MoneySuperMarket (MSM), die führende britische Preisvergleichsplattform für Finanzdienstleistungen, ist eine Partnerschaft mit Firemind um das Kundenerlebnis mit Hilfe von AI-gesteuerten Insights.
Durch den Einsatz eines Multi-Agenten-Orchestrierungs-Framework angetrieben durch Amazon Bedrock und Claude LLMsMSM erreicht 90% Genauigkeit bei datengesteuerten Insights und reduzierte die Antwortlatenz auf unter 30 Sekunden.
Die Lösung bietet den Nutzern transparente, personalisierte Erklärungen Die Lösung bietet den Nutzern transparente, personalisierte Erklärungen zu ihren Versicherungsangeboten, wodurch das Vertrauen gestärkt, die Zahl der Abbrüche verringert und ein neuer Standard für die Kundenbindung auf dem Vergleichsmarkt gesetzt wird.
Herausforderung
Der Markt für Preisvergleiche ist durch geringe Loyalität und hohe Preissensibilität gekennzeichnet: Die Kunden wechseln häufig zwischen den Plattformen, um das günstigste Angebot zu finden.
Das strategische Ziel von MSM bestand darin, das das Vertrauen der Nutzer und die Konvertierung von Angeboten indem erklärt wird warum eine Prämie so viel kostet. Allerdings standen dem mehrere Hindernisse im Weg:
- Fragmentierte und komplexe Datenquellen (Notierungen, MOT-Aufzeichnungen, Policen, Marktstatistiken).
- Mangelnde Transparenz bei der Preisgestaltung führt zur Verunsicherung der Nutzer.
- Lange Wartezeit bei der Erstellung maßgeschneiderter Insights.
- Der Bedarf an einer skalierbaren, wartungsarmen Lösung, die sich an verschiedene Versicherungsarten anpassen lässt.
Um wettbewerbsfähig zu bleiben, brauchte MSM einen Weg, um technische Daten in menschliche, kontextbezogene Insightzu verwandeln, die sofort und präzise geliefert werden.
Lösung
Firemind entwarf und implementierte ein GenAI-gestütztes Multi-Agenten-System das Live-Nutzer- und Marktdaten verarbeitet, um maßgeschneiderte Insurance Insights zu generieren.
Wesentliche Merkmale
- Multi-Agenten-Orchestrator: Koordiniert die KI-Agenten, die für die Angebotsanalyse, Statistiken und kontextbezogene Schlussfolgerungen zuständig sind.
- Datenbeschaffungsschicht: Integration mit MSM-APIs zur Vereinheitlichung von Fahrzeugdaten, Benutzerprofilen und Versicherungsangeboten.
- Integriert Retrieveal Augmented Generation (RAG): Für sicheren internen Datenzugriff
- LLM-Agenten auf Amazon Bedrock: Spezialisierte Agenten (z.B. Angebotsvergleich, Statistik, MOT-Analyse) denken unabhängig voneinander, bevor die Ergebnisse vereinheitlicht werden.
- Aggregator-Schicht: Liefert HTML-fertige, menschenähnliche Zusammenfassungen, die direkt in die MSM-Benutzeroberfläche passen.
Dieser Ansatz ermöglicht MSM die Bereitstellung personalisierte, erklärbare Insights in Sekundenschnelle zu liefern und damit die Art und Weise zu verändern, wie Kunden Versicherungsdaten interpretieren.
Die Umsetzung
Das Projekt wurde in zwei Phasen durchgeführt zwei Phasen:
- Kfz-Versicherung (Phase 1): Einrichtung der End-to-End-Agenten-Pipeline zur Analyse von Nutzerangeboten, MOT-Historie und Marktbenchmarks.
- Hausratversicherung (Phase 2): Anpassung der Arbeitsabläufe für die Bearbeitung von Immobiliendaten, Risikobewertung und regionalen Durchschnittswerten.
Der technische Aufbau umfasste:
- APIs für Datenabruf in Echtzeit und KI-Analyse.
- Parallele Dateneingabe für Effizienz und Fehlertoleranz.
- Bereitstellung über Terraform und GitHub-Aktionenzur Gewährleistung reproduzierbarer Umgebungen.
Durchschnittliche Gesamt-Latenzzeit: 20-30 Sekundeneinschließlich vollständiger Datenabfrage und LLM-Schlussfolgerungen.
Jede Sitzung rief bis zu vier Agentenauf, die jeweils auf konsistente, temperaturarme Ergebnisse und minimale Halluzinationen abgestimmt waren.
Die Ergebnisse
- Quantifizierbare Ergebnisse
- 90%ige Genauigkeit bei der Zusammenführung und Analyse von Daten aus mehreren Quellen.
- Bis zu 30 % schnellere Insight im Vergleich zu herkömmlichen Daten-Workflows.
- 100%ige Übereinstimmung mit den MSM-Inhaltsstandards durch strukturierte Output-Validierung.
- 20-30 Sekunden Gesamtlatenzzeit, was ein Feedback an die Kunden nahezu in Echtzeit ermöglicht.
- Auswirkungen auf die Kundenerfahrung
- Transparente Aufschlüsselungen zur Erläuterung der Versicherungstarife in natürlicher Sprache.
- Klare, datengestützte Empfehlungen wie z. B.: "Ihre Prämie liegt unter dem Durchschnitt für Ihre Region und Altersgruppe. Durch die Erhöhung Ihrer freiwilligen Selbstbeteiligung können Sie 50 £ sparen."
- Das Vertrauen der Nutzer wird gestärkt und ihre Bindung an die Website erhöht, so dass weniger Vergleiche mit Wettbewerbern angestellt werden müssen.
- Operative Vorteile
- Geringerer Zeitaufwand für die manuelle Datenanalyse und -validierung.
- Skalierbare Infrastruktur, die sowohl Kfz- als auch Hausratversicherungen unterstützt - mit möglicher Erweiterung auf Reise- und Haustierversicherungen.
- Integrierte Leistungsverfolgung über DynamoDB und CloudWatch zur laufenden Optimierung.
Schlussfolgerung und wichtige Erkenntnisse
Fireminds Zusammenarbeit mit MoneySuperMarket demonstriert die Leistungsfähigkeit von KI-Agenten und GenAI-Orchestrierung zur Verbesserung der Kundenbindung und Transparenz.
Vertrauen fördert die Konversion
Geschwindigkeit und Skalierbarkeit sind wichtig
Modulare AI-Workflows
Dieses Projekt hat den Grundstein für die Zukunft von MSM gelegt intelligenten, erklärbaren Preisvergleichenin dem fortschrittliche KI mit einer kundenorientierten Philosophie kombiniert wird.
