Health Insurance Cross Sell

Contexto do problema

O nosso cliente é uma seguradora que forneceu Seguro Saúde para seus clientes, agora eles precisam de ajuda na construção de um modelo para prever se os segurados (clientes) do ano passado também terão interesse no Seguro Automóvel oferecido pela empresa.

Estrutura da Solução

1. Descrição dos dados
2. Feature engeneering
3. Análise exploratória
4. Preparação dos dados
5. Feature selection
6. Machine Leearning modeling
7. Model performance
8. Publicação do modelo em produção

Premissas Assumidas

1. A intenção de adquirir o seguro automóvel é diretamente influenciada pelo fato do cliente já possuir seguro saúde.
2. A venda cruzada aumenta a fidelidade dos clientes.
3. Um modelo de Machine Learning que consiga fazer o Rankeamento dos clientes mais propensos a adiquirir o seguro automóvel pode reduzir os custos de venda.

Insights

Clientes do sexo feminino deveriam ter mais interesse em adquirir o seguro do que cliente do sexo masculino

Falso. Apenas 10,4% dos cliente do genero feminino tem interesse em adquirir o seguro, já 13,84% dos cliente do genero masculino possuem interesse

Clientes mais velhos devem ter mais interesse em adquirir o seguro do que clientes mais jovens

Verdadeiro. Clientes acima 35 anos representam 73,18% dos clientes que possuem interesse em adquirir o seguro.

Clientes com Veiculos mais novos possuem mais interesse em adquirir o seguro

Falso.

• Dos clientes que possuem carros novos 4,37% possuem interesse.
• Dos clientes que possuem carros usados 29,39% possuem interesse.
• Dos clientes que possuem carros velhos 17,37%.

Machine Learning Performance

No modelo de Regressão Linear com 20% da base ordenada é possível alcançar 45% dos clientes interessados e com 50% da base ordenada é possível alcançar praticamente 100% dos clientes interessados

Conclusão, Precision e Recall

Sem o ranqueamento gerado pelo modelo, a empresa teria que entrar em contato com os clientes de forma aleatória para obter o maior número possível de clientes que tenham interesse no seguro automóvel. Porém, com os clientes raqueados, a empresa poderia direcionar as suas ações para os clientes propensos a aquisição do produto, segundo as sugestões realizadas pelo modelo, de forma a otimizar o tempo disponibilizado, reduzir os recursos empregados, bem como maximizar a receita.

Base de dados: 76.000 clientes.

Entrando em contato com 17.000 clientes rankeados é possivel compreender 51% dos clientes interessados no seguro com uma precisão de 28%.

• Precision at K: 0.280512911005235
• Recall at K: 0.5146773149147421

Entrando em contato com 30.000 clientes rankeados é possivel compreender 86% dos clientes interessados no seguro com uma precisão de 26,7%.

• Precision at K: 0.2674244191860271
• Recall at K: 0.8628737362873736

Próximos Passos

No próximo cliclo é possível utilizar algoritmos de machine laerning mais elaborados que pudessem compreender melhor os dados de maneira a aumentar a precisão e o recall do modelo dentro do menor número possível de clientes.