客户细分在保险营销中应用研究.docVIP

客户细分在保险营销中应用研究 　　【摘 要】客户营销是保险行业日常业务经营中的重要组成部分。本文针对实际营销中面临的问题，基于客户细分的方法，从客户人口统计信息、客户价值、客户行为三个维度进行分群，采用K-MEANS聚类方法，并按各群体客户特征制定相关营销策略，对保险业务营销推广有一定的参考意义。 　　【关键词】客户细分；K-MEANS聚类算法；保险客户营销 　　0 引言 　　随着我国社会经济的高速发展，居民收入和消费水平的不断提高，和谐社会稳步快速建设都对保险业的经营提出了新的要求。相关数据显示，我国居民的投保意愿和参保意识正在逐年提升。但是，保险行业的客户营销效果普遍不高。因此，本文从客户细分理论出发，使用K-MEANS聚类算法，按人、价值、行为三个维度分别进行客户细分，再进行统一合并。通过对某寿险公司的实际数据进行提取、清洗、处理、挖掘，实现寿险客户的群体分类，并有针对性的开展营销活动，为保险公司的业务发展提供了一定的支撑。 　　1 客户细分理论与模型 　　1.1 客户细分理论 　　客户细分是指在已划分好的特定市场中，根据客户的基本特征，行为特征，价值特征等将客户细分为具有不同险种消费需求的群体。细分能够帮助企业找出高价值客户和潜在客户，区分客户的忠诚度和较易流失的客户，可以有针对性地提供保险产品和服务。 　　客户细分一般有几种方式，主要如下： 　　1）基于人口统计的细分：性别、年龄、户籍、职业、收入、教育程度等。 　　2）基于客户价值的细分：已缴保费、代缴保费、件均保费等。 　　3）基于客户行为的细分：首次购买保单日期、最近一次购买保单日期、购买的险种等。 　　4）基于客户态度的细分：对资费敏感程度、对服务满意程度、对企业的认同度等。 　　由于各种细分方式，均仅从一个维度进行切入，后续刻画客户会造成比较单一和片面的问题。因此，本文针对基于人口统计、价值、行为这三种细分方式，分别进行聚类，最终将结果再进行统一整理合并。至于基于客户态度的细分方式，由于数据获取难度较大，暂不考虑。 　　1.2 客户细分模型 　　客户细分一般采用聚类的数据挖掘方法建立模型。聚类方法是指：根据数据记录的相似性对其进行归组，使群与群之间差别很明显，而同一个群之间的数据尽量相似。在这种情况下，分群将把类似的顾客归组到一起，同时最大程度地体现按此方式组成的不同顾客组之间的差异。常用的聚类方法有：基于划分的聚类，基于层次的聚类，基于密度的聚类等。本文中基于实际数据量大小和处理效率，采用K-MEANS算法进行聚类。 　　2 基于聚类算法的寿险客户细分 　　2.1 数据准备 　　以某月的寿险个险投保人宽表作为拍照群体，按照10%左右进行随机抽样，生成约10万客户进行建模，字段涵盖客户基础信息、投保人价值信息、投保人行为信息、投保人购买产品信息等，共计400余个字段。 　　2.2 数据探索 　　在获取数据之后，需首先对需要建模的数据进行探索。数据探索一般会根据字段类型，对字符型字段采用分布分析，对数值型字段采用集中度和离散度的分析（包括：均值，中位数，方差，分位数等），主要目的是查看输入变量是否有缺失值、单一值、单类别取值过大、极值等影响。结合后续的聚类分析，本文对缺失值超过20%的字段、单一值字段、单类别取值过大的字段均直接进行剔除，对极值的整条记录进行剔除。 　　2.3 变量筛选 　　经过上述处理后，剩余变量约为100个，根据人口统计、客户价值、客户行为三种方式，对变量进行分类筛选。 　　1）人口统计方式：取客户的年龄作为细分变量。因为年龄层次不同的客户，往往也会有不同的保险需求，同时，年龄也可以间接反映客户所处于的生命周期阶段和消费水平能力等。因此，直接将年龄划分成如下五段：19-30岁、31-40岁、41-50岁、51-60岁、60岁以上，即对应五个用户群。 　　2）客户价值方式：衡量投保人的保费价值，此部分变量较多，需做降维处理。主要方法是通过相关分析、主成分分析和变量聚类，发现相关性较高的变量，并将这些高相关性变量组成一类。在每类中，根据1-R**2 Ratio指标和业务人员经验，选取1-2个有代表性的变量。最终，选取四个变量如下：件均保费、已缴保费、未缴保费、趸交保费。 　　3）客户行为方式：衡量投保人的行为方式。同样，此部分变量纳入较多，需做降维处理，具体方法同上。最终，选取变量如下：首次购买保单距今时长、保单数量、加保次数、为他人购买保单数量、不同险种购买保单数等字段。 　　2.4 模型建立和检验 　　通过SPSS软件，运用K-MEANS快速聚类方法对上述价值变量和行为变量进行聚类。由于K-MEANS需要预先设置聚类数目，一般可以从初始值4开始，不断增加聚类数，并观察聚类结果进行评估。