Schöpfen Sie das volle Potenzial Ihrer Kundendaten aus!

Verwandeln Sie Kundendaten in Kundenwissen

Refining Smart Data unterstützt Unternehmen in zahlreichen datenbasierten Anwendungen. Der zugrundeliegende, zirkulierende Workflow führt in 9 Schritten von der konkreten Business Aufgabenstellung über die Umsetzung bis zum finalen Modell- und Methodencheck.

Mit zunehmender Digitalisierung gewinnen Unternehmen immer größere Datenmengen aus den unterschiedlichsten Quellen. Diese Daten müssen zunächst zentral zugänglich gemacht und miteinander verknüpft werden, damit sie im weiteren Prozess analysiert werden können. 


Bei der Modellierung kommen Methoden des Machine Learning (manchmal auch künstliche Intelligenz genannt) genauso zum Einsatz wie automatisierte A/B Tests in tausendfacher Ausführung.

Mit Hilfe dieser Modelle werden z.B. Marketingkampagnen gesteuert. Die Ergebnisse des Modells ermöglichen die qualitative Bewertung der Modelle und steigern die Effizienz der einzelnen Kanäle, Instrumente und Aktivitäten.


Die neuen Erkenntnisse werden aus dem Kampagnenmodell wieder ins Data Center eingespielt. So lässt sich der Refining Smart Data Prozess jederzeit erneut starten, optimiert dabei fortlaufend Ihren Datenbestand und steigert Ihre Produktivität.

Das bringt Ihnen die Zusammenarbeit
mit Corvendor:

Die bereinigten Daten aus internen und externen Quellen bilden das neue Zentrum Ihres Universums.

Durch die Integration neuer Technologien identifizieren Sie die beste Kampagne für jeden Kunden.

Sie erhalten wertvolle Informationen und Prognosen über das Kaufverhalten Ihrer Neu- oder Bestandskunden 

Durch datenbasierte, automatisierte Prozesse wird die Zusammenarbeit Ihres Marketings, Ihres Vertriebs und externer Agenturen wirkungsvoll optimiert.

Georg Zedlacher

Chief of Staff Marketing 
EMEA

Georg Zedlacher

Marketingleiter
Dell EMC

Wir haben die Firma Corvendor mit dem Aufbau eines EMEA Telemarketing Systems beauftragt, welches einen zentralen Bestandteil unseres strategischen Lead Generation-Frameworks von Dell Technologies in EMEA darstellt. Heute können wir an dieser Stelle nur von hervorragenden Ergebnissen sprechen. Dieses System ermöglicht es uns, strukturiert Leads von IT Projekten an den Vertrieb weiterzuleiten. Es unterstützt uns beider allgemeinen Projektplanung und der Steuerung von Agenturen. Wir können damit Segmentierungen vornehmen und auf dieser Basis konkrete Voraussagen über die Anzahl der Leads und der Marketing Pipeline treffen.


Aufgrund von fehlenden eigenen Ressourcen sowie Erfahrungen in diesem speziellen Bereich wandten wir uns vertrauensvoll an Corvendor. Die Herangehensweise dieses Unternehmens ist sehr strukturiert und vor allem abteilungsübergreifend, was sich besonders positiv auf unsere Ergebnisse ausgewirkt hat. Nach 6 Monaten der Zusammenarbeit erfolgte die Kalibrierung des Ist-Zustandes und nachfolgend die Implementierung der entwickelten Prozesse in die bestehende Infrastruktur.


Die Zusammenarbeit mit Corvendor können wir sehr empfehlen, insbesondere im Bereich datengestützter Entscheidungsprozesse.

Der Refining Smart Data Workflow

In 9 Schritten zu gezielten, datengetriebenen Kampagnen

Use Cases

Sie möchten wissen, wie wir Ihr Unternehmen konkret unterstützen können? Erfahren Sie in unseren Praxisbeispielen, wie Refining Smart Data erfolgreich in Ihrem Unternehmen eingesetzt werden kann!

Use Case: Allgemein

Step 1

Business Case

Nehmen wir als Beispiel einen internationalen Automobilhersteller. Das Unternehmen blickt auf eine jahrzehntelange Geschichte zurück – und hat dadurch zahlreiche Informationen über Bestands- und Neukunden. Eine typische Aufgabe für Refining Smart Data wäre in diesem Fall eine tiefgreifende Analyse der vorliegenden Daten, um die Kommunikation entlang der Customer Journey besser zu steuern. Der Automobilhersteller möchte z.B.:


a) Consumer Neukundenakquise vom Wettbewerb kostengünstig gestalten

b) Corporate Kunden, die abspringen wollen, rechtzeitig erkennen und den Absprung verhindern

c) Kunden erkennen, die bestimmte Fahrzeug-Modelle kaufen wollen

Step 2

Rohdaten

Die CRM und Verkaufsdaten enthalten viele wertvolle Informationen, die das Unternehmen sich zu Nutze machen kann. Millionen von Kunden und Interessenten haben bereits mit dem Unternehmen interagiert.


Der Verkäufer im Autohaus weiß, dass...

a) Herr Meyer alle drei Jahre einen neuen Gebrauchtwagen kauft.

b) Frau Sieber alle zwei Jahre ein neues Cabrio least.


Die Marketingabteilung in der Zentrale weiß, dass...

a) Herr Meyer bereits mehrfach auf der Verkaufsseite für einen SUV war, sich das Auto angeschaut und einen Antrag zur Finanzierung heruntergeladen hat.

b) Frauen mit zunehmendem Alter einen SUV gegenüber der Cabrio-Klasse bevorzugen.


Diese (und weitere) Informationen werden im nächsten Schritt gebündelt (zentralisiert) und aus dem gesamten Datenpool werden Signaturen abgeleitet.

Step 3

Kunden-
signaturen

Eine Signatur erfasst Zusammenhänge im Datenpool. So lassen sich – je nach Aufgabenstellung – Muster im Kaufverhalten, abhängig von unterschiedlichen Kriterien, erkennen.


Kombiniert man also das Wissen des Autohaus Verkäufers mit dem Wissen der Marketingabteilung, lässt sich daraus ableiten, dass Herrn Meyer und auch Frau Sieber ein SUV angeboten werden sollte. Genauso wie allen anderen Interessenten und Kunden, die ein ähnliches Profil aufweisen können.


Die beiden Beispielkunden sind also Teil eines gemeinsamen Kundensegmentes ("Cluster"), obwohl sie auf den ersten Blick wenig bis keine Gemeinsamkeiten haben. Erst durch den Refining Smart Data Prozess entdeckt der Automobilhersteller diese versteckten Verbindungen und kann im Anschluss gezielt darauf eingehen. Zum Beispiel mit einer Einladung zu einem Event (Awareness schaffen) oder durch eine geschickte Angebotsplatzierung im Zuge einer Empfehlung (Advocacy).

Step 4

Statistiken

Nach der statistischen Auswertung aller vorliegenden Daten nach Maßgabe der Signaturen, erkennt der Hersteller, dass etwa 30% der Interessenten ein Profil wie Herr Meyer und Frau Sieber haben. Daher entscheidet er sich für eine Werbekampagne, welche die SUV Verkäufe in diesem Kundensegment weiter ankurbeln soll.


Die Statistiken selbst sind grundlegender Natur, also „einfach“. Mit ihnen lassen sich keine Modelle erstellen oder Kampagnen steuern. Sie geben jedoch Hinweise auf Größenordnungen und Verteilungen, die aus der statistischen Helikoptersicht besser sichtbar werden.

Step 5

Modellierung

Je größer die vorhandenen Datenmengen, umso schwieriger ist es für den Menschen den Überblick zu bekommen und entsprechende Entscheidungen zu treffen. Durch speziell entwickelte Modelle wird (automatisiert) berechnet, dass Frau Sieber und Herr Meyer ein gemeinsames Cluster bilden. Diese neue Segmentierung wird mit einer Statistik App erstellt.

Der Automobilhersteller lernt seine Kunden so immer besser kennen und kann seine SUV Kampagne gezielt an Interessenten aus dem Meyer-Sieber Cluster ausspielen.

Step 6

Umsetzung

Bei der Kampagne wird mit der neuen Segmentierung nicht nur ein A/B Test gemacht, sondern zigtausende A/B Tests mit den unterschiedlichsten Kriterien. Denn mit Refining Smart Data lassen sich die Daten in immer kleinere Blöcke, sogenannte Cluster, aufteilen und durch die Algorithmen der künstlichen Intelligenz kontinuierlich weiter verfeinern und automatisiert auswerten.

Für das Pilot-Projekt wählt der Automobilhersteller eine Facebook-Kampagne, welche im weiteren Verlauf des Projektes immer weiter optimiert und immer feiner ausgesteuert wird.

Step 7

Visualisierung

Die KI-basierte Werbekampagne liefert Erkenntnisse, die weit darüber hinaus gehen, ob nun bei Variante A oder Variante B mehr Interessenten geklickt haben. Unser Hersteller weiß jetzt nicht nur welches Video besonders gut bei welchem Kundenprofil funktioniert, sondern kennt auch die genauen Kriterien der Kunden, die mit hoher Wahrscheinlichkeit einen SUV kaufen möchten.


Die visualisierten Dashboards beinhalten nicht nur "Konversionsraten" oder den "Umsatz der Zielgruppe im Kampagnenzeitraum". Denn die Modellierung der Kampagne hat ergeben, dass auch die Betrachtung des "Umsatzes der Kontrollgruppen" und die "Überperformance der Teilnehmer gegenüber den Standard-Segmenten" einen starken Einfluss auf den Kampagnenerfolg hat. Die Marketingabteilung des Unternehmens kann jetzt also einzelne Aktivitäten (der Testgruppe, der Kontrollgruppe oder auch der Holdout-Gruppe) leichter miteinander vergleichen.

Step 8

Steuerung

Die minimale Anforderung an die Modellierung ist die Berechnung eines Rankings innerhalb der potenziellen Zielgruppe. Oder im Fall von unserem Automobilhersteller: Die Berechnung der Konversionswahrscheinlichkeit innerhalb des neu definierten Kundensegments.


Im Rahmen der Facebook-Kampagne wurde eine Target-Liste mit 100.000 Kunden erstellt. Diese Target-Liste wird wiederum in Target-Gruppen mit unterschiedlichen Scorings unterteilt.


Während der Kampagne lässt sich zum Beispiel feststellen, dass Interessenten, die – wie Frau Sieber – auch ein besonders hohes Interesse an Versicherungsleistungen haben, ein deutlich höheres Scoring erzielen.

Step 9

Check

Das verwendete Modell, in diesem Fall die Werbekampagne, wird nun analysiert und bewertet. Das Scoring der unterschiedlichen Target-Gruppen wird also gemäß der Kampagnenergebnisse erneut angepasst und verfeinert.


Welche neuen Erkenntnisse konnte der Automobilhersteller aus der Kampagne gewinnen?

Das Interesse an einem SUV entsteht bei Menschen wie Frau Sieber aus einem erhöhten Sicherheitsbedürfnis. Sie möchten auch mit steigendem Alter sicher auf den Straßen unterwegs sein. Mit diesem Wissen plant der Automobilhersteller eine weitere Kampagne in Kooperation mit einer Versicherung.


Der Refining Smart Data Prozess ermöglicht es dem Unternehmen schneller, genauer und automatisiert Kampagnen zu generieren, die erheblich besser auf den Kunden zugeschnitten sind. Durch die datenbasierte Modellierung und detaillierte Aussteuerung der Kampagnen erhält das Unternehmen präzise messbare Ergebnisse. Der Automobilhersteller hat nun ein tiergreifendes Verständnis für die eigene Kundenbasis und die Marktdynamik. Mit der konsequenten Fortführung des Refining Smart Data Prozesses kann das Unternehmen fortlaufend "Wissen aus Daten" generieren und sich so Wettbewerbsvorteile sichern.

Use Case: Versicherung

Step 1

Business Case

Der Vertriebsleiter des Versicherungsunternehmens Savesta möchte Risiken bei Verträgen mit Neukunden durch eine datengetriebene Gefahrenanalyse reduzieren. Auf dieser Grundlage kann das Vertriebsteam von Herrn Harrison zukünftig auf live berechnete Policen zugreifen.

Step 2

Rohdaten

Die Versicherung verfügt über 4 Millionen PLZ Datensätze aus UK und Irland mit einem granularen Gefahrenpotenzial für Frost, Windschäden, Flut oder Einbruch.

Step 3

Kunden-Signaturen

Aus den vorhandenen Rohdaten lassen sich im nächsten Schritt Signaturen zum Beispiel über den Gebäudetyp, das Alter, den Wert oder die Ausfallkosten erzeugen.


Bisher stützt sich die Gefahrenanalyse bei Savesta auf die Erfahrung einzelner Vertriebler und die Gründlichkeit im Controlling. Obwohl Herr Harrison sehr viel Wert auf die Weiterbildung seiner Vertriebsmannschaft legt, traten in der Vergangenheit immer wieder Probleme mit Neukunden auf, deren Ausfallrisiko vom Kundenberater zu niedrig eingestuft wurde und so zu erhöhten Kosten für das Unternehmen führte.

Step 4

Statistiken

Durch eine Matrix, die die Signaturen mit den Postleitzahl Gebieten kombiniert, lassen sich nun Policen in Abhängigkeit vom regionalen Risiko berechnen.

Mit diesen – voll automatisierten – Berechnungen kann Herr Harrison die Fehlerquote in der Gefahrenanalyse durch die Vertriebsmitarbeiter vollständig reduzieren.

Step 5

Modellierung

Die Modellierung erfolgt standardmäßig durch das Aktuariat der Versicherung. Mit Hilfe der datengetriebenen Gefahren Analyse kann das Aktuariat die Berechnung der Policen an die jeweiligen Ergebnisse des Unternehmens anpassen und nachhaltig optimieren.

Step 6

Umsetzung

Aus den veredelten Daten wird eine Web App entwickelt, die nach der Eingabe von Daten (Ort, Gebäude) die Prämie berechnet. Bei erhöhtem Gefahrenpotenzial können zudem Policen automatisch abgelehnt werden oder erfordern ein individuelle Genehmigung.

Step 7

Visualisierung

Das wöchentliche Reporting bietet Herrn Harrison einen Überblick über die Anzahl der App User in den einzelnen PLZ Gebieten und ein Abgleich der Police mit dem jeweiligen Eintrag.

Step 8

Steuerung

Die Steuerung der jeweiligen Kampagne obliegt, genauso wie die Erstellung der Modelle, dem hauseigenen Aktuariat von Savesta.

Step 9

Check

Die Ergebnisse des gesamten Projektes werden überprüft und gegebenenfalls durch eine weitere Anpassung der Gefahren Datenbank für eine weitere Optimierung der Prämienberechnung ergänzt. Die Anpassung mit den neuen Daten der Gefahrendatenbank erfolgt auf jährlicher Basis

Use Case: Vertrieb

Step 1

Business Case

Ein Unternehmen, welches Festplatten an den IT Großhandel verkauft, möchte seine Geschäftsstrukturen optimieren. Dabei soll eine Balance zwischen den Anforderungen der internen und externen Beteiligten erreicht werden.


Folgende Anforderungen müssen berücksichtigt werden:

a) Das Produktmanagement möchte möglichst hohe Preise.

b) Der Vertrieb möchte möglichst niedrige Preise.

c) Der Großhandel möchte möglichst niedrige Lagerbestände im Großhandel.

d) Der Hersteller möchte möglichst hohe Lagerbestände im Großhandel um seine Wettbewerbsfähigkeit zu steigern.

Step 2

Rohdaten

Als Grundlage zur Datenanalyse werden Lagerbestände, Abverkäufe (pro Woche), Forecasts und Zielpreise verwendet. Ergänzend werden die Preise vom Wettbewerb für vergleichbare Produkte in den Datenbestand integriert.

Step 3

Kunden-Signaturen

Nach der Zentralisierung der Rohdaten (= Bündelung und Verknüpfung aller relevanten Daten) wird eine Übersicht über die einzelnen Produkte und Produktgruppen erstellt. Diese Produktsignaturen zeigen Trends in den verschiedenen Unternehmens-Bereichen auf, woraus sich konkrete Lösungsansätze für die Optimierung des Vertriebs ableiten lassen.

Step 4

Statistiken

Durch Modellberechnungen kann das Unternehmen jetzt Annahmen über die Auswirkung von Preisanpassungen – relativ zu den Marktanteilen und den Margen – treffen.

Step 5

Modellierung

Die Modellrechnung zeigt, dass das größte Potenzial für das Unternehmen im Verkauf von Produkt Bundles liegt. Durch das Sponsoring dieser Bundles werden Produkte mit hoher Nachfrage mit Produkten, die (zu) hohe Lagerbestände haben, kombiniert.

Step 6

Umsetzung

Der Verkauf der Produkt Bundles durch die Vertriebspartner des Unternehmens wird durch Prämien attraktiver gestaltet. Mit dem gezielten Lagerwertausgleich ist das Unternehmen profitabler und erfüllt gleichzeitig die Anforderungen aller Beteiligten im Vertriebsprozess.

Step 7

Visualisierung

Das verwendete Modell und dessen Ergebnisse werden für eine vereinfachte Analyse auf Dashboards mit einem Ampelsystem dargestellt. Diese Dashboards verbinden den Umsatz mit dem Preislevel (relativ zum Minimalpreis), den Lagerbeständen und dem Zentrallager des Herstellers und ermöglichen eine Beurteilung nach den jeweiligen Produktgruppen.

Step 8

Steuerung

Maßgeblich für die Ausbalancierung aller relevanten Geschäftsbereiche ist die Steuerung auf der Grundlage des Ampelssystems. Diese richtet sich nach den einzelnen Parametern der Produktgruppen. Fällt ein Parameter in den roten Bereich der Ampel, dann wird dieser Parameter führend. Alle weiteren Parameter (Preissteigerung- oder Senkung, Erhöhung/Reduzierung der Lagerbestände etc.) werden dann an diesen Kriterien ausgerichtet.

Step 9

Check

Um zukünftige oder auch akute Engpässe rechtzeitig zu erkennen, werden die Parameter der Modellierung quartalsweise angepasst.

Use Case: Telemarketing

Step 1

Business Case

Eine Telemarketing Agentur möchte eine budgetoptimierte Cross Selling Kampagne bei Bestandskunden durchführen. Das Unternehmen verfügt über 250.000 potentielle Interessenten für das beworbene Produkt.


Mithilfe von Refining Smart Data soll nun definiert werden, welche der Kunden Accounts für die Cross Selling Action besonders geeignet sind. Das Projektbudget reicht für maximal 1.000 Anrufe. Gesucht werden Projekte mit einem Mindestumsatz von 50.000 Euro.


Das Ziel: 20 BANT Leads mit hoher Kaufwahrscheinlichkeit zu qualifizieren

B = Budget  (Das Budget ist vorhanden)

A = Authority (Der Gesprächspartner ist entscheidungsbefugt)

N = Need (Der Bedarf ist vorhanden und kann bestimmt werden)

T = Time (Der Projektzeitraum ist definiert)

Step 2

Rohdaten

Zunächst werden alle relevanten, verfügbaren Daten ermittelt, wie zum Beispiel die demographischen Daten (Branche, Lokation, Mitarbeiter), die Verkaufszahlen der letzten sechs Jahre und die Kontaktdaten. Außerdem werden aktuelle Leads sowie die letzten Kontakte durch den Vertrieb und das Tele Marketing ausgeschlossen. 


Die Daten werden zudem bereinigt, so dass falsch codierte oder fehlerhafte Datensätze nicht in die späteren Berechnungen einfließen und diese damit nicht verfälschen können. 

Step 3

Kunden-Signaturen

Aufbauend auf den ermittelten Rohdaten werden nun Trends und Marktanteile ermittelt und mit den internen Segmentierungen (Klasse A, B, C) kombiniert. 

Step 4

Statistiken

Mit statistischen Mitteln und Berechnungen können nun Annahmen über potenziell erfolgreiche Modelle getroffen werden.

Step 5

Modellierung

Für das Tele Marketing Unternehmen wird ein so genanntes Response Modell, basierend auf den Datenbank Signaturen, erstellt. Von ursprünglich 250.000 potentiellen Interessenten bleiben noch etwa 150.000 Adressdaten über.


Für jeden Datensatz wird nun ein Scoring berechnet. So kann das Unternehmen seine Vertriebsaktivitäten auf die Firmen mit einer besonders hohen Kaufwahrscheinlichkeit fokussieren. 

Step 6

Umsetzung

Die Telemarketing Agentur führt die Anrufe gemäß dem vorliegenden Response Modell durch. Die jeweiligen Ergebnisse werden zurückgemeldet und wieder in die Datenbank eingespeist.

Step 7

Visualisierung

Die Ergebnisse des Pilotprojektes werden visualisiert, um einen umfassenden Überblick über alle wichtigen Kennzahlen zu erhalten. So lassen sich die Kennzahlen einfach vergleichen und bewerten.

Step 8

Steuerung

Durch die Bildung von Kontrollgruppen kann das vorhandene Modell weiter verbessert werden. So wird aus dem einfachen Response Modell ein Predictive Incremental Response Modell.


Mit diesem erweiterten Modell kann die Wahrscheinlichkeit für den Erfolg zukünftiger Aktionen vorausgesagt werden. So lässt sich zum Beispiel sehr genau feststellen, wann die Cross Selling Aktion ihren Zenit überschritten hat.

Step 9

Check

Nach dem Abschluss der Kampagne wird das jeweilige Modell überprüft. Anschließend kann es weiter verfeinert werden, indem der Refining Smart Data Prozess zum Beispiel mit einer neuen – oder auf den vorhandenen Erkenntnissen aufbauenden – Aufgabenstellung gestartet wird.

Reiner Rübel

Reiner Rübel

Das Geheimnis für erfolgreiche Kampagnen...

Mit Refining Smart Data können wir Ihr Tagesgeschäft und Ihre strategische Entwicklung deutlich erleichtern.

Mit dem veredelten Work-Flow Ihrer Kampagnen werden Sie hochwertigere Leads identifizieren und die Customer Journey Ihres gesamten Kundenuniversums nicht nur begleiten, sondern aktiv steuern!

Georg Klauser

Managing Director 
Boston

Georg Klauser

Managing Director 
Boston

Um unser Unternehmen auf dem deutschsprachigen Markt zu etablieren, haben wir Corvendor mit der Entwicklung eines entsprechenden Vertriebsplans beauftragt. Corvendor hat uns äußerst effizient beim Aufbau unseres Reporting Systems, der Steuerung des Vertriebs, sowie der Segmentierung bzw. dem Telemarketing Handel unterstützt. 


Grundlage dieser Investition im DACH-Markt war die vorhandene Kompetenz für Reporting, KPI-Berechnung und Modellierung des Mutterunternehmens in Großbritannien. 


Mit umfassendem Expertenwissen im Handel und in der Vertriebssteuerung hat Corvendor einen Vertriebsplan mit prognostizierten Deckungs- und Umsatzzahlen erstellt, dessen Zielvorgaben innerhalb einer Startphase von 2 Jahren erreicht wurden. Gerade in den ersten 6 Monaten war die Zusammenarbeit mit Corvendor sehr engmaschig. Bereits im zweiten Quartal konnte der Vertrieb auf Basis detaillierter Planung starten. 


Durch ihre erwiesene Expertise im Bereich Onlinemarketing und Datenmanagement sowie die exzellente Umsetzung des Vertriebsplans verlief die Zusammenarbeit mit Corvendor aus unserer Sicht äußerst zufriedenstellend.

Unsere Experten

Unser Kernteam besteht aus Reiner Rübel und Dr. Prof. Stefan Rüger und kann bei Bedarf mit weiteren Experten flexibel erweitert werden.

Reiner Rübel

Reiner Rübel
Marketing Consultant

Gründer und Geschäftsführer der Corvendor GmbH


Kernkompetenzen: Data-based Marketingkampagnen zur Lead-Generierung und Kundengewinnung für Enterprise- und Mittelstandskunden.

Prof. Dr. Stefan Rüger

Prof. Dr. Stefan Rüger

Data Mining

Informatik-Professor an der Open University Milton Keynes

Kernkompetenzen: Promovierter Informatiker auf dem Gebiet der neuronalen Netze. Er betreibt Research zu „Multimedia Information Retrieval“. Als Professor für „Knowledge Media“ an der Open University, Milton Keynes berät er zu den Themen „Data Mining“ und bei Informationsmanagement-Projekten.

Dirk Niemann

Managing Director ERGO Insurance UK Branch

Dirk Niemann

Managing Director ERGO Insurance UK Branch

Als großes Versicherungs-Unternehmen erhalten wir täglich tausende Anfragen zur Schadensbegleichung bzw. -übernahme, die unsere Vertriebspartner detailliert bearbeiten müssen. Dabei wurden insgesamt zu viele Schäden zur Übernahme gemeldet, die durch das Raster ihrer lokalen Risikogruppe fallen. Dringend benötigt wurde also ein Verwaltungsinstrument, welches mit den aktuellen Daten der lokalen Risikoeinschätzungen für Sturm, Hagel, Flut, Terrorismus, Diebstahl, etc. arbeitet.


Die Firma Corvendor hat für uns ein Online-Verwaltungsportal aufgebaut, welches unseren Vertriebspartnern in Großbritannien und Irland erlaubt, auf Basis der jeweiligen Risiken in den betreffenden 2 Millionen Postleitzahlgebieten passende Versicherungsprämien zu berechnen. Diese konkrete Risikobewertung durch das Verwaltungsportal hat zu einer deutlichen Steigerung unsere Marge geführt und wurde von Corvendor perfekt auf unsere Bedürfnisse zugeschnitten.


Auch die schnelle Arbeitsweise der Entwickler hat uns begeistert, denn nach nur 6 Wochen konnten wir den Prototypen der Webanwendung gründlich testen. Die erste Testversion, die an ausgewählte Vertragspartner ging, war bereits nach etwa 6 Monaten einsatzbereit. Inzwischen erhalten unsere Datenbank und das Portal jährliche Funktionalitäts- und Datensatzaktualisierungen.

Wir empfehlen die Firma Corvendor sehr gerne weiter, da wir sowohl von der Geschwindigkeit als auch der hohen Qualität der geleisteten Arbeit voll und ganz überzeugt sind!

Vereinbaren Sie Ihr persönliches Beratungsgespräch

online via Zoom – und starten Sie schon in Kürze mit Ihrem innovativen Pilotprojekt!

Nennen Sie uns bitte hier bis zu 3 Termine für Ihr Beratungsgespräch.
Wir kontaktieren Sie schnellstmöglich um Ihren Termin zu bestätigen.