一種組合模型在車險續保率中的應用

劉亮

摘要：本文針對車險續保率，建立了K-means聚類算法與支持向量機的組合模型。利用K-means聚類算法將客戶劃分為某幾類，然后對每一類客戶用支持向量機求出續保概率，并用多元回歸分析得到每一類客戶的主要影響因素，最后將續保率最高的一類客戶的主要影響因素與其余類客戶的主要影響因素進行對比，針對性地提供銷售方案，實現由低續保率向高續保率的轉化。

關鍵詞：車險續保率;K-means聚類;支持向量機;多元回歸

中圖分類號：F842.6 文獻標識碼：A 文章編號：1007-9416（2019）07-0106-01

0 引言

1978年改革開放以來，各行業蓬勃發展，汽車保險市場逐漸地被挖掘，其市場競爭也愈發激烈。在目前的國內保險公司中，汽車保險業務保費收入已占到其財產保險業務總保費收入的一半以上[1]，由此可見，汽車保險業務在保險公司中占有極其重要的地位。但做到高續保率的財險公司是很少的，客戶留存率低成為了財險公司的一大難題[2]。以往，保險公司為了贏得市場，采用的是低價、折扣等銷售措施來拉取客戶，提高客戶的續保率。但是激烈的市場競爭，使得大量的保險公司的利潤率逐年下降，甚至為了占領市場有些惡性競爭導致保險公司虧本經營。鑒于此，如何科學地、有效地爭取客戶，提高客戶續保率，成為保險公司的當務之急。

本文對于此建立了K-means聚類算法與支持向量機的組合模型，來解決車險行業續保率低的問題。

1 組合模型

1.1 K-means聚類算法簡介

K-means聚類算法是一種著名的原型聚類算法，其目的在于把類似的樣本聚在一起構成一類，但并不需要知道這一類具體是什么。

聚類分析算法的基本步驟如下：

（1）指定聚類數目K;

（2）選擇K個初始的聚類中心，即確定初始均值向量;

（3）根據最近原則進行聚類：對于樣本集D，分別計算出每個樣本到各個聚類中心的距離，樣本距離哪個聚類中心近就被劃分到這個聚類中心所代表的類中;

（4）劃分完成后，重新計算聚類中心;

（5）將本次得到的K個聚類中心與前次得到的聚類中心進行比較，如果聚類中心發生變化，轉（3），否則轉（6）[3];

（6）當聚類中心不發生變化或收斂時算法停止。

1.2 支持向量機簡介

支持向量機（SVM）是一種二分類模型。它在解決小樣本、非線性和高維模式識別問題中表現出許多特有的優勢[4]。

給一個數據樣本集，這里，支持向量機的任務就是找到一個劃分超平面，將樣本集D劃分為兩類，并且使分類結果是最魯棒的。劃分超平面的線性方程可表示如下：

2 模型求解

根據K-means聚類算法，對已得數據預處理后進行聚類分析。經過多次嘗試，發現將客戶分成三類時的聚類效果比較好，因此本文通過K-means聚類算法將客戶分為了三類。

將聚類處理好的客戶數據帶入編寫好的支持向量機代碼中，進行訓練。為減小誤差，每一類客戶數據都執行了10次代碼，每一次都得到一個續保率，再對每一類客戶的續保率取平均值，得表1。

在表1中，可得到三類客戶的平均續保率分別為：0.219552351、0.300796983、0.063300232。

將某類客戶與此類客戶聚類中心之間的距離和它的影響因素進行多元回歸分析，得到回歸系數即影響因素對客戶續保率的影響權重，選取權重明顯大的為主要影響因素。

第一、第二、第三類客戶續保率的主要影響因素分別為：渠道、保單性質、是否為本省車牌、車齡、立案件數;續保年、保單性質、是否為本省車牌、使用性質、簽單保費;渠道、保單性質、車齡、立案件數。

3 結果分析

根據求解結果對每一類客戶針對性地提出優惠和福利方案。第二類客戶的續保率高于其余兩類，第二類與第一類客戶相同的主要影響因素為：保單性質、是否為本省車牌，第二類與第三類客戶相同的主要影響因素為：保單性質。因此對于第一類客戶，需要圍繞保單性質、是否為本省車牌這兩個因素提供優惠和福利方案，而對于第三類客戶，則需要圍繞保單性質這一個因素提供優惠和福利方案，使第一、三類客戶的主要影響因素接近于第二類客戶的主要影響因素，從而達到提高客戶續保率的要求。而對于續保率最高的第二類客戶而言，本文建議從此類客戶的主要影響因素出發制定銷售方案，還可進一步對第二類客戶進行再細分。

參考文獻

[1] 何克勤.探析車險銷售的必要性[J].赤子，2014（4）：245.

[2] 楊子江，王野，馬天詣.影響汽車保險續保率的因素分析[J].企業研究，2011（10）：107.

[3] 鄒彥雯.定制商務班車線路設計研究[D].北京交通大學，2017.

[4] 丁世飛，齊丙娟，譚紅艷.支持向量機理論與算法研究綜述[J].電子科技大學學報，2011，40（01）：2-10.