保险企业中商业智能技术的应用.docxVIP

PAGE 1 PAGE 1 保险企业中商业智能技术的应用  商业智能(BusinessIntelligence，BI)应用可以奇妙地分析出两种看似毫不相干的东西之间原来有着千丝万缕的联系，如今以数据仓库为核心的BI应用正在成为国内许多用户们实施的热点。那么BI毕竟能给保险行业带来什么，怎样有效地利用BI是其中的关键问题。  详细地说，商业智能技术由数据仓库(datawarehousing)、联机分析处理(on-lineanalyticalprocessing，简称OLAP)、数据挖掘(datamining)组成，包括这三者在内的用于综合、探查和分析商务数据的先进的信息技术的统称就是商务智能技术。  数据仓库是一个面向主题的、集成的、随时间变化的,主要用于决策支持的数据集合。一般来说，保险企业内大都存在着各种各样的信息系统，这些应用驱动的操作型信息系统为企业不同的业务系统服务，具有不同接口和不同的数据表示方法，相互孤立。c对于数据仓库中的数据，可以使用一些增加的查询和报表工具进行复杂的查询和即时的报表制作，可以利用OLAP技术从多种角度对保险业务数据进行多方面的汇总、统计、计算，还可以利用数据挖掘技术自动发觉其中隐含的客户销售习惯、客户类别、理赔信息、产品销售信息等。  数据挖掘又称学问发觉(KnowledgeDiscoveryinDatabase，简称KDD)，是从大量数据中抽取有意义的、隐含的、以前未知的并有潜在使用价值的学问过程。数据挖掘是一个多学科交叉性学科，它涉及统计学、数据库、模式识别、可视化以及高性能计算等多个学科。利用数据挖掘技术可以分析各种类型的数据，例如结构化数据、半结构化数据以及非结构化数据、静态的历史数据和动态数据流数据等。  数据挖掘技术在保险企业的应用分析  数据挖掘是从大量的、不完全的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的数据中发觉其潜在规律的技术，是当前计算机科学研究的热点之一。随着信息技术的高速发展，积累的有关保险业务的数据量剧增，如何从大量的数据中提取有用的学问成为保险企业的当务之急。数据挖掘就是为顺应需要应运而生发展起来的数据处理技术。  数据挖掘的对象  关系数据库(relationaldatabase)中通常存储和管理的是结构化的数据，它将一个实体的各方面信息通过离散的属性进行描述。而文本数据库(textdatabase)或文档数据库(documentdatabase)则通常存储和管理的是半结构化的数据，例如新闻稿件、研究论文、电子邮件、书籍以及WEB页面等都属于半结构化数据。空间数据库、多媒体数据库中存放的是非结构化数据，例如地图、图片、音频、视频等都属于非结构化数据。相对于半结构化和非结构化数据来说，针对结构化数据的数据挖掘技术比较成熟，市场上有许多商品软件可以使用，用得较多的包括IBMIntelligentMiner、SASEnterpriseMiner、SGIMineSet、ClementineSPSS以及MicrosoftSQLServer2005等。关于半结构化和非结构化的数据挖掘软件尚不多，相应的算法相对还较少。从另一个角度来说，数据挖掘的分析对象分为两种类型：静态数据和数据流(datastream)数据。  数据挖掘的分析  无论要分析的数据对象的类型如何，常用的数据挖掘分析包括分类、预估、聚类分析以及序列分析等。  分类分析　分类分析是通过分析具有类别的样本的特点，得到打算样本属于各种类别的规则或方法。利用这些规则和方法对未知类别的样本分类时应当具有一定的精确度。分类分析可以依据客户的购买水平和基本特征对客户进行分类，找出对保险企业有较大利益贡献的重要客户的特征，通过对其进行个性化、贵宾式的服务，提高他们的忠诚度，进行深度开发。  聚类分析　聚类分析是依据物以类聚的原理，将本身没有类别的样本聚集成不同的组，并且对每一个这样的组进行描述的过程。其主要依据是聚到同一个组中的样本应当彼此相似，而属于不同组的样本应当足够不相似。  　　以保险企业的客户关系管理为例，利用聚类分析，依据客户在不同特征如性别、年龄、收入水平、交易历史、教育状况、家庭状况等方面的相似程度，对客户进行分类。通过聚类分析，保险企业往往可以发觉客户的群体行为，了解客户的共性，从而供应有针对性的客户服务，提高企业服务成功率，如供应针对性的产品组合，可以提高保单的促成率等等。  次序分析次序分析用于识别详细具有先后次序的不同时间之间的关联性。比如，通过分析客户不同次产品的购买模式发觉，假如客户本次光临购买的是重疾险，下次购买的是分红保险，则企业可以通过