淺談客戶細(xì)分下的保險(xiǎn)營銷論文

　　1客戶細(xì)分理論與模型

　　1.1客戶細(xì)分理論

　　客戶細(xì)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(jià)值特征等將客戶細(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(xiǎn)產(chǎn)品和服務(wù)�？蛻艏�(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、戶籍、職業(yè)、收入、教育程度等。

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

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

　　4）基于客戶態(tài)度的細(xì)分：對資費(fèi)敏感程度、對服務(wù)滿意程度、對企業(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(jì)、價(jià)值、行為這三種細(xì)分方式，分別進(jìn)行聚類，最終將結(jié)果再進(jìn)行統(tǒng)一整理合并。至于基于客戶態(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客戶細(xì)分模型

　　客戶細(xì)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(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(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。

　　2基于聚類算法的壽險(xiǎn)客戶細(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10萬客戶進(jìn)行建模，字段涵蓋客戶基礎(chǔ)信息、投保人價(jià)值信息、投保人行為信息、投保人購買產(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，需首先對需要建模的數(shù)據(jù)進(jìn)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(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)、客戶價(jià)值、客戶行為三種方式，對變量進(jìn)行分類篩選。1）人口統(tǒng)計(jì)方式：取客戶的年齡作為細(xì)分變量。因?yàn)槟挲g層次不同的客戶，往往也會有不同的保險(xiǎn)需求，同時(shí)，年齡也可以間接反映客戶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，即對應(yīng)五個(gè)用戶群。2）客戶價(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**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(shí)長、保單數(shù)量、加保次數(shù)、為他人購買保單數(shù)量、不同險(xiǎn)種購買保單數(shù)等字段。

　　2.4模型建立和檢驗(yàn)

　　通過SPSS軟件，運(yùn)用K-MEANS快速聚類方法對上述價(jià)值變量和行為變量進(jìn)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(jìn)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(jià)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（silhouettewidth），一般該值越大越好，超過0.5，就認(rèn)為是比較好的分類結(jié)果，0.2以下則表明缺少實(shí)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(jìn)行分析。檢驗(yàn)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(zhǔn)則）.

　　2.5應(yīng)用與實(shí)施

　　針對上述客戶的人口統(tǒng)計(jì)信息（按年齡，5類），客戶價(jià)值（5類），客戶行為（6類）進(jìn)行整合歸并，最終形成25個(gè)聚類群體，有針對性的開展?fàn)I銷.

　　3總結(jié)與展望

　　為了彌補(bǔ)以往客戶細(xì)分方式唯一的不足，本文從客戶的人口統(tǒng)計(jì)信息、客戶價(jià)值信息、客戶行為信息三個(gè)維度進(jìn)行客戶細(xì)分，采用K-MEANS算法進(jìn)行快速聚類，并對最終結(jié)果進(jìn)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(xiǎn)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(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)一步對客戶的渠道偏好等進(jìn)行分析。

【淺談客戶細(xì)分下的保險(xiǎn)營銷論文】相關(guān)文章：

淺談網(wǎng)絡(luò)保險(xiǎn)發(fā)展論文05-27

客戶價(jià)值與企業(yè)營銷分析論文02-20

共贏理念下的企業(yè)營銷論文11-09

營銷過程中的市場細(xì)分11-24

淺談注意力經(jīng)濟(jì)下營銷策略的合理運(yùn)用03-19

信息化系統(tǒng)下的營銷管理的論文02-13

淺論經(jīng)濟(jì)新常態(tài)下汽車營銷論文02-26

淺論營銷過程中的市場細(xì)分11-18

網(wǎng)上申報(bào)系統(tǒng)設(shè)計(jì)下社會保險(xiǎn)論文02-17