This report investigates the use of machine learning to predict customer churn in the insurance industry from a broker’s perspective. Given the high effort required to acquire new customers compared to retaining existing ones, minimizing customer churn is crucial. This study, conducted with Söderberg & Partners, aims to understand and predict customer churn using existing data. Machine learning models, including logistic regression, random forest, and gradient boosting, were developed and evaluated for their accuracy, precision, and recall. The results indicate that advanced models like XGBoost outperform simpler models in predicting churn with high accuracy and precision. This research also examines the economic impact of these models, demonstrating potential cost savings and improved customer retention strategies. The study highlights the ethical considerations in handling sensitive data, ensuring compliance with GDPR. This work provides valuable insights for the insurance sector, contributing to both academic knowledge and practical improvements in broker-client relationships and operational efficiency.

Denna rapport undersöker användningen av maskininlärning för att förutsäga kundavhopp i försäkringsbranschen från en förmedlares perspektiv. Med tanke på den höga insats som krävs för att skaffa nya kunder jämfört med att behålla befintliga, är det avgörande att minimera kundavhopp. Denna studie, genomförd tillsammans med Söderberg & Partners, syftar till att förstå och förutsäga kundavhopp med hjälp av befintlig data. Maskininlärningsmodeller, inklusive logistisk regression, random forest och gradient boosting, utvecklades och utvärderades för deras noggrannhet, precision och återkallelse. Resultaten visar att avancerade modeller som XGBoost överträffar enklare modeller i att förutsäga kundavhopp med hög noggrannhet och precision. Forskningen undersöker också den ekonomiska påverkan av dessa modeller och visar på potentiella kostnadsbesparingar och förbättrade strategier för kundbevarande. Studien belyser de etiska övervägandena vid hantering av känslig data och säkerställer efterlevnad av GDPR. Detta arbete ger värdefulla insikter för försäkringssektorn och bidrar till både akademisk kunskap och praktiska förbättringar i förmedlar-kundrelationer och operativ effektivitet.