基于數(shù)據(jù)分析的保險(xiǎn)業(yè)營(yíng)銷和服務(wù)方向研究

趙玲君

摘要我國(guó)保險(xiǎn)業(yè)正處于快速增長(zhǎng)期，而信息時(shí)代的到來(lái)，允許車險(xiǎn)企業(yè)可以通過(guò)數(shù)字化技術(shù)更加精準(zhǔn)地定制營(yíng)銷和服務(wù)方案。本文基于車險(xiǎn)公司數(shù)據(jù)庫(kù)進(jìn)行數(shù)據(jù)挖掘，將Logistic多元回歸模型應(yīng)用在事故率的預(yù)測(cè)中，獲取對(duì)事故率影響最大的三個(gè)變量，并且提出基于聚類分析和決策樹(shù)算法的續(xù)保率預(yù)測(cè)模型以進(jìn)行優(yōu)化，最終達(dá)到提高續(xù)保率的效果。

關(guān)鍵詞 Logistic多元回歸模型;聚類分析;Cart決策樹(shù)

一、背景與研究意義

我國(guó)保險(xiǎn)業(yè)正處于快速增長(zhǎng)期。一方面，由于收入水平的提升，居民對(duì)健康和安全有了更高要求，進(jìn)而對(duì)保險(xiǎn)的需求有所提升;另一方面，互聯(lián)網(wǎng)金融、大數(shù)據(jù)、云計(jì)算等科技的發(fā)展，為保險(xiǎn)業(yè)的發(fā)展帶來(lái)巨大機(jī)遇。在高速發(fā)展的保險(xiǎn)市場(chǎng)中，車險(xiǎn)作為我國(guó)滲透率最高的險(xiǎn)種，其發(fā)展面臨著巨大的機(jī)遇和挑戰(zhàn)。

近年來(lái)，一大批保險(xiǎn)公司互聯(lián)網(wǎng)公司開(kāi)始利用技術(shù)支持或合作等方式，介入U(xiǎn)Bl車險(xiǎn)行列。UBl車險(xiǎn)區(qū)別于傳統(tǒng)車險(xiǎn)按車型和歷史出險(xiǎn)記錄定價(jià)的定價(jià)方式，旨在通過(guò)采集車主駕車的相關(guān)使用數(shù)據(jù)，來(lái)掌握車主駕駛行為，從而根據(jù)風(fēng)險(xiǎn)進(jìn)行相應(yīng)的車險(xiǎn)定價(jià)[1]。

目前很多保險(xiǎn)公司開(kāi)始大力推進(jìn)電銷和網(wǎng)銷，這樣可以直接獲取一手信息。通過(guò)直接從客戶獲取駕駛習(xí)慣信息，能更加精準(zhǔn)地了解客戶，制定營(yíng)銷和服務(wù)方案。

二、Logistic多元回歸模型

Logistic回歸是分類資料回歸分析的一種，而且是最基礎(chǔ)的一種。Logistic回歸中，變量既可以是連續(xù)的，也可以是分類的。Logistic回歸的實(shí)質(zhì)是：發(fā)生概率除以沒(méi)有發(fā)生概率再取對(duì)數(shù)，從而改變?nèi)≈祬^(qū)間的矛盾和因變量自變量間的曲線關(guān)系。

我們采用多元的logistic回歸模型[2]：

之后將變量及維度代入模型進(jìn)行回歸求解，即可求出對(duì)是否出事故影響因素最大的因素。經(jīng)過(guò)簡(jiǎn)單分析得到：連續(xù)駕駛時(shí)間對(duì)于事故率的影響最為顯著。本文認(rèn)為連續(xù)駕車時(shí)間影響事故率主要有以下原因：一是長(zhǎng)時(shí)間目視前方使眼睛疲勞;二是壓抑感;三是長(zhǎng)時(shí)間駕駛導(dǎo)致注意力不集中，不能夠做出即時(shí)反應(yīng)，甚至于當(dāng)危險(xiǎn)突然出現(xiàn)的時(shí)候，會(huì)產(chǎn)生頭腦瞬間崩潰的現(xiàn)象[3]。

駕駛速度和急加速急減速發(fā)生頻率也是影響事故率的重要因素。駕駛員駕駛速度越大，越容易出事故，主要原因有：一是車速越快，車輛會(huì)變得越加難以操控;二是剎車距離隨車速提升而增加，增大事故發(fā)生的可能性[嗍。急加速急減速發(fā)生頻率增大，出事故的概率上升。是因?yàn)榧奔铀偌睖p速發(fā)生頻率高的駕駛員，駕駛習(xí)慣較差，更易出現(xiàn)急躁情緒，出事故的概率大大提升[5]。

三、基于聚類分析和決策樹(shù)算法的續(xù)保率預(yù)測(cè)模型

決策樹(shù)學(xué)習(xí)是以實(shí)例為基礎(chǔ)的監(jiān)督歸納學(xué)習(xí)算法，最著名的決策樹(shù)算法有ID3、C415、CART等[6]。因?yàn)檩斎霐?shù)據(jù)集不確定，因此采用CART算法m。

系統(tǒng)聚類算法能夠?qū)m(xù)保概率進(jìn)行聚類，將此結(jié)果作為CART決策樹(shù)算法的輸出。將問(wèn)卷數(shù)據(jù)作為決策樹(shù)的輸入。運(yùn)用CART算法形成影響因素與續(xù)保概率之間的分類規(guī)則，最后運(yùn)用規(guī)則對(duì)續(xù)保概率進(jìn)行預(yù)測(cè)。

先尋找與續(xù)保概率相關(guān)的影響因素，將這些因素作為決策樹(shù)的輸入，運(yùn)用決策樹(shù)算法形成影響因素與續(xù)保概率之間的分類規(guī)則，之后運(yùn)用已有規(guī)則對(duì)客戶的續(xù)保概率進(jìn)行預(yù)測(cè)。

通過(guò)聚類分析，將續(xù)保概率劃分為“可能性較大，待定，不可能”三個(gè)層級(jí)，然后建立多方面影響因素的屬性集合，Cart決策樹(shù)將屬性集合與從聚類中得到的三個(gè)層級(jí)聯(lián)系起來(lái)，從而得到屬性集合與續(xù)保概率區(qū)間的關(guān)聯(lián)規(guī)則，運(yùn)用所有收集到的數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試，得到最終從葉子結(jié)點(diǎn)到根節(jié)點(diǎn)權(quán)重逐漸增加的決策樹(shù)。

通過(guò)對(duì)最終決策樹(shù)的分析，可以得出影響客戶續(xù)保概率高低的因素的權(quán)重。從一級(jí)影響因素到五級(jí)影響因素權(quán)重依次降低，保險(xiǎn)公司可以針對(duì)權(quán)重較高的影響因素推出相應(yīng)的方案。

參考文獻(xiàn)：

[1]蔣煒.車險(xiǎn)定價(jià)可否與駕駛習(xí)慣掛鉤[N].解放日?qǐng)?bào)，2017-12-12（13）

[2]韓中庚.數(shù)學(xué)建模方法及其應(yīng)用[M]2版.北京：高等教育出版社.2008

[3]劉秀，王長(zhǎng)君，何慶.疲勞駕駛交通事故的特點(diǎn)分析與預(yù)防[J]中國(guó)安全生產(chǎn)科學(xué)技術(shù)，2008，4 （1）：128-131.Ll UXiu，WANGChang-jun. HE Qing. Characteristic analy-sis and prevention of trafficaccidents by fatigue drivingU] Journal of Safty Science and Technology.2008.4（1）：128-131. （in Chinese）

[4]駕駛行為理論模型研究概述[J]張鳳，李永娟，蔣麗.中國(guó)安全科學(xué)學(xué)報(bào)2010（02）

[5]憤怒情緒下的汽車駕駛行為特征及其對(duì)交通安全的影響研究[D].雷虎武漢理工大學(xué)2011

[6]基于多元回歸模型的個(gè)私從業(yè)人數(shù)影響因素的實(shí)證分析[J]王亞榮江漢大學(xué)學(xué)報(bào)（自然科學(xué)版）2017（01）

[7]中國(guó)上市公司戰(zhàn)略與企業(yè)社會(huì)責(zé)任相關(guān)性研究[J]徐娟北京城市學(xué)院學(xué)報(bào)2017（02）