В работе представлено исследование по прогнозированию удовлетворенности клиентов страховой компании на основе методов машинного обучения. Актуальность темы обусловлена высокой конкуренцией на страховом рынке и необходимостью удержания клиентов за счет повышения их удовлетворенности обслуживанием. Цель исследования – оценить точность и производительность моделей, способных предсказать уровень удовлетворенности клиента страховой услугой по данным о взаимодействии клиента с компанией. В качестве методов использованы алгоритмы классификации. Проведена оценка точности и производительности моделей на реальных данных опросов клиентов страховых компаний. Лучшими оказались ансамблевые методы – случайный лес и градиентный бустинг, продемонстрировавшие точность прогноза удовлетворенности до 85 %, существенно превосходя более простые модели. Показано, что градиентный бустинг позволяет учитывать нелинейные зависимости факторов, например, наличие эскалации обращения, и тем самым более точно выявлять «неудовлетворенных» клиентов. В настоящее время подобное прогнозирование в страховых компаниях либо не осуществляется, либо существенно опирается на случайные факторы. Это приводит либо к слишком частым жалобам, либо к низкой удовлетворенности клиентов с их последующим оттоком. Материалы статьи представляют практическую ценность для страховых организаций: внедрение разработанных моделей позволит оперативно идентифицировать клиентов с риском неудовлетворенности и обоснованно применять превентивные меры, например, дополнительные сервисные меры или компенсации для повышения их удовлетворенности.
The paper presents a study on forecasting customer satisfaction in an insurance company based on machine learning methods. The relevance of the topic is due to the high competition in the insurance market and the need to retain customers by increasing their satisfaction with the service. The purpose of the study is to evaluate the accuracy and performance of models that can predict the level of customer satisfaction with an insurance service based on data on the customer's interaction with the company. Classification algorithms were used as methods. The accuracy and performance of the models was assessed using real data from surveys of insurance company customers. The best were ensemble methods - random forest and gradient boosting, which demonstrated the accuracy of forecasting satisfaction up to 85%, significantly outperforming simpler models. It is shown that gradient boosting allows taking into account nonlinear dependencies of factors, for example, the presence of escalation of the appeal, and thereby more accurately identify "dissatisfied" customers. Currently, such forecasting in insurance companies is either not carried out or relies significantly on random factors. This leads either to too frequent complaints or to low customer satisfaction with their subsequent outflow. The materials of the article are of practical value for insurance organizations: the implementation of the developed models will allow promptly identifying customers with the risk of dissatisfaction and reasonably applying preventive measures, for example, additional service measures or compensation to increase their satisfaction.
The authors declare that there are no conflicts of interest present.