Fallstudie: Fetch Pet Insurance verbessert Kundenbindung und Wachstum mit prädiktiver KI
Fetch Pet Insurance ist ein in den USA ansässiger Anbieter von Haustierversicherungen, der über 500,000 versicherte Hunde in den Vereinigten Staaten und Kanada betreut.
Angesichts eines schnell wachsenden Marktes für Haustierpflege, der bis 2032 voraussichtlich ein Volumen von 68,91 Milliarden US-Dollar erreichen wird (1), erkannte Fetch die Chance, die Kundenbindung und -bindung zu verbessern, indem es seinen Kunden personalisierte, datengestützte Gesundheitsinformationen für ihre geliebten Vierbeiner anbietet.
In enger Zusammenarbeit mit Spryfox entwickelte und lancierte Fetch erfolgreich den Fetch Health Forecast – eine innovative, KI-gestützte Online-Plattform, die es Tierhaltern ermöglicht, die zukünftige Gesundheit ihres Hundes vorherzusagen, die damit verbundenen Pflegekosten zu planen und proaktiv für das Wohlbefinden ihres Haustieres zu sorgen.
Die Chance und Herausforderung
Das Marktwachstum in diesem Sektor spiegelt nicht nur die steigende Zahl von Haustierbesitzern wider, sondern auch einen bedeutenden kulturellen Wandel: Haustiere werden zunehmend als Familienmitglieder betrachtet.1 Daher wollte sich Fetch durch das Angebot von Dienstleistungen differenzieren, die weit über den traditionellen Versicherungsschutz hinausgehen.
Fetch erkannte eine bedeutende Chance: die Umwandlung von 18 Jahren Versicherungs- und Gesundheitsdaten zu über 800.000 Hunden in proaktive, personalisierte Gesundheitsinformationen für Haustierbesitzer.
- Dies erforderte jedoch die Bewältigung komplexer Herausforderungen:
- Integration großer Mengen historischer Schadensfälle, rassenspezifischer Risiken und Umweltdaten
- Entwicklung zuverlässiger Vorhersagemodelle, die Verzerrungen vermeiden, interpretierbar bleiben und Vertrauen schaffen
- Schaffung einer flexiblen Technologie, die vielfältige Geschäftsanwendungen und Kundenerlebnisse unterstützt, jetzt und in Zukunft
- Eine skalierbare Lösung, die ein Wachstum der Daten- und Nutzerzahlen bewältigen kann und gleichzeitig Leistung und Genauigkeit gewährleistet
Die Lösung von Spryfox
Spryfox hat sich mit Fetch zusammengetan, um aus seinen umfangreichen Datenbeständen neuen geschäftlichen Mehrwert zu schöpfen. Dabei wurde ein Prognosetool entwickelt, das historische Versicherungsansprüche nutzt, um zukünftige Krankheitsrisiken bei Hunden vorherzusagen. So können Tierhaltern proaktive Empfehlungen und maßgeschneiderte Strategien zur Vorsorge angeboten werden.
Das Ergebnis war eine fortschrittliche KI-Lösung, die in der Lage ist, die Wahrscheinlichkeit von 48 verschiedenen Krankheitsgruppen für einzelne Hunde vorherzusagen.
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 Datentypen konsolidiert, darunter:
- Versicherungs- und Krankengeschichte: Vorerkrankungen, Häufigkeit von Versicherungsansprüchen und Zeit seit der letzten Erkrankung
- Rassespezifische Faktoren: Genetische Veranlagungen, Größe, Temperament und andere Rassemerkmale
- Umweltfaktoren: Klima, Demografie und sozioökonomische Daten basierend auf dem Standort
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. Diese 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 vorzubereiten, 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 hat eine robuste Pipeline für maschinelles Lernen entwickelt:
- 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 ist.
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 Testen 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 getestet werden konnte.
Reale Auswirkungen und Geschäftsergebnisse erzielen
Spryfox stellte sicher, dass die Vorhersagefunktionen von Fetch nicht auf einen einzigen Anwendungsfall beschränkt waren, sondern als flexible API entwickelt wurden, die vielfältige Geschäfts- und Kundenanwendungen ermöglicht:
- 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.
- Veterinary Portal: Eine professionelle Plattform, die Tierärzten hilft, rassenspezifische und krankheitsspezifische Daten abzurufen, um evidenzbasierte Gespräche mit Tierbesitzern zu unterstützen.
- Interne Entscheidungsunterstützung: Die Vertriebs- und Serviceteams von Fetch erhalten Einblicke, um personalisierte Produktempfehlungen und proaktive Kundenbindung zu ermöglichen.
- Dieser API-gesteuerte Ansatz ermöglicht es Fetch, kontinuierlich neue Dienstleistungen zu entwickeln und schnell auf sich ändernde Marktanforderungen und Kundenerwartungen zu reagieren.
Durch diese Zusammenarbeit mit Spryfox hat Fetch bedeutende Geschäftsergebnisse erzielt:
- Verbesserte Kundenbindung: Personalisierte Gesundheitsinformationen stärken die Loyalität und eröffnen neue Einnahmequellen über traditionelle Versicherungsprodukte hinaus.
- Neue Einnahmequellen: Die Entwicklung innovativer Produkte hat zusätzliche Einnahmen generiert.
- Branchenweite Anerkennung: Die wissenschaftliche Glaubwürdigkeit des KI-Modells wurde durch die Veröffentlichung in Nature Scientific Reports bestätigt, was den Ruf von Fetch als Brancheninnovator stärkt. Das Kernmodell ist durch zwei Patente geschützt.
Warum Spryfox?
Spryfox verbindet fundiertes Fachwissen und Erfahrung im Bereich KI-Engineering mit einer pragmatischen, geschäftsorientierten Denkweise. Das Unternehmen ist darauf spezialisiert, zukunftsorientierten Organisationen dabei zu helfen, komplexe Daten in umsetzbare Erkenntnisse und neue Wertströme zu verwandeln.
Der Erfolg mit Fetch verdeutlicht die Stärke von:
- Fundiertem Fachwissen der Gründer, die Analyse- und KI-Erfahrung mit ganzheitlichem Denken und praktischer Umsetzung verbinden, um eine erfolgreiche KI-Strategie und -Implementierung in großem Maßstab zu erreichen.
- Eine datenorientierte Denkweise und ein API-basierter Ansatz, der ein robustes Framework für anhaltenden Erfolg gewährleistet und agile und flexible Anwendungsfalltests ermöglicht.
- Ein einzigartiger Ansatz, der bewährtes geistiges Eigentum und Methoden für schnelles Prototyping und genaue Ergebnisse kombiniert.
- Eine langfristige, strategische Partnerschaft.
"Das Spryfox-Team ist seit 2020 ein unschätzbarer Partner für Fetch Pet Insurance. Es hat uns dabei geholfen, eine einzigartige Anwendung zu entwickeln, mit der Tierhalter die Gesundheit ihrer Haustiere wie nie zuvor überwachen können. Spryfox spielte eine entscheidende Rolle für den Erfolg dieses Projekts, von den frühen Phasen der Konzeptentwicklung bis hin zur Entwicklung des zum Patent angemeldeten Al-Berechnungsmodells. Das Spryfox-Team war maßgeblich an unseren gemeinsamen Bemühungen beteiligt und arbeitete nahtlos mit unseren Geschäfts-, Technik- und Designteams zusammen. Ihr Engagement und ihr Fachwissen haben wesentlich zu unserem gemeinsamen Erfolg beigetragen." - Karen Leever Chief Product Officer, Fetch Inc.
Verwandeln Sie Ihre Daten in Chancen mit Spryfox
Spryfox arbeitet mit zukunftsorientierten Unternehmen in datenintensiven Branchen zusammen, um Daten in neue Chancen zu verwandeln. Die Zusammenarbeit mit Fetch zeigt, wie eine intelligente Daten- und KI-Strategie verborgene Werte freisetzen kann.
Wenn Sie bereit sind, Ihre KI-Bereitschaft zu bewerten, Prognosen zu verbessern oder KI-gesteuerte Produkte zu entwickeln, kann Spryfox Ihnen dabei helfen. Kontaktieren Sie uns noch heute, um zu erfahren, wie Ihre Daten zu wirkungsvollen Lösungen beitragen können.
2 C. Debes, J. Wowra, S. Manzoor and A. Ruple, “Predicting health outcomes in dogs using insurance claims data”, Nature Scientific Reports, Vol 13, No 9122, 2023