Customer Engagement in de verzekeringssector: een onverwachte aanpak levert ongekende resultaten op

Dit verhaal gaat over een klant die niet kreeg waar hij om vroeg... en waarom dat de juiste beslissing was. Dit is niet het enige aspect van dit verhaal dat vragen oproept.

De klant in kwestie is een verzekeringsmaatschappij, maar geen typische verzekeraar. Dit bedrijf richt zich uitsluitend op commerciële en industriële eigendomsverzekeringen en gelooft dat de meeste verliezen kunnen worden voorkomen. Ze hanteren een proactieve benadering om eigendomsverlies te voorkomen, waarbij ze gebruik maken van onderzoek en technische expertise om hun klanten te helpen veerkrachtig te zijn. Veerkracht vermindert risico's.

Een ander opmerkelijk aspect: dit bedrijf is niet geïnteresseerd in het aantrekken van nieuwe klanten. Ze hebben al de klanten die ze willen en richten zich op het vergroten van de loyaliteit van deze klanten door sterke relaties op te bouwen. Dit vereist proactieve betrokkenheid en een niveau van klantbetrokkenheid waarmee ze de behoeften van de klant kunnen voorspellen.

Het probleem waarmee ze te maken hadden, was het verkrijgen van informatie uit een overweldigende set van 70 verschillende klantgegevensbronnen. Hoewel er voldoende gegevens beschikbaar waren, was het erg moeilijk om toegang te krijgen tot deze gegevens en ermee te werken. Bovendien had het bedrijf al lange tijd geen volledig contact gehad met zijn klanten.

Klantbetrokkenheid verwijst naar de manier waarop een bedrijf interactie heeft met zijn klanten. Hoewel elk bedrijf contact wil maken met zijn klanten, is dit bij verzekeringen vaak een uitdaging. Klantbetrokkenheid is een zachte statistiek die moeilijk te meten is. Terwijl B2C-bedrijven hier al langer mee bezig zijn, loopt de B2B-sector hierin achter. Bedrijven hebben vaak moeite om effectief met hun klanten om te gaan, omdat ze beschikken over enorme hoeveelheden gegevens die verschillende soorten betrokkenheid aangeven. Ze hebben echter geen manier om deze gegevens rationeel te organiseren en voorspellende patronen te ontdekken.

In het geval van deze verzekeringsmaatschappij was de uitdaging om zoveel mogelijk informatie over een klant te verzamelen om te begrijpen hoe ze voor verschillende situaties verzekerd konden worden, bijvoorbeeld bij de bouw van een nieuwe fabriek. Welke informatie moest het bedrijf bestuderen, hoe moesten ze deze bestuderen en hoe konden ze de patronen identificeren die hen zouden vertellen wat ze vervolgens moesten doen? Het bedrijf wist niet eens zeker welke van hun 70 gegevensbronnen ze moesten behouden, laat staan wat ze met die gegevens moesten doen.

Elk bedrijf moet (en wil hopelijk) in contact komen met klanten, maar klantbetrokkenheid bij verzekeringen is moeilijk. Het is een zeer zachte statistiek die moeilijk te meten is. Hoewel B2C-bedrijven dit al een tijdje doen, zijn de meeste organisaties minder geavanceerd aan de B2B-kant. Bedrijven hebben nog steeds moeite om op een effectievere manier met hun klanten om te gaan, omdat ze op bergen en bergen gegevens zitten die hen wijzen op verschillende soorten betrokkenheid. Ze hebben geen manier om die gegevens rationeel te organiseren en voorspellende patronen zichtbaar te krijgen.

Hier hebben wij, de partner die het bedrijf wilde helpen, op een onverwachte manier gehandeld.

Het bedrijf wilde oorspronkelijk drie dingen: een plan om de 70 gegevensbronnen voor marketingcommunicatie en meerdere marketingtechnologieplatforms te migreren naar een gestandaardiseerd platform, een proces voor het beheren van klantgegevens en een aanbeveling voor een marketingtechnologieoplossing die de klantbetrokkenheid zou optimaliseren.

We luisterden naar hun problemen en verzoeken en zeiden toen 'nee'. In plaats daarvan stelden we een datastrategie voor rondom Microsoft Dynamics 365 Customer Insights. We suggereerden dat wat ze echt nodig hadden, technologie was die hen kon vertellen welke gegevens ze moesten gebruiken en deze kon ordenen, in plaats van alles op één plek te verzamelen. Dit, zo stelden we, kon worden bereikt met de cloud computing-kracht van Microsoft. Door patronen in de data te herkennen, konden conclusies worden getrokken en beslissingen worden genomen over welke databronnen te gebruiken.