淺談客戶(hù)細分下的保險營(yíng)銷(xiāo)論文

　　1客戶(hù)細分理論與模型

　　1.1客戶(hù)細分理論

　　客戶(hù)細分是指在已劃分好的特定市場(chǎng)中，根據客戶(hù)的基本特征，行為特征，價(jià)值特征等將客戶(hù)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(jià)值客戶(hù)和潛在客戶(hù)，區分客戶(hù)的忠誠度和較易流失的客戶(hù)，可以有針對性地提供保險產(chǎn)品和服務(wù)�？蛻�(hù)細分一般有幾種方式，主要如下：

　　1）基于人口統計的細分：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)值的細分：已繳保費、代繳保費、件均保費等。

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

　　4）基于客戶(hù)態(tài)度的細分：對資費敏感程度、對服務(wù)滿(mǎn)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(gè)維度進(jìn)行切入，后續刻畫(huà)客戶(hù)會(huì )造成比較單一和片面的問(wèn)題。因此，本文針對基于人口統計、價(jià)值、行為這三種細分方式，分別進(jìn)行聚類(lèi)，最終將結果再進(jìn)行統一整理合并。至于基于客戶(hù)態(tài)度的細分方式，由于數據獲取難度較大，暫不考慮。

　　1.2客戶(hù)細分模型

　　客戶(hù)細分一般采用聚類(lèi)的數據挖掘方法建立模型。聚類(lèi)方法是指：根據數據記錄的相似性對其進(jìn)行歸組，使群與群之間差別很明顯，而同一個(gè)群之間的數據盡量相似。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)際數據量大小和處理效率，采用K-MEANS算法進(jìn)行聚類(lèi)。

　　2基于聚類(lèi)算法的壽險客戶(hù)細分

　　2.1數據準備

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

　　2.2數據探索

　　在獲取數據之后，需首先對需要建模的數據進(jìn)行探索。數據探索一般會(huì )根據字段類(lèi)型，對字符型字段采用分布分析，對數值型字段采用集中度和離散度的分析（包括：均值，中位數，方差，分位數等），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。結合后續的聚類(lèi)分析，本文對缺失值超過(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)，根據人口統計、客戶(hù)價(jià)值、客戶(hù)行為三種方式，對變量進(jìn)行分類(lèi)篩選。1）人口統計方式：取客戶(hù)的年齡作為細分變量。因為年齡層次不同的客戶(hù)，往往也會(huì )有不同的保險需求，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，即對應五個(gè)用戶(hù)群。2）客戶(hù)價(jià)值方式：衡量投保人的保費價(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1-R**2Ratio指標和業(yè)務(wù)人員經(jīng)驗，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、已繳保費、未繳保費、躉交保費。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：首次購買(mǎi)保單距今時(shí)長(cháng)、保單數量、加保次數、為他人購買(mǎi)保單數量、不同險種購買(mǎi)保單數等字段。

　　2.4模型建立和檢驗

　　通過(guò)SPSS軟件，運用K-MEANS快速聚類(lèi)方法對上述價(jià)值變量和行為變量進(jìn)行聚類(lèi)。由于K-MEANS需要預先設置聚類(lèi)數目，一般可以從初始值4開(kāi)始，不斷增加聚類(lèi)數，并觀(guān)察聚類(lèi)結果進(jìn)行評估。聚類(lèi)評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)評價(jià)聚類(lèi)的好壞。對于不同的聚類(lèi)組數，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，就認為是比較好的分類(lèi)結果，0.2以下則表明缺少實(shí)質(zhì)的聚類(lèi)結構。2）業(yè)務(wù)分析：對聚類(lèi)的結果，從業(yè)務(wù)上進(jìn)行分析。檢驗不同類(lèi)之間的聚類(lèi)變量均值或分布是否有顯著(zhù)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則）.

　　2.5應用與實(shí)施

　　針對上述客戶(hù)的人口統計信息（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，有針對性的開(kāi)展營(yíng)銷(xiāo).

　　3總結與展望

　　為了彌補以往客戶(hù)細分方式唯一的不足，本文從客戶(hù)的人口統計信息、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)細分，采用K-MEANS算法進(jìn)行快速聚類(lèi)，并對最終結果進(jìn)行有效合并，提出相對應的營(yíng)銷(xiāo)策略和產(chǎn)品提升方案。保險營(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，后續可將細分結果與推送系統相結合，進(jìn)一步對客戶(hù)的渠道偏好等進(jìn)行分析。

【淺談客戶(hù)細分下的保險營(yíng)銷(xiāo)論文】相關(guān)文章：

淺談網(wǎng)絡(luò )保險發(fā)展論文05-27

客戶(hù)價(jià)值與企業(yè)營(yíng)銷(xiāo)分析論文02-20

共贏(yíng)理念下的企業(yè)營(yíng)銷(xiāo)論文11-09

營(yíng)銷(xiāo)過(guò)程中的市場(chǎng)細分11-24

淺談注意力經(jīng)濟下?tīng)I銷(xiāo)策略的合理運用03-19

信息化系統下的營(yíng)銷(xiāo)管理的論文02-13

淺論經(jīng)濟新常態(tài)下汽車(chē)營(yíng)銷(xiāo)論文02-26

淺論營(yíng)銷(xiāo)過(guò)程中的市場(chǎng)細分11-18

網(wǎng)上申報系統設計下社會(huì )保險論文02-17