Оценка точности и производительности моделей машинного обучения для прогнозирования удовлетворенности клиентов страховой компании

В работе представлено исследование по прогнозированию удовлетворенности клиентов страховой компании на основе методов машинного обучения. Актуальность темы обусловлена высокой конкуренцией на страховом рынке и необходимостью удержания клиентов за счет повышения их удовлетворенности обслуживанием. Цель исследования – оценить точность и производительность моделей, способных предсказать уровень удовлетворенности клиента страховой услугой по данным о взаимодействии клиента с компанией. В качестве методов использованы алгоритмы классификации. Проведена оценка точности и производительности моделей на реальных данных опросов клиентов страховых компаний. Лучшими оказались ансамблевые методы – случайный лес и градиентный бустинг, продемонстрировавшие точность прогноза удовлетворенности до 85 %, существенно превосходя более простые модели. Показано, что градиентный бустинг позволяет учитывать нелинейные зависимости факторов, например, наличие эскалации обращения, и тем самым более точно выявлять «неудовлетворенных» клиентов. В настоящее время подобное прогнозирование в страховых компаниях либо не осуществляется, либо существенно опирается на случайные факторы. Это приводит либо к слишком частым жалобам, либо к низкой удовлетворенности клиентов с их последующим оттоком. Материалы статьи представляют практическую ценность для страховых организаций: внедрение разработанных моделей позволит оперативно идентифицировать клиентов с риском неудовлетворенности и обоснованно применять превентивные меры, например, дополнительные сервисные меры или компенсации для повышения их удовлетворенности.

1. Akhavan F., Hassannayebi E. A Hybrid Machine Learning with Process Analytics for Predicting Customer Experience in Online Insurance Services Industry. Decision Analytics Journal. 2024;11. https://doi.org/10.1016/j.dajour.2024.100452

2. Berrada Chakour O., Ettaoufik A., Aissaoui Kh., Maizate A. Artificial Intelligence Algorithms to Predict Customer Satisfaction: A Comparative Study. IAES International Journal of Artificial Intelligence. 2025;14(2):1654–1662. https://doi.org/10.11591/ijai.v14.i2.pp1654-1662

3. Рудакова П.А., Семенов Т.А., Сычугов А.А., Котов В.В. Определение уровня удовлетворенности клиента в call-центрах. Известия Тульского государственного университета. Технические науки. 2024;(10):346–352.

4. Airlangga G. Comparative Study of XGBoost, Random Forest, and Logistic Regression Models for Predicting Customer Interest in Vehicle Insurance. Sinkron: Jurnal Dan Penelitian Teknik Informatika. 2024;8(4):2542–2549. https://doi.org/10.33395/sinkron.v8i4.14194

5. Никифоров А.А. Разработка модуля распознавания эмоций разговора колл-центра с использованием рекуррентных искусственных нейронных сетей, для выявления нежелательного контента. Вестник науки. 2023;3(7):226–232.

6. Boozary P., Sheykhan S., GhorbanTanhaei H., Magazzino C. Enhancing Customer Retention with Machine Learning: A Comparative Analysis of Ensemble Models for Accurate Churn Prediction. International Journal of Information Management Data Insights. 2025;5(1). https://doi.org/10.1016/j.jjimei.2025.100331

7. Hossain M.Sh., Rahman M.F. Customer Sentiment Analysis and Prediction of Insurance Products' Reviews Using Machine Learning Approaches. FIIB Business Review. 2022;12(4):386–402. https://doi.org/10.1177/23197145221115793

8. Wang Z., Abolarin E., Wu K., et al. Beyond Charging Anxiety: An Explainable Approach to Understanding User Preferences of EV Charging Stations Using Review Data. [Preprint]. arXiv. URL: https://arxiv.org/abs/2507.03243 [Accessed 21st June 2025].

9. Wangkiat P., Polprasert Ch. Machine Learning Approach to Predict E-Commerce Customer Satisfaction Score. In: Proceedings of the 2023 8th International Conference on Business and Industrial Research (ICBIR), 18–19 May 2023, Bangkok, Thailand. IEEE; 2023. P. 1176–1181. https://doi.org/10.1109/ICBIR57571.2023.10147542

10. Zaghloul M., Barakat Sh., Rezk A. Predicting E-Commerce Customer Satisfaction: Traditional Machine Learning vs. Deep Learning Approaches. Journal of Retailing and Consumer Services. 2024;79. https://doi.org/10.1016/j.jretconser.2024.103865

11. Le H.-S., Huynh Do Th.-V., Nguyen M.H., et al. Predictive Model for Customer Satisfaction Analytics in E-Commerce Sector Using Machine Learning and Deep Learning. International Journal of Information Management Data Insights. 2024;4(2). https://doi.org/10.1016/j.jjimei.2024.100295

12. Izsak P., Berchansky M., Levy O. How to Train BERT with an Academic Budget. arXiv. URL: https://arxiv.org/abs/2104.07705 [Accessed 21st June 2025].