《数据挖掘在保险业中的应用》由会员分享，可在线阅读，更多相关《数据挖掘在保险业中的应用（2页珍藏版）》请在金锄头文库上搜索。
1、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， 2仪 拓年我国金融业将 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 数据挖掘(Da t aMi n i n g )， 又称数据库中的
2、知识发 现(Knowle d 罗Disco v e叮In Da t a b， e， KDD)， 是指从大量 的、 不完全的、 有噪声的、 模糊的、 随机的实际应用数据 中， 提取隐含在其中的、 人们事先不知道的、 但又是潜 在有用的信息和知识的过程。它是数据库研究中的一 个很有应用价值的新领域 ， 融合了数据库 、 人工智能、 机器学习、 统计学等多个领域的理论和技术 ， 把人们对 数据的应用从低层次的简单查询，提升到从数据中挖 掘知识 ， 提供决策支持的层级。 从商业角度看，数据挖掘是一种商业信息处理技 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
3、助商业决策的关键数据。 数据 挖掘的目标是从大量数据中，发现隐藏于其后的规律 或数据间的关系， 从而服务于决策。 数据挖掘一般有以 下几类任务: 1、 分类。分类分析就是通过分析样本数据库中的 数据，为每个类别做出准确的描述，或挖掘出分类规 则， 然后用这个分类规则对其他记录进行分类。 2 、 聚类。聚类是把一组个体按照相似性归成若干 类别， 即“ 物以类聚” 。聚类将没有分类的记录， 在不知 道应分成几类的情况下， 按照数据内在的差异性， 合理 地划分成几类 ， 并确定每个记录所属类别。 3、 关联分析。数据关联是数据库中存在的一类重 要的可被发现的知识。若两个或多个变量的取值之间 存在某种
4、规律性 ， 就称为关联 ， 关联分析的目的是找出 库中隐藏的关联网。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。 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 户的特征，再根据这些特征将客户分成不同群体或类 别 ，针对不同类别的客户制定特定服务计划和销售计 划 ， 实行个性
5、化销售方案。提高客户的忠诚度。有关研 究表明， 开发新客户的费用是保留老客户费用的 5 倍 ， 而成功地保留老客户能使企业的利润翻番。 通过挖掘 ， 可以找到流失客户的特征， 并发现其流失规律， 就可以 在那些具有相似特征的客户还未流失之前，对其进行 有针对性的弥补， 使得客户能持续创造价值。同时， 可 以通过挖掘可以找到潜在客户 ，对其实行特定的营销 方案， 使其成为客户。 2 、 反保险欺诈 数据挖掘在反保险欺诈方面的应用 ，是通过对异 常数据挖掘来实现的。 在传统的数据分析中， 虽然能够 发现欺诈的一些表面特征 ， 如重复投保 、 高额投保 、 频 繁投保等 ， 但是不能进一步的进行更深
6、人地分析 ， 抓住 其中的本质特征。 而数据挖掘借助强大的分析工具， 能 深人地挖掘隐含的数据间关系并加以模型化 ，并在没 有明确假设的前提下去挖掘信息， 真实地 、 全面地反映 数据间的客观存在的关系。数据挖掘有助于识别出那 些不能靠直觉发现的信息或知识，甚至是违背直觉的 信息或知识。 在反保险欺诈方面， 这些不能靠直觉发现 或违背直觉的知识可能更具有应用价值 ，使我们对保 险欺诈特征的认识更加深人 、 更加客观。 对于异常数据 的挖掘主要是使用偏差检测 ， 除了识别异常数据外 ， 异 常数据挖掘还致力于寻找异常数据间隐含模型，用于 智能化的分析预测 ， 经过异常的检测和建模分析 ，2 。
7、。 7 一 中 ， ” ;有 ，一、 固定资产投资所带来的问题( 1 ) 可行性研究 中， 对销售预期过于乐观 ， 造成 固 固定资产是指同时具有下列特征的有形资产 :(1 )定资产投资过热; 为生产商品、 提供劳务 、 出租或经营管理而持有。( 2 )使(2 ) 市场发生不可逆转的变化 ， 原生产线部分或全 用寿命超过一个会计年度。固定资产对企业资金运行部停产; 效率与效益发挥着基础作用，决定着企业将要用怎样(3 ) 由于技术进步， 新的性能更好的设备取代旧设 的技术生产什么样的产品， 将要进入哪个市场等等， 从备 ， 造成设备闲置; 而决定企业的发展方向。固定资产投资在促进企业战(4 )
8、企业在并购过程中出现的闲置资产。 略发展的同时， 也可能带来一些问题。3、 固定资产占用的机会成本过高。固定资产上的 1、 固定资产的相对过剩。固定资产的相对过剩表巨额投资， 无论是固定资产的相对过剩或绝对过剩， 还 现为:一是推动固定资产正常运行的流动资产不足。 固是规模适当， 都表现为大量的资金占用 ， 其资金成本是 定资产并不是独立发挥作用的，它必须与企业的流动相当高的。尤其在资本市场不发达 ， 融资渠道不畅通， 资产相结合， 通过对流动资产的加工 、 改造来创造新价企业生存和发展面临资金缺口的情况下 ，这种资金占 值。 企业在固定资产上投资时， 如果没有充分考虑配套用的代价是十分昂贵的
9、。 的流动资金 ， 或原定的流动资金融通渠道阻滞， 便会造除此之外，巨额的固定资产意味着巨额的折旧费 成这一结果。二是固定资产使用效率低， 周转速度慢 ， 用 ， 在收人不变的情况下， 利润减少。同时， 也加大了企 从而降低了总资产的收益率。一业的经营风险，这一方面表现为折旧费用作为固定成 2、 固定资产的绝对过剩。固定资产的绝对过剩通本 ， 会增大经营杠杆率;另一方面， 也表现在固定资产 常由以下几种情况引起;价值补偿时间长， 在科学技术日新月异的今天， 很可能产产产产心产， 声 户 产产户户嘴 声 洛 户心户心产户户兮 奋 户 户户兮 乒 户 产兮 二 户 兮 笋 小 公 护 户 吩户兮
10、护 户 户户户户、 习户， 奋 户 咭 笋 小 户咭 护 户 劝 笋 户 户产兮 护 户 兮 声 户 户、 公 户产户产产、 户 可以发现保险欺诈行为特征，以制定出具有针对性的根据现有的数据需要选择适合解决当前问题的模型， 措施 ， 提高反欺诈的效果。 还可根据欺诈行为特征识别随着数据的更新 ， 模型也要做进一步的改进。 在对模型 欺诈概率较高的客户群， 据此可以调整营销方案， 将这的选择过程中， 会对数据有深人的了解 ， 对问题的确定 部分客户群作为非重点营销对象 ， 减少营销的投入。也会更明确。 三、 如何在保险业应用数据挖掘技术4 、 结果的评价和解释。 模型建立好之后 ， 必须检验 1
11、、 建立数据仓库。“ 数据仓库( Da t a wa r e ho u s i n g ， 简模型的优劣， 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 u h j e c t- - o r ie n te d )、集成的其价值。 在对模型进行评价时， 一个重要的指标就是准 ( i n t e g r ate d )、 时变的( t i me一 va r i a n t ) 、 非易失的( n o n v o l a t i l e )确率， 但是在用此指标时， 还要结合犯错误的代价综合 数据集合支持管理部门的决策过程。一个高质量的数考虑。 同时， 在将模型推广之前
12、， 还要对数据做测试， 测 据仓库环境， 可满足客户分类对数据的多重需求。数据试结果满意后才能向更大范围推广。 仓库环境集成了与客户有关的当前和历史的数据， 并在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)。 通实施， 在实施时， 可以建立一个系统， 当数据输人系统 过各种视图， 向数据分析系统展现数据源的情况， 能够后 ， 就可以建立一个合适的模型， 并将模型的结果做出 比较客观全面地反映系统的全貌。合理的解释和方案建议。 2、 明确商业 目标。应用数据挖掘的首要任务就是目前，数据挖掘在保险业应用的最高阶段是实现 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。级决策者获得洞察力 ，促使他们做出对企业更有利的 3、 建立模型。 模型的建立是一个反复的过程。 首先决策。(作者单位 :山东工商学院统计学院)，、 。 。， ， 中 2 。 。 7 一
