与现有客户infra的集成和服务的平滑伪装,这影响了创新的程度。


迪沙立即提到了她的创新的潜在缺陷。这包括由于部署和实施的延迟而导致的预测模型的不稳定性和低于标准的性能。她肯定,有时干预措施不是根据规定的建议设计的,因此导致低于预期和不满意的投资回报率管理。


善于探索的人才,提供智能业务解决方案


迪沙将自己描述为一个自我驱动的人,有着永不满足的渴望。迪莎带来了迄今为止在机器学习和人工智能领域超过5年的集体专业知识。她的角色主要围绕使用技术和分析解决业务问题。作为公司客户的顾问,她主要参与建立预测模型、进行描述性分析和制定部署策略。





免责声明

我来说几句

不吐不快,我来说两句
最新评论

还没有人评论哦,抢沙发吧~