• 路桥施工中预应力技术应用探析 不要轻易放弃。学习成长的路上,我们长路漫漫,只因学无止境。


    以某保险公司2007-2009年业务数据为研究样本,在SQLSERVER2005平台上对数据进行挖掘分析,得出针对不同消费群体保险产品销售组合,为保险公司交叉销售提供指导。 关键词数据挖掘;保险;交叉销售 中图分类号TU247.1文献标识码A文章编号1006-4117(2011)04-0160-02 在CRISP-DM方法论指导下,构建基于聚类关联规则数据挖掘模型,对保险业务数据进行挖掘分析。 一、数据准备 结合保险公司个人寿险业务数据库信息,可以概括为客户信息表、保单信息表及理赔信息。将三张表中和挖掘主题相关字段信息抽取,整合为一张宽表。 研究样本中,年龄和保费都是连续型数据,将其转化为离散化数据,有利于提高数据挖掘效率。利用SQLServer2005IntegrationServer工具加载数据表,建立多维数据立方体。 基于数据挖掘保险交叉销售模型应用 (一)构建基于聚类挖掘模型 选取412(金彩明天两全保险)、413(瑞鑫两全保障)等为主细分变量,地区、保费、渠道等为辅细分变量。并保证输入变量与输出变量之间有一定相关性。建立聚类挖掘模型,得到聚类结构图。 模型将数据分为10个群体,对每个群进行钻取,结合剖面图和数据倾向图,判别其所具备特征。10个分类强弱势特征如下表所示 选择保费10000和100000为临界点,可见类1、类2、类3为低端客户,缴纳保费均在10000元以下,类4-8为中端用户,缴纳保费为10001到100000元之间,类9和类10属于高端客户,缴纳保费均在100000元以上。 针对低中高端群组,结合年龄、性别、受教育程度等特征对群组业务特征进行描述,低端群组特征分析如下表1-4所示 低端群组消费特征描述该群体受教育程度普遍不高,在初中以下,年龄偏大,大多在50—65岁之间,缴纳保费能力较低,都在10000元以下。由于S42(康宁终身健康保险)缴费较高,所以需求很低,此外S66(少儿保险)需求很少。同样方法,统计分析中端和高端客户群体特征。 聚类只能解决已经发生过客户消费行为,并不能对将来消费行为和规律进行预测。在聚类基础上,对所有险种类别进行关联分析,得出最强关联规则,从而有针对性对各客户群组进行交叉销售。 (二)构建关联挖掘模型 针对每一群组,构建关联挖掘模型,关联规则默认算法是Apriori算法。通过运行关联挖掘结构,得出依赖网络图。 对于每一群组来说,最强险种关联只是两个或三个而已。选择关联最强两个险种S43→701,险种出现概率为88.9%,重要度为1.9,为正关联。说明低端客户类1,在购买S43(康宁定期保险)同时购买701(全家福意外卡)几率为88.9%,结合低端客户群组消费特征,较顺应常理。得出关联规则是形如A→B,代表如果购买了产品A,则同时也会购买保险产品B。具体情况如表3所示。 根据各个类别最佳险种关联,像所对应群组中还没有消费这种保险组合客户进行推销,已经购买了其中一种保险产品客户,向其推荐另一款产品;或者在未来向某一类客户推荐产品时,根据其收入和教育程度等客观因素,判断大致所属群组,推销产品组合,以达到实现交叉销售。 结束语论文对基于聚类关联规则交叉销售模型进行实证研究,先从客户角度出发,运用EM聚类算法对准备好数据进行数据挖掘,得出自然10个群组分类,然后对每一个群组,从产品业务角度出发,用Apriori算法对险种进行关联分析,得出可以指导交叉销售规则。在客户聚类基础上,找出保险产品潜在关联规律,制定有针对性交叉销售方案。 作者单位常熟理工学院管理学院 作者简介周梅(1978—),女,汉族,江苏徐州人,中国矿业大学管理学院在读博士生;常熟理工学院管理学院,讲师,研究方向数据挖掘,金融工程与风险管理。 参考文献 [1]谢友辉,蒋新华.数据挖掘技术及在保险领域中应用[J].信息技术,200327,833-34. [2]李娜.基于数据挖掘零售客户细分模型应用研究[D].硕士学位论文.2008,4. [3]羡晨静.电信领域交叉销售模型构建与应用[D].硕士学位论文,2008,2. 表3不同群组险种关联表 注本文中所涉及到图表、注解、公式等内容请以PDF格式阅读原文

    上一篇:顾客满意度管理浅析

    下一篇:通讯:千年闽南民俗续新篇 古老民间艺术盼传承