Frequently Asked Questions

Wij bieden een Exploratory Data Analysis (EDA). Deze EDA omvat het verzamelen van geanonimiseerde data, het verwerken en opschonen ervan, het uitvoeren van beschrijvende portefeuille-analyses en het uitvoeren van een automated feature engineering, ML model building en model evaluatie proces. Dit helpt u en ons de beste AI-oplossingen voor uw bedrijf te identificeren. Kijk op de pagina Start vandaag.

Ja, wij zorgen ervoor dat alle data veilig wordt gehost in geïsoleerde containers in de Azure Cloud. Bovendien wordt alleen geanonimiseerde data gebruikt. Wij voldoen aan de hoogste security standaarden van de Cronos Groep.

We hebben een beperkte set geanonimiseerde data nodig, die via een data dump of via onze partners kan worden verstrekt

Het EDA-proces duurt doorgaans een week, afhankelijk van de complexiteit en het volume van de verstrekte data.

De EDA is beschikbaar voor een vast tarief van €3.000 tot €8.000, afhankelijk van de omvang en vereisten van uw analyse.

Hoe garanderen jullie de nauwkeurigheid van jullie AI-modellen?
We gebruiken geautomatiseerde functieselectie, trainen meer dan 10 ML-modellen en voeren geautomatiseerde kruisvalidaties uit om de nauwkeurigheid en betrouwbaarheid van onze voorspellingen te garanderen.

Voordelen zijn onder andere vermindering van royement (churn), verhoging van polisdichtheid, verbetering van effectiviteit van adviseurs, operationele efficiëntie, en naleving van regelgeving (zorgplicht).

Wij koppelen met alle bekende back-end datasystemen zoals ANVA en CCS en en integreren voorspellingen naadloos in front-end applicaties via API’s. Wij bieden een volledige integratie met Insurancedata.

Human in the loop' verwijst naar onze aanpak om uw werknemers te ondersteunen in plaats van te vervangen door AI. Het zorgt ervoor dat automatisering in balans is met menselijk toezicht en interactie waar nodig.

Ja, onze AI Engine is ontworpen om te helpen hoge normen van klantenservice en naleving van de regelgeving te handhaven door schaalbare, geïnformeerde interacties met klanten te bieden.

We bieden uitgebreide ondersteuning tijdens het integratieproces en doorlopende ondersteuning om de continue effectiviteit van onze AI-oplossingen te garanderen.

Absoluut, onze AI Engine is modulair en kan worden aangepast aan de unieke vereisten van uw bedrijf.

Wij houden ons strikt aan de regelgeving inzake gegevensprivacy en zorgen ervoor dat alle data wordt geanonimiseerd en veilig wordt behandeld gedurende het hele proces.

Onze exclusieve focus op de verzekeringssector, gecombineerd met onze diepgaande kennis van AI én van de verzekeringsdynamiek, wordt gecombineerd met strategische partnerschappen. Dit zorgt ervoor dat onze AI-oplossingen specifiek zijn ontworpen om tegemoet te komen aan de unieke uitdagingen en kansen in de verzekeringsindustrie.

Ja, wij voldoen aan de AVG en andere internationale gegevensbeschermingsregels, en zorgen ervoor dat al onze dataverwerkingspraktijken voldoen aan de hoogste normen van privacy en veiligheid.

Wij hebben strikte toegangscontroles en audit trails om datagebruik te monitoren. Alleen geautoriseerd personeel heeft toegang tot uw data en alle activiteiten worden gelogd en gecontroleerd om misbruik te voorkomen

Na voltooiing van de EDA zorgen wij ervoor dat alle geanonimiseerde data ofwel veilig wordt gearchiveerd of verwijderd volgens uw voorkeuren en regelgeving.

Op basis van de inzichten uit de EDA adviseren wij u vrijblijvend en zonder bijkomende kosten over een AI roadmap. Samen met u selecteren wij specifieke modules die het beste aansluiten bij uw bedrijfsbehoeften.

Predictions as a service (PraaS) is een vorm van dienstverlening waarbij Onesurance continu voor de operatie direct bruikbare voorspellingen levert op basis van uw data, zonder dat u de onderliggende infrastructuur of modellen hoeft te beheren. Deze complete en volledige dienstverlening ontzorgt u als klant en legt geen beslag op ICT capaciteit.

• Predictions as a Service (PraaS) refers to a cloud-based service that provides predictive analytics capabilities to businesses. By leveraging advanced machine learning models and algorithms, PraaS allows companies to make data-driven predictions without the need for extensive in-house data science expertise or infrastructure. Users can input their data into the service, which then processes the data and generates predictions, insights, and recommendations.

• Benefits of PraaS for the Client are:

Cost Efficiency: 

• Reduced Infrastructure Costs: Clients do not need to invest in expensive hardware and software for predictive analytics.
• No Need for In-House Expertise: Eliminates the need to hire and maintain a team of data scientists, which can be costly and resource-intensive.

Scalabilty

• On-Demand Resources: PraaS can scale resources up or down based on the client's needs, allowing for flexibility in handling varying data volumes and computational requirements.
• Pay-as-You-Go: Clients only pay for the resources they use, making it a cost-effective solution for businesses of all sizes.

Speed and efficiency

• Fast Deployment: PraaS solutions can be quickly implemented, allowing clients to start generating predictions and insights in a short time frame.
• Real-Time Predictions: we offer real-time or near-real-time predictions, enabling clients to make timely and informed decisions.

Advanced analytics

• Access to Cutting-Edge Technology: Clients benefit from the latest machine learning models and algorithms, continuously updated and maintained by Onesurance.
• Comprehensive Insights: PraaS can provide deep insights and uncover hidden patterns in data that might be missed with traditional analytics methods.

Focus on core business

• Streamlined Operations: By outsourcing predictive analytics, clients can focus on their core business activities and strategic initiatives.
• Enhanced Decision-Making: With accurate and reliable predictions, clients can make better-informed decisions that drive business growth and efficiency.

Security and compliance

• Secure Environment: PraaS providers typically offer robust security measures to protect sensitive data.
• Compliance: We ensure that services comply with industry standards and regulations, which is particularly important for sectors such as finance and insurance.

Voorspellingen worden geleverd via API's direct in uw bestaande front-end applicaties, waardoor naadloze integratie en onmiddellijke bruikbaarheid mogelijk zijn.

Ja, als onderdeel van onze dienst bieden wij een demo- of pilotfase waarin u operationele voorbeelden kunt zien van hoe onze voorspellingen uw bedrijf kunnen helpen. Dit helpt u een weloverwogen beslissing te nemen over de volledige implementatie van onze PraaS-oplossing.

• Onze strategie is om partnerschappen aan te gaan met klanten en toonaangevende verzekeringsmaatschappijen om verzekerings-AI-oplossingen op schaal te bieden. Om dit te realiseren, hebben we een gestandaardiseerd datamodel ontworpen en ontwikkeld, bekend als het "Onesurance datamodel", dat de basis vormt voor het trainen van onze AI-modules op schaal.
• De minimale data-eisen van het Onesurance datamodel zijn ontworpen om alleen basispolisdata te gebruiken, omdat deze data doorgaans van hoge kwaliteit is en altijd consistent beschikbaar is in een volwassen verzekeringsmaatschappij. Als dergelijke basispolisdata onnauwkeurig zou zijn, zou het bijna onmogelijk zijn voor een verzekeringsmaatschappij om operationeel te functioneren. Dit zou resulteren in onjuiste polissen voor klanten of onjuiste facturering, wat de basis is van een goed functionerende verzekeringsmaatschappij. Onze AI-modules zijn ontworpen om alleen deze basisdata te vereisen, zodat we onmiddellijk waarde kunnen toevoegen met AI en geen tijdrovend datacleaning-project vooraf nodig hebben.
• Naast de minimale data-eisen kan het Onesurance datamodel vele extra databronnen beheren, zoals: klantgegevens, schadebehandelingsdata, gedetailleerde productdata, klantcontactgegevens, medewerkersdata en externe databronnen. In het algemeen geven we de voorkeur aan het opnemen van zoveel mogelijk data, onder de belangrijke voorwaarde dat deze data van voldoende kwaliteit is.
• Bovendien hebben we de processen van datacleaning, datacontrole en datatransformatie geautomatiseerd, door gebruik te maken van onze diepgaande kennis van verzekeringsdatastellen om nauwkeurigheid en efficiëntie te waarborgen.
• Bij het aansluiten van een nieuwe klant of partner identificeert onze 'geautomatiseerde datakwaliteitscontrole' welke databronnen en bijbehorende kolommen van voldoende kwaliteit zijn (d.w.z. groene vlag) voor AI-module-inname, en welke niet (d.w.z. gele/rode vlag). Vervolgens passen we onze 'gestandaardiseerde datacleaningtools' toe om de gegevensset uit te breiden met data die gereinigd moeten worden. Optioneel kunnen we een algehele conclusie geven over de datakwaliteit en advies geven voor toekomstige verbeteringen van de datakwaliteit.
• In Nederland hebben we een succesvolle samenwerking gerealiseerd met InsuranceData, een bedrijf opgericht door het accountancy- en auditbedrijf SVC Groep (lid van de International PIA Group). SVC/InsuranceData bedient 70%-80% van de grote makelaars in Nederland, waardoor zij een belangrijke speler in de sector zijn. Zie ook Onesurance en InsuranceData Partnerschap.
• InsuranceData integreert en standaardiseert data van de meest gebruikte back-office systemen in hun Business Intelligence (BI) platform. Deze integratiemogelijkheid maakt hen een logische en preferente partner voor data-integratie. Gebaseerd op onze ervaring en visie geloven we dat snelgroeiende makelaars in de M&A-sector altijd een BI-platform nodig hebben om realtime data beschikbaar te hebben. Aangezien InsuranceData zich richt op descriptieve en diagnostische analytics, kunnen we een synergetisch partnerschap realiseren met dergelijke BI-platforms, waarbij wij voorspellende en prescriptieve analytics toevoegen.
• Hoewel we de voorkeur geven aan het opnemen van data met behulp van het Onesurance datamodel, erkennen we dat dit niet altijd mogelijk is. Tot op heden hebben we met succes meerdere verschillende datasets geïntegreerd door datatransformaties uitgevoerd door het Onesurance-team, in samenwerking met de (dataleverancier van de) klant. Hoewel het zelf transformeren van de data de doorlooptijd kan verlengen, zijn we natuurlijk volledig in staat om verschillende datasets te gebruiken om onze modellen te voeden.

• Zoals blijkt uit ons werk met InsuranceData, zijn we goed uitgerust om integraties te beheren en te overzien. Integreren van algoritmen is een van onze kerncompetenties, naast het ontwerpen, bouwen en beheren ervan.
• De haalbaarheid van elke integratie hangt af van de omvang van de markt en de bijbehorende voordelen en nadelen. Integraties met Agency Management-platforms kunnen aanzienlijke voordelen opleveren voor zowel de klant als het platform, door een concurrentievoordeel te bieden zonder dat het platform een eigen data science-team hoeft op te zetten. Bovendien kunnen dergelijke integraties de effectiviteit van de data van het platform verbeteren, waardoor de algehele waarde toeneemt.

• Onze voorkeur gaat uit naar het ontvangen van data in het Onesurance datamodel, dat een relatief eenvoudig model is dat bestaat uit basispolisdata.
• We begrijpen echter dat dit niet altijd haalbaar is voor alle klanten. Voor gangbare dataformaten hebben we standaard dataconnectors ontwikkeld waarmee we automatisch de data kunnen reinigen en omzetten voor onze klanten. Deze mogelijkheid strekt zich uit tot gangbare Europese of Amerikaanse dataformaten, zodat klanten het werk niet zelf hoeven te doen.
• Bovendien heeft ons team van data-experts gemiddeld meer dan 10 jaar ervaring op het gebied van data science, machine learning en AI. Ze zijn dan ook bijzonder vertrouwd met en comfortabel met het proces van het verzamelen van 'exotische' datasets en het omzetten en rationaliseren ervan in een bruikbare dataset voor trainingsdoeleinden, indien nodig.

• Het bieden van veilige en ethische oplossingen is een van onze kernwaarden, en deze toewijding komt tot uiting in onze uitgebreide informatiebeveiligingsbeleid. Deze beleidsregels zorgen voor naleving van alle huidige EU-regelgeving, waaraan we wettelijk verplicht zijn te voldoen.
• We maken deel uit van de Cronos Group, het grootste ICT-bedrijf in België, met meer dan 11.000 medewerkers. Als zodanig voldoen we aan hun strenge veiligheidsnormen.
• Naleving is voor ons geen optie, en om de veiligheid van de gegevens van onze klanten te waarborgen, heeft Onesurance momenteel een Data Protection Officer (DPO) in dienst. We zijn van plan deze persoon op korte termijn te certificeren als Chief Information Security Officer (CISO).
• Wat ethische overwegingen betreft, hebben we samengewerkt met Brush-AI tijdens de ontwikkeling van onze voorspellende modellen. Brush-AI, ook onder de Cronos-vleugel, richt zich op de ethische implementatie van AI-modellen. Ze hebben ons geholpen bij het opbouwen van een raamwerk om een ethische benadering te waarborgen. Dit Ethisch Raamwerk omvat een analyse van de ethische risico's die het gebruik van een AI-model met zich mee kan brengen, wat is geïntegreerd in de ontwerpfase.
• De oprichter van Brush-AI werd onlangs uitgeroepen tot Responsible AI Leader of the Year, en Nederland werd recentelijk geselecteerd als het beste land ter wereld op het gebied van Responsible AI.
• Onze klanten voelen zich echter het meest comfortabel omdat we alleen de noodzakelijke geanonimiseerde data ophalen en vermijden om Persoonsgegevens (PII) of andere gevoelige gegevens te benaderen, tenzij absoluut noodzakelijk.

Momenteel gebruiken we geen generative AI omdat deze specifieke tak van AI weinig bruikbaarheid heeft voor onze huidige use cases. Het combineren van andere takken van AI is beter geschikt voor onze huidige toepassingen.

• Onze AI-oplossingen zijn zeer innovatief, omdat ze zijn ontworpen om de unieke uitdagingen en kansen in de verzekeringssector aan te pakken. Niet als een enkel project, maar als een schaalbaar en betaalbaar product met een ongekend snelle tijd tot waarde. Onze oplossingen maken gebruik van de beschikbaarheid van basisdata voor middelgrote makelaars, niet alleen voor grote carriers, terwijl ze volledig voldoen aan de huidige en toekomstige AI-regelgeving.
• Ons team blijft de toepassingen van generative AI verkennen en zal het introduceren wanneer het extra waarde kan bieden voor onze klanten.
• Dit perspectief wordt ondersteund door bekende ICT-adviesbureaus zoals Gartner. Wij geloven dat specifieke AI meer waarde heeft in de verzekeringssector omdat het precisie, betrouwbaarheid en transparantie biedt - kwaliteiten die generative AI momenteel niet biedt.

Wat zegt Gartner:

• De hype rondom generative AI kan leiden tot het gebruik van de technologie op plekken waar deze niet goed past, wat het risico van hogere complexiteit en mislukking van projecten vergroot. • Te veel focussen op GenAI kan leiden tot het negeren van het bredere scala aan alternatieve en meer gevestigde AI-technieken, die beter passen bij de meeste potentiële AI-use cases.
• Beoordeel je use case ten opzichte van de relevante use case-familie. GenAI is:

• Zeer nuttig: Contentgeneratie, conversatie-interfaces, kennisontdekking
• Enigszins nuttig: Segmentatie/classificatie, aanbevelingssystemen, perceptie, intelligente automatisering, anomaliedetectie-monitoring
• Weinig nuttig: Voorspelling/forecasting, planning, besluitvorming-intelligentie, autonome systemen
• GenAI kan ook een slechte match zijn voor je use case als de risico's die ermee gepaard gaan onaanvaardbaar zijn en niet effectief kunnen worden gemitigeerd. Deze omvatten onbetrouwbare output, gegevensprivacy, intellectueel eigendom, aansprakelijkheid, cybersecurity en naleving van regelgeving, al dan niet in combinatie met elkaar.

• Je kunt meer lezen over onze visie op AI op onze website: In de context van de verzekeringssector, waar precisie, betrouwbaarheid en transparantie van groot belang zijn, komt specifieke AI als de superieure keuze naar voren. Dit is waarom:

• Op maat gemaakte Expertise: Specifieke AI blinkt uit in specifieke taken met een hoge mate van nauwkeurigheid en expertise. In de verzekeringssector, waar taken variëren van churn-voorspelling tot klantsegmentatie, zorgt op maat gemaakte expertise voor optimale prestaties.
• Transparantie: Transparantie is cruciaal in de verzekeringssector, waar beslissingen directe impact hebben op het leven en de financiële gezondheid van individuen. Specifieke AI biedt transparantie, zodat gebruikers begrijpen hoe beslissingen worden genomen en inzicht krijgen in de onderliggende algoritmen, wat vertrouwen opbouwt bij belanghebbenden.
• Aanpassing: In tegenstelling tot brede AI-benaderingen kan specifieke AI worden getraind op domeinspecifieke data, waardoor het sterk aanpasbaar is aan de unieke behoeften en uitdagingen van de verzekeringsbranche. Door gebruik te maken van branchespecifieke datasets kunnen modellen worden verfijnd om nauwkeurige resultaten te leveren, wat leidt tot verbeterde besluitvorming en resultaten.
• Betrouwbaarheid en Nauwkeurigheid: Specifieke AI-modellen worden ontwikkeld en getraind met een smalle focus, wat resulteert in hogere betrouwbaarheid en nauwkeurigheid in vergelijking met algemene AI-benaderingen. In de verzekeringssector, waar beslissingen aanzienlijke financiële gevolgen hebben, is de mogelijkheid om te vertrouwen op nauwkeurige voorspellingen cruciaal voor het succes van het bedrijf en klanttevredenheid.
• Schaalbaarheid en Efficiëntie: Specifieke AI-oplossingen zijn geoptimaliseerd voor efficiëntie, waardoor verzekeraars hun processen effectief kunnen stroomlijnen en opschalen. Door repetitieve taken te automatiseren en workflows te optimaliseren, kunnen verzekeraars de productiviteit verbeteren, kosten verlagen en de algehele bedrijfsvoering verbeteren.

• Om de nauwkeurigheid van onze voorspellingen te bewijzen, maken we gebruik van verschillende rigoureuze methoden. Cross-validatie is een statistische methode die we gebruiken om de prestaties van machine learning-modellen te evalueren. Dit houdt in dat we de data opdelen in subsets, het model trainen op enkele subsets en het valideren op de overige subsets. Bijvoorbeeld: we gebruiken een dataset van 5 jaar polisdata. We splitsen de data in twee subsets: we trainen het model op de subset van de eerste 4 jaar en valideren het op de subset van het laatste jaar.
• Deze aanpak stelt ons in staat om te demonstreren dat als we nauwkeurig churn kunnen voorspellen op een dataset die het model nog niet eerder heeft gezien, we ook accurate voorspellingen voor de toekomst kunnen maken. We verstrekken aan onze klanten de voorspellingen als bewijs van de nauwkeurigheid van elk model.
• We gebruiken veelgebruikte nauwkeurigheidsmetingen om de prestaties van onze machine learning-modellen te evalueren. We gebruiken maatstaven zoals precisie en recall om de nauwkeurigheid van de voorspellingen te kwantificeren die door onze machine learning-modellen worden gegenereerd.
• We complementeren deze maatstaven met aanvullende metrics om de zakelijke waarde te meten. Bijvoorbeeld, we simuleren hoeveel churn we hadden kunnen voorkomen als we de top x% hoogste risico-klanten hadden benaderd door te controleren of de klanten die we voorspelden te zullen churnen dit daadwerkelijk deden.
• Tijdens de operatie voeren we A/B-tests uit, ook bekend als split testing of bucket testing. We benchmarken de prestaties voor beide typen metrics door de huidige methode die door onze klanten wordt gebruikt te simuleren en te zien hoe deze presteert in termen van beide typen metrics. Op deze manier kunnen we de toegevoegde waarde meten die onze machine learning-modellen bieden. A/B-testing is een krachtige methode om datagestuurde beslissingen te nemen en gebruikerservaringen te optimaliseren door verschillende versies te vergelijken en de versie te kiezen die betere resultaten oplevert. Het is belangrijk om de test gedurende een voldoende periode uit te voeren om rekening te houden met variaties in gebruikersgedrag over tijd en om voldoende data te verzamelen om statistische significantie te bereiken.

• We kunnen nauwkeurige voorspellingen maken voor klanten met slechts 50.000 observaties. Bij onze klanten zien we doorgaans een gemiddelde van 200.000 tot 500.000 observaties, en we behalen over het algemeen betere nauwkeurigheid bij klanten die meer data hebben. Echter, zelfs met 50.000 observaties kunnen we bruikbare resultaten behalen.
• We combineren geen data van al onze klanten voor trainingsdoeleinden, omdat elk klantenportfolio verschillende marktdynamieken en klanttypes heeft. We ontdekken dat trainen op specifieke data van elk klantenportfolio, in plaats van op geaggregeerde data van alle klanten, betere resultaten oplevert.
• Bovendien willen onze klanten doorgaans niet dat hun data wordt gebruikt ten behoeve van hun concurrenten. Daarom handhaven we strikte datascheiding tussen de datasets van klanten in de Azure-cloud.
• We testen echter met nieuwe technieken zoals federated learning en het gebruik van synthetische data om te profiteren van kleine en middelgrote brokers. Synthetische data zijn kunstmatig gegenereerde data die echte data nabootst maar niet direct afkomstig is van werkelijke gebeurtenissen of transacties. Het wordt gecreëerd met behulp van algoritmen en simulaties en kan worden gebruikt voor verschillende doeleinden in machine learning, data-analyse en softwaretesten. Federated learning is een techniek die zich richt op samenwerkingsmatig leren van meerdere gedecentraliseerde datasets om één wereldwijd (voorgetraind) AI-model te creëren. We geloven dat dit een interessant aandachtspunt kan zijn voor gezamenlijke innovatie in de samenwerking tussen MarshBerry en Onesurance.

• We hebben robuuste after-sales processen opgezet, waarbij we continu feedback verzamelen over zowel technische als gebruikservaringskwesties. Onze oplossingen zijn ontworpen om het aantal interactiepunten dat tot problemen kan leiden te minimaliseren. Wanneer er problemen optreden, hebben we consequent binnen een tijdsbestek van 24 uur kunnen reageren, en we verwachten dit serviceniveau in de nabije toekomst te handhaven.
• De meeste voorspellingen die we bieden zijn niet kritisch voor de operationele processen van de verzekering, behalve voor de AI Underwriting Agent. Voor dergelijke kritische voorspellingen hebben we strengere Service Level Agreements (SLA's) met onze klanten en directe terugvalmethoden om de continuïteit van deze kritische processen te waarborgen.
• Als er een significante toename is van het aantal eindgebruikers, hebben we verschillende strategieën om de extra werklast te beheren. Deze omvatten het verhogen van het personeelsbestand en mogelijk het uitbesteden van een deel van de klantenservice aan een betrouwbare implementatiepartner.
• Verder zijn we verheugd aan te kondigen dat we ons team hebben uitgebreid met een ervaren Customer Success-leider om ons onboarding- en partner- en klantensuccesproces verder op te schalen. Eerder dit jaar heeft zij een SaaS Award (saasawards.nl) gewonnen voor haar prestaties in haar huidige/voorgaande functie bij een grote fintech scale-up.

• Onze AI Engine heeft een modulaire opbouw, wat betekent dat onze software is ontworpen op een manier die kernfunctionaliteit scheidt van aanpasbare componenten. Deze modulaire architectuur vergemakkelijkt eenvoudigere updates en onderhoud zonder de op maat gemaakte functies te beïnvloeden.

• Kernmodules: Deze bevatten fundamentele functies en functionaliteiten die gemeenschappelijk zijn voor alle gebruikers, zoals churn-voorspellingen en klantlevensduurwaarde.
• Extensiemodules: Dit zijn aparte modules voor aangepaste functies die kunnen worden toegevoegd of verwijderd indien nodig.
• API's en Interfaces: Goed gedefinieerde API's en interfaces maken integratie en maatwerk mogelijk zonder het kernsysteem te wijzigen. • Momenteel wordt maatwerk voornamelijk bereikt door configuratie, wat gebruikers in staat stelt om het gedrag van de software te wijzigen via instellingen en opties in plaats van de codebasis te wijzigen. We kunnen configuratiebestanden (bijv. YAML) gebruiken om aanpasbare instellingen op te slaan, gebruiksvriendelijke beheerpaneeltjes te bieden waar gebruikers instellingen en voorkeuren kunnen aanpassen, en functieflags te implementeren om functies in of uit te schakelen op basis van configuratie-instellingen.
• • Deze aanpak zorgt ervoor dat al onze klanten hetzelfde product (de AI Engine) gebruiken, maar met verschillende instellingen die zijn afgestemd op hun behoeften (bijv. welke kostencomponenten zijn opgenomen in het berekenen van de Klantlevensduurwaarde). Door maatwerk te beperken tot configuratie, kunnen we gemakkelijk tientallen klanten per maand onboarden.
• • Bovendien hebben we een schaalbaarheidsplan dat indien nodig kan worden geïmplementeerd en effectieve versiecontrole- en branchstrategieën in systemen zoals Git helpen ons maatwerk efficiënt te beheren.

• Ons team bestaat uit ervaren universitair opgeleide econometristen en informatici. Gemiddeld hebben zij meer dan 10 jaar ervaring in het ontwerpen, bouwen en implementeren van statistische en wiskundige algoritmen voor economische data, en het omzetten van deze algoritmen naar schaalbare en configureerbare software. De kernleden van ons huidige team hebben dit de afgelopen jaren succesvol aangetoond voor bedrijven zoals Samsung (fabrikant), Coca-Cola (Europese partners), Basic-Fit (abonnement), Carrefour (FMCG-retail), Sligro (groothandel/detailhandel) en Corendon (reizen).
• We voeren grondige validatie en testen uit, zoals uiteengezet in vraag 6 (Nauwkeurigheid). We testen de output van de software rigoureus tegen bekende benchmarks en real-world data om de nauwkeurigheid te verifiëren. Elk onderdeel van de software wordt zowel afzonderlijk (unit testing) als gezamenlijk (integratietesten) getest om de juiste functionaliteit te waarborgen.
• We monitoren continu de prestaties van de software in real-world scenario's om eventuele onnauwkeurigheden te detecteren en te corrigeren. Robuuste feedbackmechanismen, zoals duim omhoog of omlaag beoordelingen om voorspellingen te kwalificeren, zijn ingesteld om gebruikers te ondersteunen bij het melden van problemen en het voorstellen van verbeteringen. • We houden de software up-to-date met de nieuwste data en algoritmen om de nauwkeurigheid en relevantie te behouden. Daarnaast monitoren we voor data- en modelverschuiving om kwalitatieve resultaten in de tijd te waarborgen. Dit omvat het regelmatig kalibreren van de parameters en algoritmen van de software op basis van nieuwe data en industriële trends.
• Te allen tijde kunnen we de huidige nauwkeurigheidsmetrics delen en beschikbaar stellen om vertrouwen te wekken en eventuele twijfels over de werkelijke prestaties van de modellen weg te nemen. • We bieden uitgebreide training aan klanten en consultants over hoe de software effectief te gebruiken en kunnen gedetailleerde documentatie ontwikkelen voor MarshBerry om gebruikers te helpen de functionaliteiten en outputs van de software te begrijpen. • Natuurlijk moeten we rekening houden met het feit dat een hulpmiddel bedoeld is om de consultant en adviseur te ondersteunen. We automatiseren waar mogelijk, maar behouden de menselijke touch waar nodig—een concept dat we "human in the loop" noemen.

Wij werken met een vast bedrag per maand zonder bijkomende kosten. De tarieven van de modules varieren afhankelijk van de grootte van de portefeuille, de aanleverfrequentie e.d. en starten van €550,- per maand.