Fallstudie: Fetch Pet Insurance verbessert Kundenbindung und Wachstum mit prädiktiver KI

Chance und Herausforderung

1. Datenorientierter Ansatz

Ein Modell ist nur so gut wie die Daten, mit denen es gespeist wird. Viele KI-Projekte scheitern aufgrund von Daten- und Infrastrukturproblemen, die oft zu spät erkannt werden. Spryfox führte frühzeitig im Projekt Daten- und Infrastrukturaudits durch, die dazu beitrugen, eine solide Grundlage zu schaffen. Es wurden mehrere Datenarten konsolidiert, darunter:

• Versicherungs- und Krankengeschichte: Vorerkrankungen, Häufigkeit von Versicherungsansprüchen und Zeit seit der letzten Erkrankung
• Hunderassenspezifische Faktoren: Genetische Veranlagungen, Größe, Temperament usw.
• Umweltfaktoren: Klima, Demografie und sozioökonomische Daten basierend auf dem Heimatort des Kunden

Diese Datenströme wurden durch eine maßgeschneiderte medizinische Ontologie (ein strukturiertes Diagramm, das Schadensfälle, Krankheiten, Symptome und Gruppen abbildet) vereinheitlicht, die in Zusammenarbeit mit Veterinärexperten entwickelt wurde. Die Ontologie ermöglicht es, die Daten so zu organisieren, dass ein strukturierteres Lernen und präzisere Vorhersagen möglich sind.

2. Fortgeschrittene KI-Modellierung

Ein großer Teil der Arbeit, um Daten für KI aufzubereiten, besteht darin, sie in die richtigen Merkmale zu übersetzen. Um wissenschaftliche Korrektheit und Erklärbarkeit zu gewährleisten, wurde dieser Schritt in Zusammenarbeit mit Veterinärepidemiologen durchgeführt. Um eine objektive Bewertung des Modells zu gewährleisten, wurden die Daten außerdem in Trainings- und Testdaten unterteilt. Das Ziel dieser Trennung ist es, das Modell anhand eines Teils der Daten zu trainieren und seine Leistung anhand eines anderen, unbekannten Teils zu bewerten.

Spryfox entwickelte eine robuste Pipeline für maschinelles Lernen:

• Identifizierung relevanter Datenpunkte mit der größten Vorhersagekraft
• Training mehrerer Modelle und deren Kombination, um von ihren individuellen Stärken zu profitieren
• Erklärbare KI-Techniken (XAI) zur Gewährleistung von Transparenz und Vertrauen, damit Veterinärexperten die Modellergebnisse validieren und verfeinern können

Es wurde darauf geachtet, dass die Verteilung wichtiger Merkmale wie Rasse, Alter und Vorerkrankungen in beiden Datensätzen ähnlich war, um Verzerrungen zu vermeiden. Eine gleichmäßige Verteilung dieser Merkmale ist entscheidend, um sicherzustellen, dass das Modell auf verschiedene Szenarien verallgemeinert werden kann und nicht nur auf bestimmte Untergruppen der Daten angepasst wird.

3. Trainieren und Evaluieren

Spryfox hat einen fortschrittlichen Trainings- und Bewertungsansatz implementiert:

• Die Daten wurden in verschiedene Zeitfenster unterteilt, wobei die vergangene Gesundheitsgeschichte (z. B. die ersten vier Lebensjahre eines Hundes) von zukünftigen Vorhersagezeiträumen (z. B. dem fünften Lebensjahr) getrennt wurde.
• Aus der Zeitachse jedes Hundes wurden mehrere Trainingsszenarien generiert, um den Datensatz zu erweitern und das Lernen zu verbessern.
• Es wurde eine Simulations-Engine entwickelt, die eine Vielzahl von Zukunftsszenarien vorhersagt.
• Es wurde eine Reihe von Modellen für maschinelles Lernen evaluiert. Für jedes der Modelle wurde eine Erklärbarkeitsschicht bereitgestellt, die es Tierärzten ermöglichte, die Entscheidungsfindung des Algorithmus nachzuvollziehen.
• Es wurden AUC-Werte verglichen. Das endgültige Modell erreichte einen AUC-Wert von 81 %, was im medizinischen Bereich eine beachtliche Leistung darstellt. Der Ansatz wurde durch eine Veröffentlichung in Nature Scientific Reports anerkannt (2).
• Patentierung des KI-Algorithmus

Diese Methodik ermöglichte es dem Modell, aus einem größeren Pool von Beispielen zu lernen, die Vorhersagegenauigkeit deutlich zu erhöhen und Vertrauen bei Tierärzten aufzubauen. Der erklärbare Ansatz stellte sicher, dass die KI-gestützten Erkenntnisse medizinisch aussagekräftig und wissenschaftlich fundiert waren.

Das beste Modell erreichte einen AUC-Wert von 81 %, was eine starke Vorhersagekraft und Zuverlässigkeit für den Einsatz in der Praxis widerspiegelt.

4. KI-Implementierung

Spryfox setzte das Modell für reale Vorhersagen unter Verwendung einer Reihe von Tools und Ansätzen ein, die eine sehr schnelle Umsetzung vom Prototyp bis zur Produktion ermöglichten. Dazu gehörten:

• Automatisierte Infrastruktur für KI-Modelle
• Kontinuierliche Modellüberwachung, Drift- und Bias-Erkennung
• Umfangreiches Testframework zum Prüfen aller Edge Cases
• Der Ansatz von Spryfox trug dazu bei, dass innerhalb weniger Wochen vom Prototyp-Modell zu einem vollständig implementierten, skalierbaren, sicheren und robusten System übergegangen werden konnte, das in mehreren Anwendungen Einsatz fand.

1. Fetch Health Forecast: Ein externes Tool, mit dem Hundebesitzer personalisierte Gesundheitsberichte für ihre Haustiere erstellen können. Durch die Eingabe von Rasse, Alter und bekannten Gesundheitsproblemen erhalten Besitzer Risikoprognosen für Krankheiten über mehrere Jahre hinweg sowie maßgeschneiderte Empfehlungen zur Vorsorge.
2. Veterinary Portal: Eine professionelle Plattform, die Tierärzten hilft, rassenspezifische und krankheitsspezifische Daten abzurufen, um evidenzbasierte Gespräche mit Tierbesitzern zu unterstützen.
3. Interne Entscheidungsunterstützung: Die Vertriebs- und Serviceteams von Fetch erhalten Einblicke, um personalisierte Produktempfehlungen und proaktive Kundenbindung zu ermöglichen.
4. Der API-gesteuerte Ansatz ermöglicht es Fetch, kontinuierlich neue Dienstleistungen zu entwickeln und schnell auf sich ändernde Marktanforderungen und Kundenerwartungen zu reagieren.