数据挖掘在保险业中的应用

数 据掩 掘 在保 险 业 中的 应 用
文/刘晓华
根据我国人世时签署的协议 ， 拓年我国金融业将 2仪 全面对外开放 ，此后外资金融机构将逐步进人中国市 场， 这将进一步加剧我 国金融市场 的激烈竞争 ， 将对我 国金融体系形成强大冲击 。在这种形式下 国内保 险机 构如何在激烈的商业竞争 中把握市场 良机 ，如何降低 销售成本 ， 最大限度地赢得丰厚的回报 ， 这些都将成为 我们 国内保险从业者不得不考虑的问题 ，因为这对 国 内保险业 的发展至关重要 ，国外很多保险机构将数据 挖掘应用于保险业务提高其企业竞争力 的做法是值得 我们学习和借鉴的。 一、 数据挖 掘 的概 念 4、 预测 。预测是根据对象属性之过去观察值来 预 测该属性未来之值 。数据挖掘 自动在 大型数据库 中寻 找预测性信息 。 5、 偏差检测 。 数据库 中的数据常有一些异常记录 ， 称之为偏差 。 偏差包括很多潜在的知识 ， 如分类中的反 常实例 、 不满足规则的特例等。 二、 数据挖掘在保险业的应用 数据挖掘在保险行业主要应用 于市场细分 ，客户 分类 ， 反欺诈等领域。
明确商业 目标 ， 并描述出所要解决的问题。目 标的描述 决策支持的“ 智能化”即实现金融商业智能， ， 对保险机 应该细化 、 清楚 ， 以便于选择合适的挖掘方法 ， 也方便 构掌握的信息进行搜集 、 分析和管理 ， 以使保险机构各
检测数据挖掘效果 ， 判断建立的模型的有效性 。 3、 建立模型。 模型的建立是一个反复的过程。 首先 级决策者获得洞察力 ，促使他们做 出对企业更有利 的 决策。 ( 作者单位 : 山东工商学院统计学院)
数据集合支持管理部门的决策过程 。一个高质量 的数 据仓库环境， 可满足客户分类对数据的多重需求 。数据 仓库环境集成了与客户有关的当前和历史的数据， 并在 考虑 。 同时， 在将模 型推广之前 ， 还要对数据做测试 ， 测 试结果满意后才能 向更大范围推广 。 5、 实施。 模型在建立并经反复验证之后 ， 可以付诸
此基础建立起面向不同分析任务的应用(数据集市)。 通
过各种视 图， 向数据分 析系统展现数据 源的情况， 能够 比较客观全面地反映系统 的全貌。 2、 明确商业 目标 。应用数据挖 掘的首要任务就是
实施 ， 在实施时 ， 可以建立一个系统 ， 当数据输人系统
后， 就可以建立一个合适 的模型 ， 并将模型 的结果做 出 合理 的解释和方案建议 。 目前 ，数据挖掘在保险业应用 的最高阶段是实现
1、 客户分类
根据 已有的客户资料通过数据挖掘 ，可 以找 出客 数据挖掘( Da M n n ) ， a t i i g 又称数据库 中的知识发 户的特征 ，再根据这些特征将客户分成不同群体或类 现(Knowle 罗 Disco e叮In Da b， ， d v a t e KDD)， 是指从大量 别 ，针对 不 同类别 的客户制定 特定 服 务计划 和销 售计 实行个性化销售方案 。提高客户的忠诚度 。有关研 的、 不完全的 、 有噪声的 、 模糊的 、 随机的实际应用数据 划 ， 中， 提取隐含在其 中的 、 人们事先不知道 的 、 但又是潜 究表明 ， 开发新客户 的费用是保 留老客户费用 的 5 倍 ， 在有用 的信息和知识 的过程 。它是数据库研究 中的一 而成功地保 留老客户能使企业 的利润 翻番。 通过挖 掘 ， 个很有应用价值 的新 领域 ， 融合 了数据库 、 人工智 能 、 可以找到流失客户的特征 ， 并发现其流失规律 ， 就可 以 机 器学 习 、 统计学 等 多个领域 的理论 和技术 ， 把人们 对 在那些具有相似特征的客户还未流失之前 ，对其进行 数据 的应用从低层 次的简单查询 ，提升到从数据 中挖 有针对性 的弥补 ， 使得客户能持续创造价值 。同时 ， 可 掘知识 ， 提供决策支持 的层 级 。 以通过挖掘可以找到潜在客户 ，对其 实行特定的营销 从 商业角度看 ，数据挖掘是一种商业信息处理技 方案 ， 其成 为客户 。 使 2、 反保 险欺诈 术， 特点是对商业 数据库 中的数据进行抽取 、 转换 、 分 析等 ， 从中提取可用于辅助商业决策的关键数据 。 数据 数据挖掘在反保险欺诈方面的应用 ，是通过对异 挖掘 的 目标是从 大量数据 中，发现隐藏于其后 的规律 常数据挖掘来实现的。 在传统的数据分析 中， 虽然能够 或数据间的关系 ， 从而服务于决策。 数据挖掘一般有以 发现欺诈 的一些 表面特 征 ， 如重复投保 、 高额投保 、 频 下几类 任 务 : 繁投保等 ， 但是 不能进一 步 的进行更 深 人地分析 ， 住 抓 1、 分类。分类分析就是通过分析样 本数据库中的 其中的本质特征。 而数据挖掘借助强大的分析工具 ， 能 数据 ，为每个类 别做 出准确的描述 ，或挖掘出分类规 深人地挖 掘 隐含 的数据 间关 系并 加 以模 型化 ，并 在没 则， 然后用这个分类规则对其他记录进行分类 。 有明确假设 的前提下去挖掘信息 ， 真实地 、 全面地反映 2、 聚类。聚类是把一组个体按照相似性归成若干 数据 间的客观存在的关 系。数据挖掘有助于识别 出那 类 别 ， 物 以类 聚” 即“ 。聚类将没有分类 的记录 ， 在不知 些不能靠直觉发现的信息或知识 ，甚至是违背直觉 的 道应分成几类的情况下 ， 按照数据内在的差异性 ， 合理 信息或知识 。 在反保险欺诈方面 ， 这些不能靠直觉发现 地 划分成几类 ， 确定 每个记 录所属类别 。 并 或违背直觉 的知识可能更具有应用价值 ，使我们对保 3、 关联分析 。数据关联是数据库 中存在的一类重 险欺诈特征 的认识更加深人 、 更加客观 。 对于异常数据 要 的可被发现 的知识 。若两个或多个变量的取值之间 的挖掘 主要 是使用 偏 差检测 ， 了识 别 异常数据外 ， 除 异 存在某种规律性 ， 就称为关联 ， 关联分析 的 目的是找出 常数据挖掘还致力于寻找异常数据间隐含模 型 ，用 于 库 中隐藏 的关联 网。 智能化 的分析 预测 ， 过异 常 经 的检测 和建模 分 析 ，
部停产 ; ( 3 由于技术进步 ， 的性能更好 的设 备取代旧设 ) 新 备， 造成设备闲置 ; (4 企业在并购过程中出现的闲置资产 。 ) 3、 固定资产 占用的机会成本过高 。固定资产上的 巨额投资 ， 无论是 固定资产的相对过剩或绝对过剩 ， 还 是规模适 当， 都表现为大量的资金 占用 ， 其资金成本是 相 当高的。尤其在资本市场不发达 ， 融资渠道不畅通 ， 企业生存和发展面临资金缺 口的情况下 ，这种 资金 占 用的代价是十分 昂贵的。 除此之外 ，巨额 的固定 资产意味着 巨额的折 旧费 用， 在收人不变的情况下 ， 利润减少。同时 ， 也加大了企 业 的经营风险 ，这一方面表现为折 旧费用作为 固定成 本， 会增大经营杠杆率 ; 另一方面 ， 也表现在固定资产
2。 ， ， 。中” 7 ‘ 一 ;有
一、 固定资产投 资所 带来的 问题 固定 资产 是指 同时具有下列特征的有形资产 :(1 ) 为生产商品 、 提供劳务 、 出租或经营管理而持有 。( )使 2
Hale Waihona Puke ( 1 可行性 研 究 中 ， 销 售 预期 过 于 乐 观 ， 成 固 ) 对 造 定资产投资过热 ; ( 2 市场发生不可逆转 的变化 ， ) 原生产线部分或全
常由以下几种情况引起;
可 以发现保险欺诈行为特征 ，以制定 出具有针对性的 措施 ， 提高反欺诈的效果 。 还可根据欺诈行为特征识别 欺诈概率较 高的客户群 ， 据此可 以调整营销方案 ， 将这 部分 客户群作 为非重点 营销对象 ， 减少 营销 的投入 。 三、 如何在保险业应用数据挖掘技术
价值补偿时间长， 在科学技术 日新月异的今天 ， 很可能
1、 建立数据仓库。“ 数据仓库( a a wa ho s n ， 模型的优劣， Dt e r u ig 简 评价其结果， 如果模型合适 ， 还需要解释 称D助 是一个面向主题的 (s h e t- e te )、集成的 其价值。 uj c - n d i r o 在对模型进行评价时， 一个重要的指标就是准 n i e r d 时变的( me一r a t 、 ( t g ate ) 、 i t va n ) 非易失的( o v l i ) 确率 ， i nn o a l t e 但是在用此指标时， 还要结合犯错误的代价综合
用 寿命超过一个会计年度 。固定资产对企业资金运行 效率与效益发挥着基础作用 ，决定着企业将要用怎样 的技术生产什么样 的产 品 ， 将要进入哪个市场等等 ， 从 而决定企业 的发展方 向。固定资产投资在促进企业战 略发展的同时 ， 也可能带来一些问题 。 1、 固定 资产的相对过剩 。固定资产的相对过剩表 现为 :一是推动 固定资产正常运行 的流动资产不足 。 固 定资产并不是独立发挥作用的 ，它必须与企业 的流动 资产相结合 ， 通过对流动资产 的加工 、 改造来创造新价 值。 企业在固定资产上投资时 ， 如果没有充分考虑配套 的流动资金 ， 或原定的流动资金融通渠道阻滞 ， 便会造 成这一结果 。二是 固定资产使用效率低 ， 周转速度慢 ， 从而降低了总资产的收益率 。 一 2、 固定资产的绝对过剩。固定资产的绝对过剩通
根据现有的数据需要选择适合解决 当前 问题 的模 型 ， 随着数据的更新 ， 模型也要做进一步的改进 。 在对模型 的选择过程中 ， 会对数据有深人 的了解 ， 问题 的确定 对 也会 更 明确 。 4、 结果的评价和解释。 模型建立好之后 ， 必须检验
‘产‘产‘产‘产心产， 户 声 ‘产‘产‘户‘户嘴 洛 声 ‘户心户心产‘户‘户兮 户 奋 ‘户‘户兮 户 乒 ‘产兮 户 笋 公 户 二 兮 小 护 吩户兮 户 护 ‘户‘户‘户‘户、 习户， 户 笋 ‘户咭 户 笋 ‘户‘产兮 户 声 ‘户、 户‘产‘户‘产‘产、户 奋 咭小 护 劝户 护 兮户 公 ‘
，， 2。 、， 。 。中 7 。 一