Prédire l’appétence à un produit

Objectif

Cibler au sein de la population des assurés les plus à même d’être appétents à d’autres produits (cross-selling) et définir le cahier des charges d’un système d’information orienté Connaissance Client.

Contexte

Dans une optique de de développement commercial, notre client assureur souhaite identifier parmi ses clients ceux qui peuvent être intéressés par d’autres produits de son catalogue.

Résultats

  • Ciblage des prospects appétents à d’autres produits avec une probabilité de 45% qu’ils finalisent l’acte d’achat.
  • Cahier des charges pour un système d’information permettant d’améliorer la vision marketing client.

Algorithmes

Méthodes d’échantillonnage, Correction de biais, Gradient Boosting (XGBoost).

Méthode

En croisant les données client avec celles de l’assurance vie et en nous appuyant sur les précédentes campagnes marketing, nous avons conçu un modèle de Machine Learning permettant de prédire l’appétence à certains produits d’assurance.
Nous avons également audité le système d’information et défini un cahier des charges pour améliorer la stratégie marketing.

Cette surface indique le pourcentage d’appétence prédit, en fonction de l’âge et du montant d’achats antérieurs des clients. La surface décrit un profil médian, les autres variables explicatives du modèle étant fixées à leur valeur médiane. Ici les clients médians les plus appétents sont âgés de 30 à 45 ans et ont des achats supérieurs à 1000€. (Image reproduite à partir de données open source pour préserver la confidentialité des données réelles.)