基于数据挖掘的人寿保险客户细分研究

发布时间：2020-11-01 02:56

　　 近年来,随着社会信息化进程的迅猛发展,数据作为一种资源已经渗透到每一个行业和业务领域。“互联网+”、大数据时代的到来,使金融业正在经历一场革命性的变化,而保险业正在这场变革中酝酿新的变化。保险公司每天在与客户交互中都会产生大量数据流,如何充分利用这些信息为决策者提供决策支持,为企业发展提供升值空间,这是对保险业驾驭数据能力的挑战。客户的数据信息首先由事务处理系统捕获,经系统程序对这些数据进行整理、甄别,并通过收集、归类汇总,存放至客户数据仓库中。保险公司现有的数据库系统已经具备存储海量信息的数据仓库功能,并且数据库系统本身也具备一些基本的数据统计功能。但如何利用自己数据仓库中的信息,实现客户需求超前预测,扩大客户营销广度深度,找到对自己最有效的营销客户对象,开发具有竞争力的业务,成为各家保险公司争相研究的课题。在对保险业乃至整个销售业的客户信息研究过程中,我们发现客户群体细分是一个重要的基础工作。如果仿照过去利用传统的数据分析方法对客户进行细分,会发现是无法解决当下代理人在营销中遇到的问题,而此时如何利用数据挖掘技术建立完善的客户细分方案就显得尤为重要。本文结合某寿险公司客户信息情况,通过采用数据挖掘技术对客户群体细分进行了尝试,并取得有价值的成果。主要工作内容有以下几方面：1、根据寿险公司的客户数据信息以及业务需求建立起基本的数据结构,并利用数据挖掘中的预处理技术对实际数据进行分析和转化,使得数据质量得到提高,以便为数据建模提供良好的基础。2、利用数据挖掘工具Clementine,建立起决策树C5.0模型、K-Means聚类分析模型、Logistic二项回归模型、关联规则Apriori模型,来对公司客户数据信息进行分析。3、经过样本数据的分析,检验数据分析模型的处理效果,得出各分类客户样本及群体特征,并以此为基础对未来客户市场进行了预测。本文所研究方法为公司营销策略提供了帮助,为更好发现新客户和保留老客户,提高市场竞争力,做出了一定贡献。
【学位单位】：安徽大学
【学位级别】：硕士
【学位年份】：2015
【中图分类】：F842.3;TP311.13
【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 保险业目前大数据现状
        1.1.1 大数据来临下的数据资源竞争
        1.1.2 保险业大数据现状与影响展望
        1.1.3 保险业数据挖掘技术应用情况
    1.2 数据挖掘技术对保险业的重要意义
        1.2.1 大数据时代促进金融业数据挖掘技术应用
        1.2.2 保险业强大的用户信息资源是数据挖掘的基础
        1.2.3 数据挖掘是促进保险业未来发展的必备手段
    1.3 客户关系管理中的客户细分
        1.3.1 基于数据仓库的客户关系管理系统设计
        1.3.2 数据挖掘在客户关系管理中的应用
        1.3.3 保险业的客户细分需求
第二章 数据挖掘在保险行业客户分析中的应用
    2.1 数据挖掘概述
        2.1.1 数据挖掘的概念
        2.1.2 数据挖掘的一般步骤
        2.1.3 数据挖掘的过程模型
    2.2 数据挖掘工具
        2.2.1 数据挖掘工具的现状
        2.2.2 数据挖掘工具的选择
    2.3 数据挖掘在数据分析中所运用的方法
        2.3.1 分类和预测
        2.3.2 回归分析
        2.3.3 聚类分析
        2.3.4 关联规则
    2.4 数据挖掘在保险行业客户分析中的典型应用
        2.4.1 数据挖掘技术在保险客户分析中的作用
        2.4.2 数据挖掘技术在保险客户分析中的典型应用
第三章 应用数据挖掘工具对寿险客户进行细分
    3.1 数据预处理
    3.2 数据挖掘过程
    3.3 根据决策树算法C5.0对客户细分进行建模
        3.3.1 C5.0算法概述
        3.3.2 运用决策树C5.0算法对样本进行分析
    3.4 根据聚类分析的算法K-Means对客户细分进行建模
        3.4.1 K-Means算法的概述
        3.4.2 运用K-Means算法对样本进行聚类分析
    3.5 根据回归性分析对客户细分进行建模
        3.5.1 回归性分析概述
        3.5.2 运用二项回归分析对样本进行分析
    3.6 利用关联规则对客户进行细分
        3.6.1 关联规则概述
        3.6.2 运用Apriori算法对样本进行分析
    3.7 对四种模型的综合评价
第四章 总结
    4.1 本次研究的主要工作
        4.1.1 寻找目标客户群体
        4.1.2 从客户角度实现产品组合预测性挖掘
        4.1.3 为决策者的决策提供支持
    4.2 课题研究的局限性
        4.2.1 本课题建模客户数据来源单一
        4.2.2 本课题采集客户数据质量有待提高
        4.2.3 本课题尚缺乏技术上的统一指标及建模标准
    4.3 后续工作
        4.3.1 加强理论研究,追踪数据挖掘的发展方向
        4.3.2 利用数据挖掘技术,进一步做好客户细分研究
        4.3.3 逐步构造智能型数据挖掘,实现全面数据管理
        4.3.4 加强系统技术控制,提高数据源质量
参考文献
致谢

【相似文献】

相关期刊论文 前10条

1 香丽芸;浅谈数据挖掘及其应用[J];昌吉师专学报;2001年02期

2 郑雪燕,张杰明,岳洋;数据挖掘语言[J];计算机时代;2001年11期

3 刘明晶;数据挖掘[J];华南金融电脑;2001年04期

4 张伟;刘勇国;彭军;廖晓峰;吴中福;;数据挖掘发展研究[J];计算机科学;2001年07期

5 钟晓;马少平;张钹;俞瑞钊;;数据挖掘综述[J];模式识别与人工智能;2001年01期

6 朱建平,张润楚;数据挖掘的发展及其特点[J];统计与决策;2002年07期

7 傅岚;在数据海洋中打捞信息数据挖掘[J];科技广场;2002年11期

8 李峻;数据挖掘,企业洞察先机的“慧眼”[J];中国计算机用户;2002年48期

9 罗可,蔡碧野,卜胜贤,谢中科;数据挖掘及其发展研究[J];计算机工程与应用;2002年14期

10 ;2002数据挖掘研讨班[J];计算机工程;2002年06期

相关博士学位论文 前10条

1 于自强;海量流数据挖掘相关问题研究[D];山东大学;2015年

2 张馨;全基因组SNP芯片应用于CNV和L0H分析的软件比对与数据挖掘[D];复旦大学;2011年

3 彭计红;基于数据挖掘的痴呆中医证的研究[D];南京中医药大学;2015年

4 李秋虹;基于MapReduce的大规模数据挖掘技术研究[D];复旦大学;2013年

5 邬文帅;基于多目标决策的数据挖掘方法评估与应用[D];电子科技大学;2015年

6 谢邦彦;整合数据挖掘与TRIZ理论的质量管理方法研究[D];首都经济贸易大学;2010年

7 李荣;生物信息数据挖掘若干关键问题研究与应用[D];复旦大学;2004年

8 李玉华;面向服务的数据挖掘关键技术研究[D];华中科技大学;2006年

9 吴少智;时间序列数据挖掘在生物医学中的应用研究[D];电子科技大学;2010年

10 王珊珊;知识指导下的数据挖掘在新闻和金融工具之间因果关系上的应用[D];中国科学技术大学;2009年

相关硕士学位论文 前10条

1 林仁红;基于数据挖掘的机遇识别与评价研究[D];首都经济贸易大学;2007年

2 张彦俊;游戏运营中的数据挖掘[D];复旦大学;2011年

3 焦亚召;基于多核函数FCM算法在数据挖掘聚类中的应用研究[D];昆明理工大学;2015年

4 王杰锋;物联网能耗数据智能分析及其应用平台设计[D];江南大学;2015年

5 刘学建;数据挖掘在电子商务推荐系统中的应用研究[D];昆明理工大学;2015年

6 戴阳阳;基于数据挖掘的金融时间序列预测研究与应用[D];江南大学;2015年

7 石思优;基于主题模型的医疗数据挖掘研究[D];广东技术师范学院;2015年

8 陈丹;移动互联网信令挖掘实现智慧营销的设计与实现应用研究[D];华南理工大学;2015年

9 陈思;基于数据挖掘的大学生客户识别模型的研究[D];昆明理工大学;2015年

10 位长帅;基于客户数据挖掘的电信客户关系管理研究[D];西南交通大学;2015年

本文编号：2864929