保险业在线客户细分及忠诚度探究.docVIP

保险业在线客户细分及忠诚度探究摘要：在网络环境下，如何培养客户忠诚度、提高续保率，成为保险业发展需要解决的重要问题。笔者结合网络保险业的特征，根据客户的基本特征与交易行为，采用RFM分析方法构建客户细分指标体系，利用SOM神经网络模型将客户聚类为黄金客户、重要发展客户、重要挽留客户、重点维持客户、普通客户和其他无价值客户6类，然后从中选取最有价值的前两类客户，利用客户忠诚度评价模型对其忠诚度进一步分析，针对各类客户群分别提出相应的营销策略。 关键词：保险业；网络保险；客户细分；客户忠诚度 作者简介：：李琪（1955-），男，重庆人，西安交通大学经济与金融学院教授，博士生导师，主要从事电子商务、电子政务研究；崔睿（1984-），女，山西原平人，西安交通大学经济与金融学院博士研究生，主要从事电子商务研究。 中图分类号：F840.4文献标识码：A文章编号：1006-1096（2012）06-0062-05收稿日期：2012-04-10 一、文献回顾 网络保险业在我国起步较晚，相关研究主要集中于理论方面，大多是对网络保险业的发展现状、意义及技术进行探讨，在应用方面研究的文章很少，更缺乏定量的实证研究。宋立伟（2003）提出电子保单替代纸质保单的必要性。申丽丽（2007）对第三方保险电子商务网站进行了SWOT分析。张敏（2008）研究发现多渠道整合是网络保险业成功运作的基础，并提出了相应的发展对策。孙晓飞（2007）针对我国国情，提出了保险业电子商务模式构建方案。高雷等（2010）对我国与美国及欧洲的保险电子商务发展进行了比较。 各行业对于客户忠诚度的研究多为理论研究，缺乏实证分析，而实证分析也多采用结构方程模型的方法对客户忠诚度进行假设检验，只有少数学者（曹洁慧，2007）尝试用数据挖掘的方法。在客户细分的方法中，基于簇的划分方法更加适用于客户分类，而形成簇集通常采用聚类技术。自组织映射（Self Organization Map， SOM） 神经网络是较为广泛应用于聚类的神经网络，近期在银行业、电信业（吴春旭 等，2010）、旅游业等多种行业中均得到了广泛的应用。SOM网络可以采用各神经元之间的自动组织去寻找各类型间固有的、内在的特征，从而进行映射分布和类别划分，因此对于解决各类别特征不明显、特征参数相互交错混杂的，非线性分布的类型识别问题是非常有效的（陈伯成 等，2004）。而客户行为识别也是一种复杂多变的问题，SOM神经网络的这种特性对于基于客户行为的客户细分也是相当有效的。 笔者尝试用SOM神经网络模型对保险业的在线客户忠诚度进行研究，根据网络环境下的客户特征与其交易行为，采用RFM分析方法构建客户细分指标体系，并利用SOM神经网络模型对客户进行聚类，然后从中选取最有价值的客户进一步研究其忠诚度，针对各类客户群分别提出相应的营销策略，以期为我国保险业的发展提供借鉴。 二、客户细分 （一）客户细分的方法与细分指标 客户细分的方法包括人口统计细分、生活方式细分、行为细分和利益细分。针对网络保险业，应该在客户基本特征的基础上，结合其行为特征，制定动态的、合适的细分指标体系，才能较好地衡量客户在网站上的行为，运用价值矩阵来衡量客户给保险公司带来的利润，从而辨识出对企业价值较高的客户。 RFM分析方法是分析客户行为特征的一种方法，由Hughes于1994提出，通过R（recency）、F（frequency）、M（monetary）3个行为变量来区分客户，其中，R指上次购买至现在的时间间隔，F为某一期间内的购买次数，M是某一期间内的购买金额。 本研究中的客户细分指标体系添加了在线环境下保险活动的一些衡量指标，主要有客户的基本特征、客户交易行为的RFM、客户在保险网站上的活动以及客户在购买保险后是否续保等行为指标，如表1所示。 不同的指标间具有不可共度性，且后面要用到SOM方法，所以指标要在量化时尽量标准化到[0，1]，且客户按照年来确定考核周期。数据选择方面，例如近度、频度，都采用比值的形式，将最新值与历史值进行比较，将某个客户的值与整个客户的平均水平作比较。将客户交易价值分为两部分进行量化，一部分是客户已经带来的价值，一部分是客户的潜在价值。客户的已有价值是在假设客户现在的特征保持不变时，估算客户能够带来的利润总和。客户的潜在价值是客户未来可能给公司带来的利润，再求现。 表1保险业在线客户细分指标 指标指标权重量化方法及含义基本特征CC1W0客户特征是否属于保险的潜在用户，由专家进行评估后取值，从客户的静态条件来识别客户风险衡量 指标RM RM1 RM2W1 W2客户在分析期内理赔数额，指的是总金额 客户在分析期内理赔频率，指的是次数交易 指标R近度