Die Vielfalt und Undurchsichtigkeit von Produkten macht es den Versicherungsnehmenden schwer, sich für ein Angebot zu entscheiden. Die Anbieter gestalten ihre Leistungen möglichst so, dass sie nicht vergleichbar sind, und kombinieren sie in unterschiedlichen Servicepaketen. Comparis sucht nach neuen Wegen, um die Kunden bei der Auswahl der Versicherung zu unterstützen. Sie sollen sich nicht allein auf Produktinformationen verlassen müssen, sondern aufgrund ihres Anwenderprofils Empfehlungen für geeignete Produkte erhalten.
Zühlke evaluiert das Potenzial von Datengetriebenen Ansätzen für die Optimierung der Customer Journey. Mit latenter Klassenanalyse von historischen Anwenderdaten identifiziert das Team automatisch typische Muster bei der Auswahl einer Versicherung. Daraus ergeben sich klar abgegrenzte Typen von Versicherungsnehmern. Die identifizierten Klassen werden über einen selbstlernenden Random-Forest-Algorithmus mit den Anwenderprofilen verknüpft. Die so entwickelten Modelle liefern neue Erkenntnisse zum Verhalten der Anwender. Damit besitzt Comparis die Möglichkeit, den Kunden Informationen zur Verfügung stellen nach dem Schema: «Andere Versicherungsnehmende in einer ähnlichen Situation wählen mit einer Wahrscheinlichkeit von x, y oder z Prozent die Produkte A, B oder C.»