Hinweise auf neue Services oder Produkte und Erinnerungen für Besucher einer Webseite sind Dienste, die man aus dem Einzelhandel kennt. Webseiten einer Versicherung werden vergleichsweise selten besucht. Als Konsequenz steht dort nur eine geringe Datenmenge für Analysen zur Verfügung. Generische Analytics-Modelle nutzen hier wenig. Stattdessen kommen neben Regelwerken kamen hierfür auch speziell entwickelte Advanced-Analytics-Modelle zum Einsatz.

Die Herausforderung unseres Kunden: Interessenten, die das erste Mal seine Webseite besuchten, sollten sofort passende Produkte oder Services empfohlen werden.
Der Service unseres Kunden kann während der sogenannten „Offline-Phase“ Events beliebiger Eingangsquellen verfolgen, in Sessions gruppieren und in Nutzerprofilen anlegen. Eine prozess-, regel- und modellgestützte Recommendation-Engine erzeugt daraus Empfehlungen in Echtzeit („Next Best Action“ / „Next Best Offer“). Ein Cockpit (Dashboard) bietet einen schnellen Überblick über die Reports und hilft bei der Qualitätsmessung.

Die metafinanz hat den Kunden zum einen bei dem Architekturentwurf des neuen Services unterstützt. Wir haben außerdem zur Umsetzung inkl. Entwicklung des Machine-Learning-Moduls und dem Aufbau einer DevOps-Infrastruktur beigetragen.

Unser Kunde plant, eine KI-gestützte Service-Plattform (AIaaS) zur flexiblen Umsetzung vielfältiger Anwendungen aufzubauen. Im Backend besteht die Lösung im Kern aus einer über BPMN steuerbare Workflow Engine zur Orchestrierung von Microservices. Des Weiteren sollen regelbasierte Decision Engines zum Einsatz kommen sowie zukünftige Nutzerschnittstellen um Chatbots angereichert werden können.

Am Beispiel einer konkreten ersten Anwendung wurde die Eignung von einem um weitere Funktionalitäten und Dienste erweiterten Camunda-Framework im Bezug auf die definierten Anforderungen praktisch evaluiert – und für vielversprechend erachtet.