车险客户流失分析方法.docxVIP

盛年不重来，一日难再晨。及时宜自勉，岁月不待人 车险客户流失分析预测 通过建立一个关于保险客户流失的预测模型， 可以分析出主要有哪些因素导致他们想要 退保并可以有针对性的挽留那些有退保倾向的客户， 进而节约开支。客户流失预测考虑的主 要因素如下： 客户购买频率：客户购买保单的频率越高，说明流失率低；反之流失率高； 客户付费历史：交纳保费方式，有没有过欠费历史，欠费多久才补缴保费等对客 户流失都具有影响； 客户自然属性：教育程度，职业，家庭人口，收入等等； 客户工作的变化：包括工作性质的变化，工资的变化，职位的变化等等； 客户理赔处理情况：理赔的迅速、准确就会降低客户流失率，反之会提高客户流 失 率 案例五：车险理赔迫切改进点探查 传统认识：B13 传统认识： B13理赔速度20. 2cc B03事故查勘 B10定损43% 理赔沟通是主要问题 B12理赔进度何询19.9% B15理赔投诉处理36.3% 政策建议. 坚持正确备监管方向 1、 投诉处理速度〉＞投诉件数 统一的理赔查询平台〉＞查勘到场时间 竞争对手促销策略：如果竞争对手采取新的促销策略， 那么就会提高客户流失率。 利用数据挖掘中的分类方法建立客户流失分类预测模型对潜在流失客户进行分析预测。 分类方法是一种有监督的学习方法， 它通过在客户样本数据集上建立预测模型， 得到区分客 户是否具有流失倾向的预测模型，预测客户未来的流失倾向。 该类研究主要应用了以下分类方法：支持向量机、人工神经网络、 Logistic回归、贝叶 斯网络、决策树等。 决策树模型 决策树模型 保险客户流失预测考虑主要因素可以选择决策树的方法进行客户流失的预测， 选择这种 方法的原因是因为这种方法得出的模型可以很容易的被人们理解。 尽管其他的一些数据挖掘 技术，比如神经网络也可以产生很好的预测模型， 但是这些模型很难理解。当用这些模型作 预测分析的时候，很难对客户流失原因有深入的了解， 更得不到任何对付客户流失的任何线 索。如果附加其他算法，过程会比较复杂。 在客户流失趋势的预测上，利用信息论中的信息增益赖寻找数据库中具有最大信息量的 字段，作为决策树的一个节点， 再根据字段的不同取值建立树的分支； 再每个分支子集中重 复建立树的下算法是相同的， 不过在运用的场景上不同而已。 通过决策树预测， 可以发现特 征客户群的流失比例， 从而对具有相似特征的客户预测其流失趋势。 为了挽留那些客户， 保 险公司可以有针对性的采取措施， 保护自己的客户，有效的防止客户流失。 基本原理是这样 的，数据挖掘工具会先根据保险公司客户的基本资料进行划分， 产生若干细分群，每个细分 群都会有一些特征， 比如客户持有的保单类型、客户教育背景等等。根据历史记录，某个细 分群中，会有三个客户数。一个是该群中的客户总数 T, 一个是现在还活动的客户数 A,最 后一个是已经离去的客户数 L。那么该群的客户流失率就可以用 I= L/A来计算获得。 这样通过客户特征将他们分属于不同的决策树树叶中， 就可以估算出他们的流失率， 即 流失趋势，同时，可以找出关于客户流失的主要特征。 C4.5算法的决策树构造和剪枝方法 此方法分为了两个部分：第一部分是决策树的建造过程，第二部分是决策树的剪枝过程。 第一部分：决策树构建：首先将样本数据集作为决策树的根节点， 计算当前节点中样本 数据集的每个属性的信息增益比率， 选择所有属性中具有最大信息增益的属性， 作为当前节 点的最佳分裂属性。然后为被选取的最佳分裂属性的每个值创建一个分支， 并将样本数据集 划分成若干个子集，为每个子集创建一个新的节点。递归的执行以上步骤，直到最后所有的 节点符合以下三个终止条件之一： 1） 每个节点的样本集合中所有的属性都属于同一类，并以该类作为该节点的类标签。 设定该节点为叶节点 2） 每个节点的所有样本的剩余属性取值完全相同，但所属类别却不同。选取属性属于 最多的类作为该节点的类标签，并设定其为叶节点。 3） 每个节点的样本集合中所有的属性都已将处理完毕。 选取节点中最多样本所属于的 类作为该节点的类标签，并设其为叶节点。 第二部分：C4.5算法采用的决策树剪枝方法是 EBP剪枝算法，该算法通过比较决策树 剪枝前和剪枝后的期望错误样本率的估计来判断是否进行剪枝。 从概率的角度，计算出关于 错误样本率的一个置信区间[Lcf Ucf],其中，CF为该区间的置信水平。CF的值可以用来 控制剪枝的程度，CF设定的越高，当前错误样本率越易被接受，即若 CF=1,则不需要进行 剪枝，而CF值越低则表明有更多的错误样本，更需要对决策树剪枝。 （C4.5算法默认CF值 为 0.25） Logistic回归分析 Logistic回归方法是一种描述多种独立变量（只有两种结果）之间关系的模型