PredicSis.ai est une suite logiciel de Machine Learning qui profile les comportements en détectant les insights actionnables à partir de vos données historiques.

1. Actionnable Insight Discovery
In minutes. Not months.

2. Une compagnie d’assurance délivrant des contrats d’assurance auto
Les offres complémentaires sont souvent proposées aux clients via le call-center. Les
ventes sont malheureusement faibles.
Notre client Assureur souhaite réaliser un meilleur ciblage sur sa base clients pour
vendre plus.
Notre client
Sa douleur
La solution
LE CONTEXTE
QUEL EST LE PROFIL TYPE DE MON ACHETEUR ? QUEL CLIENT DOIS-JE CONTACTER EN PREMIER ?

3. LES DONNEES DISPONIBLES
Données descriptives Logs comportementaux
CRM Logs contact client Logs Mots clés du chat
1- Meilleures caractéristiques du profil Acheteur
2- Les agrégats capturent le comportement des acheteurs
3- Combinaison des signaux qui permettent de prédire les potentiels acheteurs

4. CAMPAGNE
Sélectionnez votre campagne « Car Insurance »
La machine analyse le format de vos fichiers afin
de trouver la clé commune ainsi qu’un historique
des 2 comportements type:
1- acheteurs
2- non acheteurs

5. LE MODELE
Vous pouvez
maintenant améliorer
votre modèle
Création de votre
modèle en
13 secondes
FEATURIZE

6. LE MODELE
Optimisons la performance en
explorant toutes les tables
disponibles.
La page Featurize vous permettra
alors de créer plus d’agrégats
pertinents.
50, 100, 1000…..100 000
Cela va mettre en exergue les
features importantes sur la
probabilité d’acheter.
Puis cliquez sur
« Optimize changes ».

7. LE RAPPORT
REPORT
Découvrons maintenant ce que la
machine a trouvé.

8. LE RAPPORT
Premier attribut: Car_Type
Nous avions au départ 15 catégories de
types de voitures
La machine les a regroupés en 4
catégories.
La machine a rapidement compris que
le type de voiture avait un fort impact
sur le comportement d’achat.
Par exemple:
Le segment « Full size luxury car »
Représentant 2,48% de votre population…
… aura 16,26% de chance d’acheter votre
package.
Contrairement à la catégorie « ATV » à
droite, qui a de très faibles chances pour
l’upsell.

9. LE RAPPORT
La machine a aussi relevé l’importance du nombre
de miles par jour ainsi que l’usage de certains
mots dans les chats sessions entre le client et
l’opérateur.
La machine a automatiquement trouvé et classé
les différents « drivers » du comportement.

10. LE RAPPORT - Score
Ici, vous comprenez rapidement que
si vous ciblez 15% des profils
proposés par la machine…
… vous allez atteindre presque 85%
des vos clients potentiels.
N.B: Si ce ciblage ne vous satisfait
pas vous pouvez revenir sur
Featurize pour générer plus
d’agrégats.

11. LE DEPLOIEMENT
Nous souhaitons maintenant obtenir
une liste des personnes classées en
fonction de leur probabilité de réaliser
un upsell (scores).
DEPLOY

12. LE DEPLOIEMENT
1- Utilisez le dataset contenant les
personnes n’ayant pas encore été
contactées
Ici: « tobedeployed »
2- Personnalisez votre fichier de sortie
Ici: nous ajoutons l’email et le nom de
famille
3- Cliquez sur DEPLOY

13. VOTRE FICHIER DE SCORES
Vous pouvez maintenant actionner votre
liste de scores pour votre campagne
d’upsell.
PredicSis vous permets ainsi d’injecter
facilement vos prédictions dans votre CRM.

14. PredicSis vous a permis de découvrir et comprendre
les « drivers » pertinents du comportement client…
Et de mieux cibler vos clients.
info@predicsis.aihttps://predicsis.ai