Kundengeschichten
AXA Direct Assurance steigert seine Wachstumsrate und Mitarbeiterproduktivität mit MLOps
Xebia hilft dem französischen Versicherungsanbieter, die Preisoptimierung zu beschleunigen, indem es bewährte MLOps-Praktiken einrichtet und die Modellumschulung automatisiert.
Capabilities:
Partners:
Regions:
Industries:
Capabilities:
Partners:
Regions:
Industries:
AXA Direct Assurance ist eine Online-Niederlassung des globalen Versicherungsanbieters und Vermögensverwalters AXA. Direct Assurance konzentriert sich auf den französischen Markt und bietet Haus-, Fahrzeug-, Kranken- und Rechtsschutzversicherungen an.
Es wurde 1992 gegründet und hat sich stets bemüht, einfachere, schnellere, billigere und transparentere Versicherungen anzubieten. Ihre Mitarbeiter bieten täglich fachkundige, auf ihre Kunden zugeschnittene Rechtsberatung.
Direct Assurance benötigte aktuelle Preisprognosen, um die Konversionsraten ihrer Kunden für Hausratversicherungen aufrechtzuerhalten und gleichzeitig die Modellentwicklungszyklen zu verkürzen.
Warum
Xebia hat sich mit Direct Assurance zusammengetan, um die Umschulung von Modellen zu automatisieren und zu beschleunigen und bewährte MLOps-Verfahren einzuführen.
Was
Die beiden Organisationen arbeiteten zusammen, um eine reproduzierbare und nachvollziehbare Pipeline für das (Re-)Training von Preisoptimierungsmodellen für Hausratversicherungen auf der Databricks-Plattform zu erstellen und die Verfolgung von Experimenten sowie die Daten- und Modellversionierung mit MLflow einzurichten.
Wie
Das vorherige System
Das Data-Science-Team von AXA Direct Assurance ist für die Modellierung wettbewerbsfähiger Preise für seine Versicherungsprodukte verantwortlich. Der genaue Wert hängt von der Art des Kunden und des zu versichernden Objekts ab und wird mithilfe mehrerer Machine-Learning-Modelle berechnet. Auf dem hart umkämpften Versicherungsmarkt muss AXA seine Modelle häufig aktualisieren, um Änderungen der Markt- und Verhaltenstrends zu berücksichtigen. Wenn das Modell veraltet ist, kann die Preisgestaltung zu niedrig sein (wodurch die Einnahmen des Unternehmens sinken) oder zu hoch (wodurch das Risiko besteht, Kunden zu verlieren).
Direct Assurance möchte seine Preismodelle bis 2026 automatisieren und industrialisieren, um schneller auf Marktveränderungen reagieren zu können und Zeit für alle Teams der technischen Leitung (DT) zu sparen.
Der Repricing-Prozess, den die meisten DT-Teams derzeit anwenden, ist weitgehend manuell und arbeitsintensiv. Zwar gelingt es den Teams, die Modelle in die Produktion zu bringen, aber dies erfordert lange iterative Zyklen und viele Stunden, die damit verbracht werden, Fehler in Notebooks und Datenquellen zu identifizieren und zu beheben. Dieser Prozess führt auch zu Übergabeproblemen. Die Straffung dieses Prozesses würde es den Direct Assurance-Teams ermöglichen, Ressourcen für innovative Projekte freizusetzen.
Um Lücken in den aktuellen Arbeitsprozessen, Fähigkeiten und Technologien zu identifizieren, verschiedene Lösungen zu testen und die besten Praktiken festzulegen, die von allen Daten-DT-Teams befolgt werden können, startete AXA ein MLOps-Verbesserungsprojekt für sein Hausversicherungsteam.
Die neue Herangehensweise
Die Xebia-Berater Nelli Gofman und Jeroen Overschie haben sich mit den Fachleuten von Direct Assurance zusammengetan, um eine MLOps-Plattform für ihr Preisgestaltungsteam in der Hausratversicherung einzurichten. Um den aktuellen Prozess zu verbessern, haben sie drei Prioritäten gesetzt:
Code-Entwicklung und Qualität
- um die Robustheit des Codes mit den besten Codierungspraktiken und Tools zu verbessern. Die Umstellung von Jupyter-Notebooks auf Python-Code, der getestet werden kann und den die Mitarbeiter selbst verstehen und ausführen können, erhöht die Produktivität und minimiert Übergabeprobleme. Die Qualität wird durch die Einrichtung einer CI/CD-Pipeline sichergestellt, die Unit- und Integrationstests sowie Formatierungs- und Linting-Prüfungen ausführt.
2. Automatisierung der Codeausführung
- um eine automatische Codeausführung mit verbesserter Nachvollziehbarkeit, Transparenz und Rückverfolgbarkeit des Prozesses zu ermöglichen.
Das Team konzentrierte sich auf die Automatisierung des gesamten Prozesses, von der Datenerfassung bis hin zum endgültigen Produktionsmodell. Alle Datenextraktions- und Modelltrainings-Pipelines sind als Databricks-Aufträge implementiert und werden auf bestimmten Job-Clustern ausgeführt. Die Pipeline-Aufträge selbst werden über versionierte JSON-Dateien definiert, die eine automatische Replikation und Reparatur im Falle einer versehentlichen Zerstörung sowie eine Umgebungsverwaltung ermöglichen.
3. Daten-, Experiment- und Modellverfolgung
- zur automatischen Verfolgung von Daten und Modellversionen, um die Wiederverwendbarkeit und Reproduzierbarkeit von Ergebnissen zu erleichtern.
Nelli und Jeroen halfen Direct Assurance bei der Einrichtung der MLflow-Verfolgung und eines Arbeitsablaufs zur Datenversionierung. Jeder Databricks-Auftrag erhält eine eindeutige Kennung, die als Versions-ID an die Datenquellen weitergegeben, als Metadaten im MLflow-Experiment gespeichert und mit der Modellversion verbunden wird. Jedes Modell wird in der Modellregistrierung in MLflow protokolliert, was den einfachen Vergleich von Metriken zwischen verschiedenen Modellen ermöglicht und das beste Modell in die Produktionsumgebung bringt. Auf diese Weise kann das Datenteam verfolgen, wie sich verschiedene Änderungen an Modellparametern oder Daten auf die Leistung auswirken, und frühere Ergebnisse reproduzieren.
Abgesehen von den oben genannten Punkten war Direct Assurance ausdrücklich daran interessiert, die potenziellen Geschäftsgewinne zu messen, die eine automatische und häufigere Umschulung der Modelle bringen würde.
Die endgültigen Ergebnisse
Da die Modelle schnell neu trainiert werden können, kann AXA Direct Assurance jetzt viel schneller aktualisierte Preise anbieten. Die ersten Ergebnisse deuten darauf hin, dass AXA mit mehr Neukunden rechnen kann als bisher. Es wird erwartet, dass die Wachstumsrate für neue Kunden bei Verwendung des neuen Systems im Vergleich zum alten System um 33% steigt.
Es gibt auch klare Anzeichen dafür, dass AXA zusätzliche Produktivitätsgewinne erzielen kann, die sich aus den geschaffenen Best Practices und der Benutzerfreundlichkeit des neuen Systems ergeben. Während Senior Data Scientists systematisch schneller sind als Junior-Rollen, wird erwartet, dass beide Profile eine ähnliche Verbesserung erfahren werden. Es wird erwartet, dass die Zeit für die Aktualisierung von Modellen bei Junior-Profis um mindestens 28 % und bei Senior-Profis um 30 % sinkt, was bedeutet, dass alle von der neuen Struktur erheblich profitieren werden.
Wenn Sie mehr darüber erfahren möchten, wie Sie die Vorteile von MLOps in Ihrem Unternehmen nutzen können, lesen Sie unser
neueste Whitepaper zu diesem Thema
. Und wenn Sie glauben, dass Sie bereit sind, MLOps einzuführen, werfen Sie einen Blick auf unsere maßgeschneiderten Xebia Base MLOps Plattformen.
Contact