September 2022 – Januar 2025
Als Datenwissenschaftler bei der Zurich Insurance Group leitete ich Projekte mit Fokus auf Risikoanalyse und Konversionsoptimierung zur Kundensegmentierung. Ich entwickelte Propensity-Modelle für Produkte und Marketinganalysen und leitete NLP-Projekte, die signifikante Ergebnisse für das Unternehmen lieferten.
Entwicklung einer API mit Azure Function und Automatisierung von Prozessen mit Logic App zur Optimierung des Kundensupports.
Erstellung eines prädiktiven Modells zur Bewertung der Annahmewahrscheinlichkeit von Moderationsanfragen – Erhöhung der Genehmigungsquote um 50 %.
Verbesserung der Bot-Antworten mit detaillierten Berichten für Analysten zur Verbesserung ihrer Moderationen, wodurch die Bewertung der Plattform von „regulär“ auf „gut“ angehoben wurde.
Erfahrung in der effizienten Nutzung von Azure-Tools sowie im Aufbau skalierbarer APIs und Automatisierungs-Workflows gewonnen.
Werkzeuge: Python, Azure Function, Logic App, NLP-Techniken, prädiktive Analytik.
Entwicklung von Modellen zur Erkennung von Ansprüchen mit Subrogationspotenzial unter Verwendung von Text- und Strukturdaten zur Verbesserung der Entscheidungsfindung.
Bewältigung von Herausforderungen wie Datenqualität und Klassenungleichgewicht zur präzisen Identifizierung relevanter Fälle.
Ermöglichung einer jährlichen Rückgewinnung von rund 3 Millionen R$, durch Vermeidung nicht genutzter Rückforderungen.
Vertiefung von Kenntnissen in Datenbereinigung, Feature Engineering und der Handhabung unbalancierter Datensätze.
Werkzeuge: Python, Databricks, Techniken zur Datenbalance.
Entwicklung eines Entscheidungsbaum-Modells zur Segmentierung von Versicherungsnehmern nach Risikostufen zur Unterstützung von Preis- und Marketingstrategien.
Analyse einer komplexen Kombination aus strukturierten und externen Datenquellen wie sozioökonomischen Indikatoren und früherem Schadensverhalten.
Unterstützung bei der Reduzierung der Schadensrate um 7 % und Bereitstellung datenbasierter Erkenntnisse für Produktanpassungen.
Stärkung des Verständnisses für Interpretierbarkeit von Entscheidungsbäumen und Datenintegration.
Werkzeuge: Python, Databricks, Entscheidungsbaumanalyse.
Entwicklung von Modellen zur Vorhersage von Hit-Ratio (Konversionsrate nach Angebot) und Loss-Ratio (erwartete Schadensrate) zur Optimierung der Preisstrategien in der Kfz-Versicherung.
Aufbau eines Echtzeit-Monitoringsystems zur Erkennung von Konversionsanomalien, das dynamische Preisjustierungen ermöglicht.
Steigerung der Konversionen bei risikoarmen Kunden um 9 % und Reduktion bei Hochrisikokunden um 13 %, was die Portfoliobalance verbesserte.
Bewältigung der Herausforderungen bei granularen Verlustprognosen, mit aussagekräftigen Ergebnissen trotz kleiner Datenmengen.
Werkzeuge: Python, Power BI, Databricks, prädiktive Analytik.