客戶細分在保險營銷中的應(yīng)用研究

楊 郁

(上海交通大學(xué) 信息安全工程學(xué)院，中國 上海 201203)

0 引言

隨著我國社會經(jīng)濟的高速發(fā)展，居民收入和消費水平的不斷提高，和諧社會穩(wěn)步快速建設(shè)都對保險業(yè)的經(jīng)營提出了新的要求。相關(guān)數(shù)據(jù)顯示，我國居民的投保意愿和參保意識正在逐年提升。但是，保險行業(yè)的客戶營銷效果普遍不高。因此，本文從客戶細分理論出發(fā)，使用K-MEANS聚類算法，按人、價值、行為三個維度分別進行客戶細分，再進行統(tǒng)一合并。通過對某壽險公司的實際數(shù)據(jù)進行提取、清洗、處理、挖掘，實現(xiàn)壽險客戶的群體分類，并有針對性的開展營銷活動，為保險公司的業(yè)務(wù)發(fā)展提供了一定的支撐。

1 客戶細分理論與模型

1.1 客戶細分理論

客戶細分是指在已劃分好的特定市場中，根據(jù)客戶的基本特征，行為特征，價值特征等將客戶細分為具有不同險種消費需求的群體。細分能夠幫助企業(yè)找出高價值客戶和潛在客戶，區(qū)分客戶的忠誠度和較易流失的客戶，可以有針對性地提供保險產(chǎn)品和服務(wù)。

客戶細分一般有幾種方式，主要如下：

1)基于人口統(tǒng)計的細分：性別、年齡、戶籍、職業(yè)、收入、教育程度等。

2)基于客戶價值的細分：已繳保費、代繳保費、件均保費等。

3)基于客戶行為的細分：首次購買保單日期、最近一次購買保單日期、購買的險種等。

4)基于客戶態(tài)度的細分：對資費敏感程度、對服務(wù)滿意程度、對企業(yè)的認同度等。

由于各種細分方式，均僅從一個維度進行切入，后續(xù)刻畫客戶會造成比較單一和片面的問題。因此，本文針對基于人口統(tǒng)計、價值、行為這三種細分方式，分別進行聚類，最終將結(jié)果再進行統(tǒng)一整理合并。至于基于客戶態(tài)度的細分方式，由于數(shù)據(jù)獲取難度較大，暫不考慮。

1.2 客戶細分模型

客戶細分一般采用聚類的數(shù)據(jù)挖掘方法建立模型。聚類方法是指：根據(jù)數(shù)據(jù)記錄的相似性對其進行歸組，使群與群之間差別很明顯，而同一個群之間的數(shù)據(jù)盡量相似。在這種情況下，分群將把類似的顧客歸組到一起，同時最大程度地體現(xiàn)按此方式組成的不同顧客組之間的差異。常用的聚類方法有：基于劃分的聚類，基于層次的聚類，基于密度的聚類等。本文中基于實際數(shù)據(jù)量大小和處理效率，采用KMEANS算法進行聚類。

2 基于聚類算法的壽險客戶細分

2.1 數(shù)據(jù)準備

以某月的壽險個險投保人寬表作為拍照群體，按照10%左右進行隨機抽樣，生成約10萬客戶進行建模，字段涵蓋客戶基礎(chǔ)信息、投保人價值信息、投保人行為信息、投保人購買產(chǎn)品信息等，共計400余個字段。

2.2 數(shù)據(jù)探索

在獲取數(shù)據(jù)之后，需首先對需要建模的數(shù)據(jù)進行探索。數(shù)據(jù)探索一般會根據(jù)字段類型，對字符型字段采用分布分析，對數(shù)值型字段采用集中度和離散度的分析(包括：均值，中位數(shù)，方差，分位數(shù)等)，主要目的是查看輸入變量是否有缺失值、單一值、單類別取值過大、極值等影響。結(jié)合后續(xù)的聚類分析，本文對缺失值超過20%的字段、單一值字段、單類別取值過大的字段均直接進行剔除，對極值的整條記錄進行剔除。

2.3 變量篩選

經(jīng)過上述處理后，剩余變量約為100個，根據(jù)人口統(tǒng)計、客戶價值、客戶行為三種方式，對變量進行分類篩選。

1)人口統(tǒng)計方式：取客戶的年齡作為細分變量。因為年齡層次不同的客戶，往往也會有不同的保險需求，同時，年齡也可以間接反映客戶所處于的生命周期階段和消費水平能力等。因此，直接將年齡劃分成如下五段：19-30歲、31-40歲、41-50歲、51-60歲、60歲以上，即對應(yīng)五個用戶群。

2)客戶價值方式：衡量投保人的保費價值，此部分變量較多，需做降維處理。主要方法是通過相關(guān)分析、主成分分析和變量聚類，發(fā)現(xiàn)相關(guān)性較高的變量，并將這些高相關(guān)性變量組成一類。在每類中，根據(jù)1-R**2 Ratio指標和業(yè)務(wù)人員經(jīng)驗，選取1-2個有代表性的變量。最終，選取四個變量如下：件均保費、已繳保費、未繳保費、躉交保費。

3)客戶行為方式：衡量投保人的行為方式。同樣，此部分變量納入較多，需做降維處理，具體方法同上。最終，選取變量如下：首次購買保單距今時長、保單數(shù)量、加保次數(shù)、為他人購買保單數(shù)量、不同險種購買保單數(shù)等字段。

2.4 模型建立和檢驗

通過SPSS軟件，運用K-MEANS快速聚類方法對上述價值變量和行為變量進行聚類。由于K-MEANS需要預(yù)先設(shè)置聚類數(shù)目，一般可以從初始值4開始，不斷增加聚類數(shù)，并觀察聚類結(jié)果進行評估。聚類評估主要可以從以下兩方面來考慮：

1)輪廓值：SPSS選用輪廓值來評價聚類的好壞。對于不同的聚類組數(shù)，可分別求出他們的輪廓值(silhouette width)，一般該值越大越好，超過0.5，就認為是比較好的分類結(jié)果，0.2以下則表明缺少實質(zhì)的聚類結(jié)構(gòu)。

2)業(yè)務(wù)分析：對聚類的結(jié)果，從業(yè)務(wù)上進行分析。檢驗不同類之間的聚類變量均值或分布是否有顯著差異，來衡量類與類之間的相異性。此外，業(yè)務(wù)上的可解釋性也是重要的判斷準則。

因此，根據(jù)以上原則，對價值群聚成五類，對行為群聚成六類，具體如下：

表1 客戶價值分群結(jié)果

表2 客戶行為分群結(jié)果

2.5 應(yīng)用與實施

針對上述客戶的人口統(tǒng)計信息(按年齡，5類)，客戶價值(5類)，客戶行為(6類)進行整合歸并，最終形成25個聚類群體，有針對性的開展營銷，部分舉例如下：

表3 最終分群結(jié)果示例

3 總結(jié)與展望

為了彌補以往客戶細分方式唯一的不足，本文從客戶的人口統(tǒng)計信息、客戶價值信息、客戶行為信息三個維度進行客戶細分，采用KMEANS算法進行快速聚類，并對最終結(jié)果進行有效合并，提出相對應(yīng)的營銷策略和產(chǎn)品提升方案。

保險營銷效果，不僅與客戶的選取相關(guān)，營銷策略、營銷渠道、營銷時間等方面也是影響成功率的重要因素，后續(xù)可將細分結(jié)果與推送系統(tǒng)相結(jié)合，進一步對客戶的渠道偏好等進行分析。

[1]陳文偉,黃金才.數(shù)據(jù)倉庫與數(shù)據(jù)挖掘[M[.北京:人民郵電出版社,2004.

[2]張敏.數(shù)據(jù)挖掘技術(shù)在保險客戶群體細分中的應(yīng)用研究[D].天津財經(jīng)大學(xué),2006.

[3]Russell S.Winer.A Framework for Customer Relationship Management[J].California Management Review,2001,43(4):89-105.

[4]Ricardo Chalmeta.Methodology for Customer Relationship Management[J].The Journa of Systems and Software,2005.