Broker-RecSys : an interactive recommender system for insurance brokerage

Abstract

Recommender systems are widely used in diverse domains such as e-commerce, tourism, insurance, and so on. However, numerous recommender systems take users into account as an endpoint in the recommendation process and act like a black-box. Therefore, the black-box nature of the recommendation systems limits the understanding and acceptance of the recommendation received by the user. In contrast, interactive recommender systems can solve these drawbacks. Interactive recommender systems combine user interaction, information visualization, and recommender system methods. In the brokerage domain, insurance brokers offer, negotiate, and sell insurance products for their customers. Support brokers into the recommendation process for offering the most relevant insurance products for their customers can improve their loyalty, profit, and marketing campaign in their client portfolio. This work presents Broker-RecSys, an interactive insurance product recommender system framework, to support brokers into the recommendation process for offering insurance products in their client portfolios. The system operates at two levels to provide recommendations: recommendations for a specific customer; and recommendations for a group of customers in the portfolio of clients of a broker. Looking for offering personalized recommendations, Broker-RecSys provides a module to perform customer segmentation based on specific customer characteristics that are interesting for the broker. Broker-RecSys provides two types of recommendations based on popularity and purchase behavior. Several interactions and visualization methods are integrated into Broker-RecSys to support brokers in the recommendation process. Broker-RecSys is evaluated into the usability and usefulness dimensions. Thus, we combine the widely used evaluation method based on questionnaires and the evaluation based on the eye-tracking analysis. Results achieved suggest that data mining methods, while combined with user interaction and data visualization methods, support users in the recommendation process.

Os sistemas de recomendação são amplamente utilizados em diversos domínios, como comércio eletrônico, turismo, seguros, entre outros. No entanto, muitos sistemas não levam em consideração o usuário no processo de recomendação, agindo como uma caixa preta. A natureza da caixa preta limita o entendimento e a aceitação da recomendação recebida pelo usuário. Por outro lado, os sistemas interativos de recomendação podem solucionar essas limitações, pois combinam métodos de interação com o usuário, visualização de informações e sistema de recomendação. No domínio de corretoras, os corretores de seguros oferecem, negociam e vendem produtos de seguro para os seus clientes. Apoiar os corretores no processo de recomendação para oferecer os produtos de seguro mais relevantes para seus clientes pode melhorar sua confiança, lucro e campanha de marketing em seu portfólio de clientes. Este trabalho apresenta o Broker-RecSys, um framework de sistema interativo de recomendação de produtos de seguros para apoiar os corretores no processo de recomendação para oferecer produtos de seguros em seu portfólio. O sistema opera em dois níveis para oferecer recomendações: recomendações para um cliente específico; e recomendações para um grupo de clientes da carteira de clientes de um corretor. Procurando oferecer recomendações personalizadas, o Broker-RecSys fornece um módulo para realizar segmentação de clientes com base em características específicas do cliente que são relevantes para o corretor. Dois tipos de recomendações são fornecidos pelo Broker-RecSys: com base na popularidade e no comportamento de compra. Diversas interações e métodos de visualização são integrados ao Broker-RecSys para oferecer suporte aos corretores no processo de recomendação. O Broker-RecSys é avaliado nas dimensões de usabilidade e utilidade. Assim, para avaliar o Broker-RecSys, combinamos o método de avaliação amplamente usado com base em questionários e a avaliação com base na análise de rastreamento ocular. Os resultados alcançados sugerem que os métodos de mineração de dados, combinados aos métodos de interação e visualização de dados, apoiam os usuários no processo de recomendação.