導(dǎo)語(yǔ)：客戶(hù)細(xì)分下的保險(xiǎn)營(yíng)銷(xiāo)論文一文來(lái)源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢(xún)客服老師，歡迎參考。

1客戶(hù)細(xì)分理論與模型

1.1客戶(hù)細(xì)分理論

客戶(hù)細(xì)分是指在已劃分好的特定市場(chǎng)中，根據(jù)客戶(hù)的基本特征，行為特征，價(jià)值特征等將客戶(hù)細(xì)分為具有不同險(xiǎn)種消費(fèi)需求的群體。細(xì)分能夠幫助企業(yè)找出高價(jià)值客戶(hù)和潛在客戶(hù)，區(qū)分客戶(hù)的忠誠(chéng)度和較易流失的客戶(hù)，可以有針對(duì)性地提供保險(xiǎn)產(chǎn)品和服務(wù)?？蛻?hù)細(xì)分一般有幾種方式，主要如下：

1）基于人口統(tǒng)計(jì)的細(xì)分：性別、年齡、戶(hù)籍、職業(yè)、收入、教育程度等。

2）基于客戶(hù)價(jià)值的細(xì)分：已繳保費(fèi)、代繳保費(fèi)、件均保費(fèi)等。

3）基于客戶(hù)行為的細(xì)分：首次購(gòu)買(mǎi)保單日期、最近一次購(gòu)買(mǎi)保單日期、購(gòu)買(mǎi)的險(xiǎn)種等。

4）基于客戶(hù)態(tài)度的細(xì)分：對(duì)資費(fèi)敏感程度、對(duì)服務(wù)滿(mǎn)意程度、對(duì)企業(yè)的認(rèn)同度等。由于各種細(xì)分方式，均僅從一個(gè)維度進(jìn)行切入，后續(xù)刻畫(huà)客戶(hù)會(huì)造成比較單一和片面的問(wèn)題。因此，本文針對(duì)基于人口統(tǒng)計(jì)、價(jià)值、行為這三種細(xì)分方式，分別進(jìn)行聚類(lèi)，最終將結(jié)果再進(jìn)行統(tǒng)一整理合并。至于基于客戶(hù)態(tài)度的細(xì)分方式，由于數(shù)據(jù)獲取難度較大，暫不考慮。

1.2客戶(hù)細(xì)分模型

客戶(hù)細(xì)分一般采用聚類(lèi)的數(shù)據(jù)挖掘方法建立模型。聚類(lèi)方法是指：根據(jù)數(shù)據(jù)記錄的相似性對(duì)其進(jìn)行歸組，使群與群之間差別很明顯，而同一個(gè)群之間的數(shù)據(jù)盡量相似。在這種情況下，分群將把類(lèi)似的顧客歸組到一起，同時(shí)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(lèi)方法有：基于劃分的聚類(lèi)，基于層次的聚類(lèi)，基于密度的聚類(lèi)等。本文中基于實(shí)際數(shù)據(jù)量大小和處理效率，采用K-MEANS算法進(jìn)行聚類(lèi)。

2基于聚類(lèi)算法的壽險(xiǎn)客戶(hù)細(xì)分

2.1數(shù)據(jù)準(zhǔn)備

以某月的壽險(xiǎn)個(gè)險(xiǎn)投保人寬表作為拍照群體，按照10%左右進(jìn)行隨機(jī)抽樣，生成約10萬(wàn)客戶(hù)進(jìn)行建模，字段涵蓋客戶(hù)基礎(chǔ)信息、投保人價(jià)值信息、投保人行為信息、投保人購(gòu)買(mǎi)產(chǎn)品信息等，共計(jì)400余個(gè)字段。

2.2數(shù)據(jù)探索

在獲取數(shù)據(jù)之后，需首先對(duì)需要建模的數(shù)據(jù)進(jìn)行探索。數(shù)據(jù)探索一般會(huì)根據(jù)字段類(lèi)型，對(duì)字符型字段采用分布分析，對(duì)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(lèi)別取值過(guò)大、極值等影響。結(jié)合后續(xù)的聚類(lèi)分析，本文對(duì)缺失值超過(guò)20%的字段、單一值字段、單類(lèi)別取值過(guò)大的字段均直接進(jìn)行剔除，對(duì)極值的整條記錄進(jìn)行剔除。

2.3變量篩選

經(jīng)過(guò)上述處理后，剩余變量約為100個(gè)，根據(jù)人口統(tǒng)計(jì)、客戶(hù)價(jià)值、客戶(hù)行為三種方式，對(duì)變量進(jìn)行分類(lèi)篩選。1）人口統(tǒng)計(jì)方式：取客戶(hù)的年齡作為細(xì)分變量。因?yàn)槟挲g層次不同的客戶(hù)，往往也會(huì)有不同的保險(xiǎn)需求，同時(shí)，年齡也可以間接反映客戶(hù)所處于的生命周期階段和消費(fèi)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(duì)應(yīng)五個(gè)用戶(hù)群。2）客戶(hù)價(jià)值方式：衡量投保人的保費(fèi)價(jià)值，此部分變量較多，需做降維處理。主要方法是通過(guò)相關(guān)分析、主成分分析和變量聚類(lèi)，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(lèi)。在每類(lèi)中，根據(jù)1-R**2Ratio指標(biāo)和業(yè)務(wù)人員經(jīng)驗(yàn)，選取1-2個(gè)有代表性的變量。最終，選取四個(gè)變量如下：件均保費(fèi)、已繳保費(fèi)、未繳保費(fèi)、躉交保費(fèi)。3）客戶(hù)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(gòu)買(mǎi)保單距今時(shí)長(zhǎng)、保單數(shù)量、加保次數(shù)、為他人購(gòu)買(mǎi)保單數(shù)量、不同險(xiǎn)種購(gòu)買(mǎi)保單數(shù)等字段。

2.4模型建立和檢驗(yàn)

通過(guò)SPSS軟件，運(yùn)用K-MEANS快速聚類(lèi)方法對(duì)上述價(jià)值變量和行為變量進(jìn)行聚類(lèi)。由于K-MEANS需要預(yù)先設(shè)置聚類(lèi)數(shù)目，一般可以從初始值4開(kāi)始，不斷增加聚類(lèi)數(shù)，并觀察聚類(lèi)結(jié)果進(jìn)行評(píng)估。聚類(lèi)評(píng)估主要可以從以下兩方面來(lái)考慮：1）輪廓值：SPSS選用輪廓值來(lái)評(píng)價(jià)聚類(lèi)的好壞。對(duì)于不同的聚類(lèi)組數(shù)，可分別求出他們的輪廓值（silhouettewidth），一般該值越大越好，超過(guò)0.5，就認(rèn)為是比較好的分類(lèi)結(jié)果，0.2以下則表明缺少實(shí)質(zhì)的聚類(lèi)結(jié)構(gòu)。2）業(yè)務(wù)分析：對(duì)聚類(lèi)的結(jié)果，從業(yè)務(wù)上進(jìn)行分析。檢驗(yàn)不同類(lèi)之間的聚類(lèi)變量均值或分布是否有顯著差異，來(lái)衡量類(lèi)與類(lèi)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(zhǔn)則）.

2.5應(yīng)用與實(shí)施

針對(duì)上述客戶(hù)的人口統(tǒng)計(jì)信息（按年齡，5類(lèi)），客戶(hù)價(jià)值（5類(lèi)），客戶(hù)行為（6類(lèi)）進(jìn)行整合歸并，最終形成25個(gè)聚類(lèi)群體，有針對(duì)性的開(kāi)展營(yíng)銷(xiāo).

3總結(jié)與展望

為了彌補(bǔ)以往客戶(hù)細(xì)分方式唯一的不足，本文從客戶(hù)的人口統(tǒng)計(jì)信息、客戶(hù)價(jià)值信息、客戶(hù)行為信息三個(gè)維度進(jìn)行客戶(hù)細(xì)分，采用K-MEANS算法進(jìn)行快速聚類(lèi)，并對(duì)最終結(jié)果進(jìn)行有效合并，提出相對(duì)應(yīng)的營(yíng)銷(xiāo)策略和產(chǎn)品提升方案。保險(xiǎn)營(yíng)銷(xiāo)效果，不僅與客戶(hù)的選取相關(guān)，營(yíng)銷(xiāo)策略、營(yíng)銷(xiāo)渠道、營(yíng)銷(xiāo)時(shí)間等方面也是影響成功率的重要因素，后續(xù)可將細(xì)分結(jié)果與推送系統(tǒng)相結(jié)合，進(jìn)一步對(duì)客戶(hù)的渠道偏好等進(jìn)行分析。

作者：楊郁單位：上海交通大學(xué)信息安全工程學(xué)院