Interpretable machine learning for modeling customer churn in the auto-insurance industry

Abstract

Οι ερμηνεύσιμες τεχνικές μηχανικής μάθησης έχουν αποκτήσει μεγάλη απήχηση τα τελευταία χρόνια λόγω της ικανότητάς τους να παρέχουν πρακτικές γνώσεις διατηρώντας παράλληλα τη διαφάνεια και την ευθύτητα. Στο πλαίσιο του κλάδου ασφάλισης αυτοκινήτων, όπου η απώλεια πελατών αποτελεί σημαντική πρόκληση, η υιοθέτηση ερμηνεύσιμων μοντέλων μηχανικής μάθησης θα μπορούσε να είναι πολύ επωφελής. Αυτά τα μοντέλα προσφέρουν μια πολλά υποσχόμενη λεωφόρο για τον εντοπισμό των υποκείμενων παραγόντων που οδηγούν στην απώλεια και τη διευκόλυνση της ανάπτυξης αποτελεσματικών στρατηγικών διατήρησης των πελατών. Η μεταπτυχιακή αυτή εργασία είναι ένα Έργο Μελέτης Πεδίου με πραγματικά δεδομένα από μια εταιρεία σύγκρισης τιμών για ασφάλειες αυτοκινήτων. Ο στόχος της εργασίας είναι η διερεύνηση της εφαρμογής της μηχανικής μάθησης για τη μοντελοποίηση της απώλειας των πελατών στον τομέα ασφάλειας αυτοκινήτων. Επιδιώκουμε να κατανοήσουμε την αιτία που οι πελάτες αποχωρούν και τι θα μπορούσε γα γίνει διαφορετικά στο κομμάτι της στρατηγικής Μάρκετινγκ ώστε να υπάρχει η διατήρηση τους αλλά και η βελτίωση της γενικότερης εμπειρία τους.

Interpretable machine learning (ML) techniques have gained considerable attention in recent years due to their capacity to provide actionable insights while maintaining transparency and straightforwardness. In the context of the auto-insurance industry, where customer churn presents a significant challenge, the adoption of interpretable ML models could be very beneficial. These models offer a promising avenue for identifying the underlying factors contributing to churn and facilitating the development of effective retention strategies. This thesis is a Field Study Project with real data from auto-insurance aggregator company XYZ. The aim is to explore the application of interpretable ML for modeling customer churn in the auto-insurance sector, in order to clearly understand why customers churn and what could we do differently Marketing wise in order to retain them and better their experience.