Next Best Offer (NBO)

เป็นวิธีการวิเคราะห์เชิงคาดการณ์ที่ใช้เพื่อทราบถึงผลิตภัณฑ์หรือบริการที่เหมาะสมที่สุดที่จะเสนอให้กับลูกค้าในครั้งถัดไป โดยอิงจากคุณลักษณะและพฤติกรรมของลูกค้า

ในบริษัทประกันภัย NBO สามารถช่วยบริษัทแนะนำผลิตภัณฑ์ประกันภัยที่เกี่ยวข้องที่สุดให้กับลูกค้า เพิ่มโอกาสในการขายต่อยอด (Cross selling) รวมถึงสร้างความพึงพอใจให้ลูกค้า มีกระบวนการดังนี้

1. การเก็บรวบรวมข้อมูล: รวบรวมข้อมูลลูกค้า รวมถึงข้อมูลประชากร กรมธรรม์ปัจจุบัน ประวัติการเรียกร้องสินไหม และการมี Interaction กับบริษัท
2. การสร้าง Features: สร้าง Features ที่เกี่ยวข้องซึ่งสามารถช่วยคาดการณ์ความชอบและความต้องการของลูกค้า
3. การ Train model: ใช้ Machine Learning algorithms เพื่อ Train model คาดการณ์ความน่าจะเป็นที่ลูกค้าจะยอมรับข้อเสนอ (Offer) ต่างๆ
4. การให้คะแนน (Scoring): ใช้ Model เพื่อให้คะแนนแต่ละข้อเสนอที่เป็นไปได้สำหรับลูกค้าแต่ละราย
5. การเสนอ (Offer): เลือกข้อเสนอที่ได้คะแนนสูงสุดเป็น Next Best Offer

ตัวอย่าง Python code

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, classification_report

# ขั้นตอนที่ 1: การเก็บรวบรวมข้อมูล (สมมติว่ามีไฟล์ CSV ที่เป็นข้อมูลลูกค้า)
data = pd.read_csv('insurance_customer_data.csv')

# ขั้นตอนที่ 2: การสร้าง Features
def engineer_features(df):
    # ตัวอย่างการสร้าง Features
    df['age_group'] = pd.cut(df['age'], bins=[0, 25, 35, 45, 55, 65, 100], labels=['18-25', '26-35', '36-45', '46-55', '56-65', '65+'])
    df['policy_duration'] = (pd.Timestamp.now() - pd.to_datetime(df['policy_start_date'])).dt.days / 365
    df['claim_ratio'] = df['total_claims'] / df['policy_duration']
    return df

data = engineer_features(data)

# เตรียม Features และตัวแปร Target
features = ['age', 'income', 'policy_duration', 'claim_ratio', 'customer_loyalty_score']
X = data[features]
y = data['accepted_offer']  # สมมติว่า Column นี้มีอยู่และบ่งชี้ว่าข้อเสนอก่อนหน้านี้ได้รับการยอมรับหรือไม่

# แบ่งข้อมูล train / test
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# ทำ Feature scaling
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

# ขั้นตอนที่ 3: การ Train model
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train_scaled, y_train)

# การ Evaluate model
y_pred = model.predict(X_test_scaled)
print("Model accuracy:", accuracy_score(y_test, y_pred))
print("\n Classification report:\n", classification_report(y_test, y_pred))

# ขั้นตอนที่ 4: การให้คะแนน (Scoring)
def score_offers(customer_data, offer_list):
    customer_features = scaler.transform(customer_data[features].values.reshape(1, -1))
    offer_scores = {}
    for offer in offer_list:
        # สมมติว่าเรามีวิธีในการ Encode ข้อเสนอ ไปสู่ Feature space
        offer_features = encode_offer(offer)
        combined_features = np.hstack((customer_features, offer_features))
        score = model.predict_proba(combined_features)[0][1]  # ความน่าจะเป็นที่จะยอมรับข้อเสนอ
        offer_scores[offer] = score
    return offer_scores

# ขั้นตอนที่ 5: การเสนอ (Offer)
def get_next_best_offer(customer_data, offer_list):
    scores = score_offers(customer_data, offer_list)
    return max(scores, key=scores.get)

# ตัวอย่างการใช้งาน
customer = data.iloc[0]  # ดึงลูกค้าคนแรกเป็นตัวอย่าง
available_offers = ['auto_insurance', 'home_insurance', 'life_insurance', 'travel_insurance']
next_best_offer = get_next_best_offer(customer, available_offers)
print(f"Next Best Offer is: {next_best_offer}")

แสดงตัวอย่าง NBO อย่างง่ายที่ใช้สำหรับบริษัทประกันภัย มีการทำงาน ดังนี้

1. Load ข้อมูลลูกค้าและสร้าง Features ที่เกี่ยวข้อง
2. เตรียมข้อมูลและแบ่งออกเป็นชุดสำหรับ Train และ Test
3. Train model โดยใช้ Random Forest Classifier เพื่อคาดการณ์การยอมรับข้อเสนอ
4. สร้าง Function เพื่อให้คะแนนข้อเสนอต่างๆ สำหรับลูกค้าที่กำหนด
5. Offer ผลิตภัณฑ์หรือบริการที่ได้คะแนนสูงสุดเป็น Next Best Offer

ในสถานการณ์จริง อาจต้อง

• ใช้เทคนิคการสร้าง Features ที่ซับซ้อนมากขึ้น
• พิจารณาข้อมูลลูกค้าและการมี Interaction ที่หลากหลายมากขึ้น
• อาจใช้ Algorithms ที่มีประสิทธิภาพมากกว่า (เช่น Boosting)
• สร้างระบบเพื่อปรับปรุง Model ด้วยข้อมูลใหม่อย่างต่อเนื่อง
• รวมกฎทางธุรกิจและข้อจำกัดในกระบวนการเลือกข้อเสนอ
• ตรวจสอบและทดสอบ Model อย่างละเอียดก่อนนำไปใช้

Blog นี้ เขียนร่วมกับ Claude.ai โดยใช้ Prompt

As a data scientist in an insurance company, please explain the next best offer model with Python code.