This dissertation focuses on investigating customer churn for an insurance aggregator that
uses online vs offline distribution channels and explores churn drivers, differences between
these channels and the performance of various possible predictors. In the aftermath of digital
insurance distribution channels development of customer retention is becoming a topic of
interest in terms of portfolio stability, customer life-time value and a long term profitability.
The purpose of this dissertation is therefore to reveal churn drivers, explore difference
between studied channels and test the predictive capabilities of the variables on respective
dataset. For an empirical part results are derived from anonymous operating data, collected
from the real insurance aggregator. The dataset consists of approximately 50000 customers
with 5-year history of policy holding. Churn is defined as the absence of a paid renewal, pay
or replace contract issued within 30 days from contract end, in order to correctly distinguish
actual churn from any technical/administrative process interruption events. For analytical
purposes, we use a combination of descriptive statistics and predictive models, where
logistic regression serves as an interpretable baseline model and LightGBM provides a more
flexible machine learning approach for model comparison. Results show that churn is
related to relationship history, pricing, renewal, contract details and distribution channel.
Online customers have higher churn than offline customers, which confirms the view that
digital self-service increases price sensitivity and reduces switching costs. Key variables
identified as important for predicting retention are tenure, historical renewal, premium and
premium change and policy duration. Logistic regression exhibits good interpretability for
managers, whilst LightGBM demonstrates clearly superior predictive accuracy this as a
result suggests that there may be non-linear effects and interaction effects. In total, this
dissertation contributes to the so far, sparse literature surrounding customer churn in
insurance aggregators through the utilization of real world data, customer channel
segmentation and predictive analytics to inform retention strategy in online insurance
markets.

Η παρούσα διπλωματική εργασία επικεντρώνεται στη διερεύνηση της απώλειας πελατών
σε μια ασφαλιστική πλατφόρμα σύγκρισης, με έμφαση στη σύγκριση μεταξύ ψηφιακών και
φυσικών καναλιών διανομής, καθώς και στην ανάλυση των παραγόντων που επηρεάζουν
την αποχώρηση των πελατών και την απόδοση διαφορετικών προβλεπτικών μοντέλων. Στο
πλαίσιο της ανάπτυξης των ψηφιακών καναλιών διανομής ασφαλιστικών προϊόντων, η
διατήρηση πελατών αποκτά συνεχώς μεγαλύτερη σημασία, καθώς επηρεάζει άμεσα τη
σταθερότητα του χαρτοφυλακίου, την αξία κύκλου ζωής του πελάτη και τη μακροπρόθεσμη
κερδοφορία. Σκοπός της έρευνας είναι να εντοπίσει τους βασικούς οδηγούς του churn, να
εξετάσει τις διαφορές μεταξύ των δύο καναλιών και να αξιολογήσει την ικανότητα
διαφορετικών μοντέλων πρόβλεψης στο συγκεκριμένο σύνολο δεδομένων. Το εμπειρικό
μέρος της μελέτης βασίζεται σε ανωνυμοποιημένα λειτουργικά δεδομένα που προέρχονται
από πραγματική ασφαλιστική πλατφόρμα σύγκρισης. Τα δεδομένα περιλαμβάνουν περίπου
50000 πελάτες και ιστορικό ασφαλιστηρίων πέντε ετών. Η ακυρωσιμότητα ορίζεται ως η
απουσία ανανέωσης, πληρωμής ή αντικατάστασης ενός συμβολαίου με νέο πληρωμένο
συμβόλαιο εντός 30 ημερών από τη λήξη του, ώστε να διαχωρίζεται η πραγματική
αποχώρηση από τεχνικές ή διοικητικές διακοπές της διαδικασίας. Για τους σκοπούς της
ανάλυσης, χρησιμοποιείται συνδυασμός περιγραφικής στατιστικής και προβλεπτικών
μοντέλων, όπου η λογιστική παλινδρόμηση λειτουργεί ως ένα ερμηνεύσιμο βασικό μοντέλο
αναφοράς, ενώ το LightGBM εφαρμόζεται ως μια πιο ευέλικτη προσέγγιση μηχανικής
μάθησης για συγκριτική αξιολόγηση. Τα αποτελέσματα δείχνουν ότι το churn δεν
εμφανίζεται τυχαία, αλλά συνδέεται συστηματικά με το ιστορικό της σχέσης με τον πελάτη,
την τιμολόγηση, τη συμπεριφορά ανανέωσης, τα χαρακτηριστικά του συμβολαίου και το
κανάλι διανομής. Οι ψηφιακοί πελάτες εμφανίζουν υψηλότερα ποσοστά ακυρωσιμότητας
σε σχέση με τους πελάτες του φυσικού καναλιού, επιβεβαιώνοντας την άποψη ότι τα
ψηφιακά περιβάλλοντα αυτοεξυπηρέτησης ενισχύουν την ευαισθησία στην τιμή και
μειώνουν τα εμπόδια μετακίνησης. Μεταξύ των σημαντικότερων μεταβλητών για την
πρόβλεψη της διατήρησης πελατών αναδεικνύονται η διάρκεια σχέσης με τον πελάτη, το
ιστορικό ανανεώσεων, το επίπεδο ασφαλίστρου, η μεταβολή του ασφαλίστρου και η διάρκεια του συμβολαίου. Η λογιστική παλινδρόμηση προσφέρει χρήσιμη
ερμηνευσιμότητα για διοικητική αξιοποίηση, ενώ το LightGBM επιτυγχάνει σημαντικά
υψηλότερη προβλεπτική ακρίβεια, γεγονός που υποδηλώνει την ύπαρξη μη γραμμικών
σχέσεων και αλληλεπιδράσεων. Συνολικά, η εργασία συμβάλλει στην ακόμη περιορισμένη
βιβλιογραφία σχετικά με την ακυρωσιμότητα στις πλατφόρμες σύγκρισης ασφαλειών,
αξιοποιώντας πραγματικά λειτουργικά δεδομένα, διαχωρισμό πελατών ανά κανάλι τεχνικές
προγνωστικής ανάλυσης, με στόχο την υποστήριξη αποτελεσματικότερων στρατηγικών
διατήρησης πελατών στις ψηφιακές ασφαλιστικές αγορές.