摘要
车险续保作为保险界的重要研究方面，是保险公司制定经营策略的重要依据，并对保险公司的发展起着重要推动作用。因此，对车险客户进行画像建模、探究车险续保影响因素、实现精细化营销成为近年来业界研究的热点。 针对车险续保问题，本文从画像建模和续保预测两个方面展开研究。从两个不同的角度对车险续保进行分析，并选取某上市保险公司客户的续保数据集，分别进行实证研究，并总结实证结果、给出建议。 在客户画像建模部分，本文对传统的聚类算法进行改进，将深度学习方法中的SOM神经网络与传统的K-means聚类算法相结合，提出SOM-K-means聚类算法，并利用其对车险客户进行画像建模，实现更加准确的客户分类。通过综合考虑CH分数、DBI指数以及轮廓系数这三项评价指标，本文发现相对于单一的SOM算法和K-means算法，SOM-K-means组合聚类算法能够取得更好的分类效果。同时，本文根据最终的聚类结果形成客户细分画像，将这三类客户按客户价值形成三种对应关系，并构建客户价值细分画像。 在车险续保预测部分，本文引入机器学习模型、集成学习模型和深度学习模型来进行续保预测，并采用Voting投票算法和Stacking融合算法将单一模型进行组合，比较单一模型和组合模型的预测效果。本文还引入SMOTE和SMOTETomek两种采样方法来对数据集进行平衡化处理，比较不同平衡算法的优劣。经过比较分析，并对样本进行平衡化处理之后，本文发现模型分类效果都有了明显的提升。在平衡算法比较分析过程中，本文得出综合采样的算法效果优于过采样的结论。从分类准确率来看，组合模型效果最好，比单一的集成学习模型、深度学习模型及机器学习模型的分类准确率更高。 最后，本文根据组合模型对每个客户的续保预测结果，构建车险客户的续保流失画像，发现客户续保流失分布与客户价值细分画像形成对应关系。本文综合车险客户画像建模和续保预测两方面的研究，将客户价值细分画像与续保流失画像相结合，研究各类客户内部的流失分布，提出续保流失预警，以及针对性的续保营销策略。
NETL