導語：人壽保險行業(yè)應用管理論文一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

摘要人壽保險行業(yè)在激烈的市場競爭中生成了大量的保單業(yè)務，如何對這些海量信息進行深層次的分析與挖掘，讓其發(fā)揮巨大的增值作用。針對這一問題，利用關聯(lián)規(guī)則挖掘技術從人壽保單數(shù)據(jù)中，分析投保人的各項特征與索賠的內在關系，所得到的結論對保險公司的業(yè)務發(fā)展具有重要的指導意義。

關鍵詞關聯(lián)規(guī)則；數(shù)據(jù)挖掘；人壽保險

1引言

近年來，數(shù)據(jù)密集型的保險行業(yè)經(jīng)過多年的運營，也已經(jīng)積累了海量的歷史數(shù)據(jù)，這些數(shù)據(jù)是公司的重要財富。要從這些大量數(shù)據(jù)中獲取能給公司帶來無限商機的有價值信息，急需更高效的數(shù)據(jù)處理方法和技術。此時數(shù)據(jù)挖掘技術顯示出了它特有的優(yōu)越性。1

2關聯(lián)規(guī)則挖掘技術

數(shù)據(jù)挖掘(DataMining)是一個利用各種分析技術和工具從大量數(shù)據(jù)中提取有用知識的過程。它是一門交叉學科，把人們對數(shù)據(jù)的應用從低層次的簡單查詢，提升到從數(shù)據(jù)中挖掘知識，提供決策支持。它包含很多技術與方法，其中關聯(lián)規(guī)則挖掘是一項非常重要的技術，是數(shù)據(jù)挖掘的一個主要研究方向。迄今為止，關聯(lián)規(guī)則挖掘已經(jīng)被應用到很多領域，例如零售業(yè)、市場營銷、醫(yī)學等，為各個領域的決策支持提高了一個有效的手段。

關聯(lián)規(guī)則挖掘是由R.Agrawal等人提出來的，關聯(lián)規(guī)則是描述數(shù)據(jù)庫中數(shù)據(jù)項之間某種潛在關系的規(guī)則[1]，它的基本概念為：設為數(shù)據(jù)項集合，設D為與任務相關的數(shù)據(jù)集合，也就是一個交易數(shù)據(jù)庫，其中的每個交易T是一個數(shù)據(jù)項子集，即；每個交易均包含一個識別編號TID。設A為一個數(shù)據(jù)項集合，當且僅當時就稱交易T包含A。一個關聯(lián)規(guī)則就是具有“”形式的蘊含式；其中有，且。規(guī)則在交易數(shù)據(jù)集D中成立，具有支持度s，其中s是D中交易包含（即A和B二者）的百分比，這是概率P（）。如果D中包含A的事務同時也包含B的百分比是c，則規(guī)則在交易數(shù)據(jù)集D中具有置信度c。這是條件概率P。即SupportP（）=P（），ConfidenceP（）=p（）。

滿足最小支持度閾值和最小置信度閾值的關聯(lián)規(guī)則就稱為強規(guī)則。這兩個閾值均在0％到100％之間。挖掘關聯(lián)規(guī)則主要包含以下二個步驟[2]：

(1)發(fā)現(xiàn)所有的頻繁項集，根據(jù)定義，這些項集的支持度至少應等于（預先設置的）最小支持度閾值；

(2)根據(jù)所獲得的頻繁項集，產(chǎn)生相應的強關聯(lián)規(guī)則。根據(jù)定義這些規(guī)則必須滿足最小支持度閾值和最小置信度閾值。

3關聯(lián)規(guī)則挖掘技術在人壽保險行業(yè)中的應用

人壽保險行業(yè)在日常的經(jīng)營過程中，經(jīng)常會遇到這樣一些問題：如何能更好的理解客戶，挽留有價值的投保人，對不同行業(yè)的人、不同年齡段的人、處于不同社會階層的人的保險金額度該如何確定。這些問題都是影響公司經(jīng)濟運營的重要因素。為了更好的掌握投保人的特點及合理的制定保險金額度，可以利用關聯(lián)規(guī)則挖掘來發(fā)現(xiàn)投保人與索賠的關系，分析具有什么特征的投保人曾經(jīng)向保險公司索賠過。

3.1關聯(lián)規(guī)則挖掘的基礎數(shù)據(jù)

為了研究投保人與索賠的關系，我們從某城市一家人壽保險公司的歷史保單數(shù)據(jù)庫中提取出相關數(shù)據(jù)，把其整合到關系表中進行關聯(lián)規(guī)則挖掘。下面的表1為整合之后的信息。

3.2基于概化的數(shù)據(jù)預處理

為了更好的進行關聯(lián)規(guī)則挖掘，要對表1中的基礎信息進行基于概化的數(shù)據(jù)預處理，具體的概化處理方法為：

①用符號A描述年齡，把年齡進行分段概化為：A1（£25歲），A2（25-35歲），A3（35-45歲），A4（³45歲）。

②用符號B描述性別，B1表示“女”，B2表示“男”。

③用符號C描述健康狀況，C1表示良好，C2表示一般，C3表示較差。

④用符號D表示工作單位，工作單位為外資企業(yè)的表示為D1，非外資企業(yè)的表示為D2。

⑤用符號E表示工資檔次，分別概化為：E1（高），E2（較高），E3（中），E4（低）。

⑥用符號F表示投保人是否曾向保險公司索賠過，F(xiàn)1表示曾經(jīng)索賠過，F(xiàn)2表示未曾索賠過。

3.3關聯(lián)規(guī)則挖掘過程

由關聯(lián)規(guī)則的概念和表2的概化結果，可得出項目集合為{A1，A2，A3，A4，B1，B2，C1，C2，C3，D1，D2，E1，E2，E3，E4，F(xiàn)1，F(xiàn)2}，我們目的是要分析投保人的各方面情況和索賠情況之間內在的關聯(lián)規(guī)則。假設關聯(lián)規(guī)則的支持度至少為40%，置信度至少為80%。進行關聯(lián)規(guī)則挖掘過程如下：

(1)首先利用基于事物壓縮的Apriori算法找出頻繁項集如圖1所示。

(2)找出支持度至少為40%而且置信度至少為80%的強關聯(lián)規(guī)則。

由以上兩步我們得出的和索賠情況有關而且實用的強關聯(lián)規(guī)則為：（A4，B2，D1）→F1(置信度為100%，支持度為40%)此規(guī)則可解釋為投保單上年齡大于45歲，工作單位是外資企業(yè)的男性投保人，幾乎都曾經(jīng)向保險公司索賠過。

3.4關聯(lián)規(guī)則挖掘結果的指導作用

根據(jù)挖掘結果，我們分析原因，發(fā)現(xiàn)對于工作在外資企業(yè)，年齡大于45歲的男性投保人來說，由于在外資企業(yè)工作壓力大，生活節(jié)奏快，同時45歲左右的中年男性正處于家庭負擔最嚴重階段，生活壓力也很大，這些因素導致這部分人群的健康狀況不好，因此索賠率也相對比較高，保險公司可以考慮相對提高對這部分人群的保險金額。此結論對于保險公司的增值服務具有重要的指導意義。

4結束語

本文利用關聯(lián)規(guī)則挖掘方法分析出了隱藏在人壽保險歷史數(shù)據(jù)背后的有效信息，然而關聯(lián)規(guī)則挖掘技術在人壽保險行業(yè)中的應用不只是文中提到的這幾個方面，例如利用關聯(lián)規(guī)則挖掘進行險種關聯(lián)分析，即分析購買了某種保險的人是否同時購買另一種保險。我們應該利用數(shù)據(jù)挖掘技術來分析人壽保險行業(yè)中的海量歷史數(shù)據(jù)，進而從中獲取有意義的信息，并從中挖掘出業(yè)務的內在規(guī)律，以達到提高效益、減低成本、防范風險的目的。數(shù)據(jù)挖掘技術是具有廣闊前景的數(shù)據(jù)處理與分析技術，它將在有大量信息的保險行業(yè)中發(fā)揮不可估量的作用。

圖1頻繁項集的生成

參考文獻

[1]JiaweiHan.數(shù)據(jù)挖掘概念與技術,北京:機械工業(yè)出版社,2004.6:149—180

[2]陳文偉,黃金才.數(shù)據(jù)倉庫與數(shù)據(jù)挖掘，北京:人民郵電出版社，2004.1:143—149

[3]吉根林,帥克,孫志輝.數(shù)據(jù)挖掘技術及其應用[J].南京師大學報,2000.23(2)

[4]李俊斌.淺析數(shù)據(jù)挖掘技術在保險業(yè)中的應用[J].大眾科技，2006.88(2)

[5]AlexBerson,StephenSmith,Kurt.BuildingDataMiningApplicationsforCRM[M].北京:人民郵電出版社,2001