客户细分下的保险营销论文.docVIP

客户细分下的保险营销论文 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**2Ratio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。聚类评估主要可以从以下两方面来考虑：1）轮廓值：SPSS选用轮廓值来评价聚类的好坏。对于不同的聚类组数，可分别求出他们的轮廓值（silhouettewidth），一般该值越大越好，超过0.5，就认为是比较好的分类结果，0.2以下则表明缺少实质的聚类结构。2）业务分析：对聚类的结果，从业务上进行分析。检验不同类之间的聚类变量均值或分布是否有显著差异，来衡量类与类之间的相异性。此外，业务上的可解释性也是重要的判断准则）. 2.5应用与实施 针对上述客户的人口统计信息（按年龄，5类），客户价值（5类），客户行为（6类）进行整合归并，最终形成25个聚类群体，有针对性的开展营销. 3总结与展望 为了弥补以往客户细分方式唯一的不足，本文从客户的人口统计信息、客户价值信息、客户行为信息三个维度进行客户细分，采用K-MEANS算法进行快速聚类，并对最终结果进行有效合并，提出相对