摘要
自从2011年起互联网保险和保险行业都开启了高速发展的模式，到了2016年其增长速度都有了一定的减缓趋势，直至2018年末我国正式成为了全球第二大保险市场，但因为我国保险的覆盖率及深度远低于发达国家，为了解决这个困境，保险行业开始向高质量发展模式转型了，目前我国保险行业正处于由高速发展转变为高质量发展的攻坚阶段，数据分析在保险行业的应用给保险市场带来了新的活力。本文是以新华保险公司的理赔数据作为数据源，首先对原始数据进行数据探索后，大致了解了这些数据的情况，然后对其进行数据清洗，后续也根据研究主题对一些数据进行了简单的归类操作，然后围绕着七个研究主题对清洗后的数据进行数据分析，主要运用了SPSS当中的均值过程、单因素方差分析、频率分析、双变量相关性分析、线性回归的方法，分析了平均赔款金额最高的险种、不同年龄段的赔款金额情况、不同费用类型以及年龄段对平均赔款金额的影响、愿意申请理赔的客户画像、根据赔款金额保额和总保费三者的关系建立线性回归模型、分析各险种以及公司的赔付率后了解出公司经营状况，围绕着两个研究主题对清洗后的数据进行了数据挖掘，运用了贝叶斯网络以及关联规则的方法，探究了哪些因素是客户是否获得理赔的主要因素，以及探究了各保险之间的强关联规则，这样就可以根据所得到的结论对客户进行针对性的推荐，同时让保险公司完善销售策略，最后进行了总结并对公司和客户两方面提供了建议，也提出了大数据技术对未来保险行业的发展展望。
关键词：大数据技术；数据分析；理赔数据；数据挖掘
1导论
1.1选题背景及意义
1.1.1选题背景
随着新时代的发展，为了满足日渐复杂的消费者需求保险行业逐渐向数字化发展[1]，互联网保险模式也因此应运而生，互联网可以全天候的运转没有时间限制，同时还具有交互性、跨越性等特点[2]，许多保险公司也逐渐将产品从线下搬到线上，通过这种模式实现了产品信息互联之后，进一步的针对每个客户购买产品的相关数据进行数据分析，由此得到其数据背后的有用信息，这样不仅能够帮助公司建立起更好的售后服务体系，以及构建出保险消费体系中的客户画像，再根据真实的客户需求完善保险产品自身的设计，还能够给客户带来更好的购买体验感。在这种模式下，客户可以随时通过线上平台比较多家保险公司的产品，相对于传统保险模式交易会更加透明，退保率出现较大的降低，理赔也更轻松，同时客户也会更加了解保险。
1.1.2选题意义
大数据具有规模性、多模态、高速性、可视化、真实性、易变性、价值密度低这些特性[3]，所以保险公司可以轻而易举地抓取、筛选和分析出新投保、续保、理赔等各个环节的统计数据，通过大数据分析从而分析出数据背后的潜在信息[4]。通过收集到的客户数据，保险公司可以从不同的侧重点出发，挖掘出数据背后想要表达的信息，通过这些信息，保险公司可以针对不同的客户群体设计出不同的产品类型，并且还能对现有的产品体系做出调整，为公司带来更多的收益，客户也可以根据自身需求选择到更适合自己的保险产品，还能够改变对保险市场的过往认知。本文选题“基于数据分析的新华保险公司理赔数据的应用研究”则是从互联网保险的背景出发，分析国内外研究现状，通过大数据分析对清洗好的新华保险公司理赔数据进行分析，从9个主题出发分析相应数据并展开讨论延伸扩展，最后对其进行总结并对保险公司及客户提出建议，以及提出大数据技术对保险行业发展的展望。
1.2国内外研究现状
1.2.1国内研究现状
大数据分析已经在各个领域中广泛运用，就目前在中国知网的数据来看，关于数据分析的总库达到24.47万，其中学术期刊达到了15.63万，学位论文也达到了6.68万，并且在学科专栏中数据分析用于的领域中占比前3分别是计算机软件与计算机应用、企业经济、宏观经济管理与可持续发展的文章占比总库分别为16.72%、7.35%和7.17%，由此可以说明截至目前的数据看来数据分析在金融领域中的运用是很广泛的，保险作为金融的三大支柱之一，可以说是有很深刻的联系的，通过大数据技术不仅可以对数据进行分析得出有用信息外，还可以对风险做出合理的预测与判断，从而提高保险行业发展效率[5]。目前保险行业正处于向高质量发展转型的攻坚期，大数据技术的有效运用可以带领保险行业走向下一个辉煌，国内对数据分析的重视以及研究程度也在快速增加。
1.2.2国外研究现状
有相关文献指出大数据技术对产品设计策略的制定和调整起到了关键性的作用[6]，由此说明在如今这个数据急速增长的时代，大数据分析显得极其重要，不管是哪行哪业在面对海量数据时都会采用数据分析方法对其进行处理，由此挖掘出其数据背后的有用信息。早在几年前X等一些发达国家就早已经意识到大数据分析的重要性已经将其贯穿于各个行业，并且对大数据分析的技术和方法已经有了较为深刻的认识和研究。
大数据分析的使用可以给企业带来效益的最大化，并且大数据分析在营销方面的使用在国外也处于中速发展阶段，而其在国内的市场营销中的应用仅处于起步阶段[7]。大数据分析过程包括数据的采集、存储、管理、分析和可视化[8],结合大数据分析高效精准的特点它可以与各个行业碰撞出火花，不仅如此在保险行业中，我们可以利用大数据分析挖掘出其有用信息外，还可以针对客户进行个性化设计，增加其对本公司各方面的满意度，来达到抓住客户的目的。
1.3研究思路
本文是以新华保险公司的理赔数据作为数据源，首先要对数据进行清洗，在对原始数据进行数据探索后，了解到有出现总保费为0等等一些脏数据的情况，应进行删除操作，后续根据研究主题对一些数据进行了简单的归类操作，然后围绕七个研究主题对清洗后的数据进行分析，主要运用了SPSS当中的均值过程、单因素方差分析、频率分析、双变量相关性分析、线性回归的方法，分析了哪类险种的平均赔款金额较高、不同年龄段的赔款金额情况、不同费用类型以及年龄段对平均赔款金额的影响、愿意申请理赔的客户画像、根据赔款金额保额和总保费三者的关系建立线性回归模型、分析各险种以及公司的赔付率后了解出公司经营状况，然后在数据挖掘部分运用了贝叶斯网络以及关联规则的方法，分析了在客户是否得到赔款这个前提下占据主要因素的变量是什么，以及探究了各保险之间的强关联规则，这样就可以根据所得到的结论对客户进行针对性的推荐，同时让保险公司完善销售策略，最后对公司和客户两方面提供了建议，提出了大数据技术对未来保险行业的发展展望。
2本文所涉及的主要方法及工具介绍
2.1本文所涉及的主要方法介绍
2.1.1数据分析部分
数据分析方法包括均值过程、双变量相关性分析、单因素方差分析、频率分析、探索分析、点估计、区间估计、单样本T检验、独立样本T检验、配对样本T检验、简单和等级相关分析、散点图、线性回归。本文主要是运用了均值过程、单因素方差分析、频率分析、双变量相关性分析、线性回归的方法。
均值过程就是按分组变量来计算因变量的描述统计量，如均值、方差、偏度、峰度等，通过这些指标更加准确的挖掘出数据的潜在信息，例如用于分析数据中心特征的指标是众数、中位数、均值，分析数据离散特征的指标是极点、分位点、极值和统计变量(方差、标准差等)，用于表示数据分布特征的指标是峰度和偏度。在实际分析时我们会经常用到的指标就是峰度和偏度，其数据分布形状类似于正态曲线，2个指标配合着来用可以更加快捷的判断出数据的分布情况，更准确的分析出数据的实际情况。
线性回归可以先通过相关性分析得到变量之间的相关性，如果其具有相关性才能进行之后的建模，若Sig值(显著性水平)小于0.01说明其具有显著相关性，若在0.01和0.05之间说明其具有相关性，同时结合Pearson相关性系数的正负，可以得到各变量之间的关系，在进行后续建模时根据R方的大小可以得出该模型拟合程度的优劣，R方越接近1表示其拟合程度越高，但也不是越大越好，这取决于所要研究的目标，要根据R方在统计学中的意义以及所要探讨主题的社会学意义共同决定其R方的大小是否越大越好，本文主题4.4建立的线性回归模型就需要R方越大说明其拟合程度越好。
2.1.2数据挖掘部分
数据挖掘的方法有关联规则(Apriori算法)、分类分析(KNN分类、朴素贝叶斯分类、决策树算法、支持向量机、随机森林、Adaboost算法)、回归(线性回归、逻辑回归)、聚类分析(K-means算法)，通过不同的分析主题选择相应的算法。
本文选择的是贝叶斯网络来处理二分类问题，它是利用贝叶斯定理建立分类模型之后再对数据集进行划分，计算出条件概率来得出各因素间的关系强弱，还会生成有向无环图来直观的表现出其中的关系，每个节点代表着需要探究的变量，指向某节点的所有节点为父节点，节点的颜色深浅代表其重要性程度[9]，同时本文还使用了关联规则的方法用于挑选出各险种之间的强关联规则，其中会涉及到最低条件支持度和最小规则置信度的设置，支持度越低代表符合条件的规则会越多，置信度越低那么其认为可信的规则也越多，所以在运用此算法时应该合理设置这两个因素。
2.2本文所用工具介绍
本文所用工具为IBM SPSS Statistics和IBM SPSS Modeler，它们的页面设计很直观简单，操作起来也很简单，同时也不会因为数据量较大而出现过于卡顿的情况。第一个软件可用于对数据进行分析以及绘图操作，后续会给出可视化的反馈，便于我们依据各种指标分析出相应的结果。第二个软件是一个很直观呈拖放式的数据挖掘工具，能够快速构建出模型[10]，所用数据可以根据其实际情况以及后续建模的要求进行相关调整后，然后在进行相应的建模操作，其中每个节点都是可以查看以及反复修改的，同时该模型建立好以后也可以反复使用，也可以让训练好的模型在进行相应的预测操作，这两款工具在公司中也是受到广泛使用的。
3数据说明
3.1数据来源
图3-1数据源部分展示
数据来源于新华保险公司近几年的理赔数据，从上图3-1可以看到整个清洗后数据的全貌，其中因为职业涉及到了客户隐私所以进行了脱敏处理，婚姻状况有四种类型分别为D(离婚),M(结婚),S(单身),W(丧偶)。
图3-2各字段信息展示
上图3-2可以看见清洗后数据的整体情况，是否有空值以及其字段类型，数据表中包括了机构、案件号、保单号、险种、赔款金额、总保费、费用类型、费用金额、保额、客户号、性别、年龄、婚姻状况、过去三年平均年收入、职业这15个字段共有212131条数据。
3.2数据清洗
查看原始数据现有的情况，在进行数据探索后对各字段有了一定的了解，发现有脏数据，所以对总保费为0等等一些脏数据进行了删除操作，根据后面的分析主题也对其需要用到的数据进行了归类操作，在险种字段中：其中因为主题4.1.1探讨的是哪类险种的平均赔款金额较高，又根据险种命名的共性所以把险种首字母分为一个大类，将险种分为4、6、B、F、S、Y六个组，之后主题4.5和主题5.2的分析侧重点不同，所以还是将险种这一字段保持不变未进行归类操作，在主题4.5中主要探讨的是每个险种的赔付率情况，所以是针对各险种的赔付率情况进行分析并将其划分为了几个类别，在主题5.2中主要探讨的是每个保险之间是否具有关联规则以及其强弱，所以未将险种这一字段进行归类操作。在费用类型字段中：按疾病类型将其分为了重大疾病、疾病、意外、其他，并分别用1 2 3 4来表示。年龄字段中：将年龄分为0-20(少年)、21-40(青年)、41-65(中年)、66-90(老年)，并分别用1 2 3 4表示。过去三年平均年收入字段中：将其分为了1万元以下、1万-10万元、10万-100万元、100万以上，并分别用1 2 3 4表示。
4数据分析
4.1均值过程
4.1.1探究哪类险种平均赔款金额较高
在数据清洗部分已经依据险种首字母，将险种分为4、6、B、F、S、Y这六个类，通过均值过程的方法探究哪类险种平均赔款金额较高，其中把赔款金额作为因变量列表，险种作为自变量列表，通过分析不同险种的正态曲线以及均值可以看出各险种的平均赔款金额以及赔款金额分布情况。险种与赔款金额特征数据如下所示：
分析表4-1中数据可以看出：标准差是衡量一组数据平均值的分散程度，标准差越小说明这些数值越接近平均值，也代表着它越稳定。各险种赔款金额稳定程度排序：险种B>险种6>险种F>险种4>险种S>险种Y，B类险种的标准差数值是最小的，说明B类险种的赔款金额是最稳定的，同时各类险种的平均赔款金额：险种Y>险种S>险种4>险种6>险种B>险种F，即险种Y是平均赔款金额最高的险种，险种B和险种F的平均赔款金额很少，相较于其他险种差值较大。险种Y平均赔款金额最高但是其稳定程度最低，说明购买Y类险种的人得到的赔款金额是很高的但是随之伴随着的风险也是较大的，适合那些收入较高的人群购买；B类险种的稳定程度是最高的但是其平均赔款金额较低，说明购买B类险种的人获得的平均赔款金额较少但其稳定性强、风险程度低，适合那些收入中等偏下的人群购买；险种类型6的稳定性排名第二且平均赔款金额排名中间，说明购买险种类型6的人获得的平均赔款金额中等且稳定性较高，适合那些收入中等的人群购买。各险种的峰度和偏度都是正值，所以它们所对应的赔款金额都是尖峰分布、右偏的，说明挨着平均赔款金额左右的数据密度比较集中，并且大部分分布在中间或者较低水平，其中险种F的峰度值和偏度值最大，说明其右偏程度及峰的陡峭程度远远大于其他险种，即险种F的赔款金额分布很集中，基本上都分布在中间或较低水平，说明购买F类保险的某一部分人平均赔款金额是很高的，但大部分还是处于平均赔款金额及以下水平，同时F类保险的稳定性较高，所以购买此类保险的风险不大还是会获得相应回报的。
4.1.2探究不同年龄阶段的赔款金额情况
在数据清洗部分已经依据不同的年龄阶段，将年龄分为0-20(少年)、21-40(青年)、41-65(中年)、66-90(老年)，并分别用1 2 3 4表示，通过均值过程的方法探究不同年龄阶段的赔款金额情况，其中把赔款金额作为因变量列表，年龄作为自变量列表，通过分析不同年龄阶段的正态曲线以及均值可以看出各年龄阶段的平均赔款金额以及赔款金额分布情况。年龄段与赔款金额特征数据如下表所示：
表4-2年龄段与赔款金额特征数据
赔款金额
从上表4-2中我们可以看出：因为标准差越小代表着其稳定性越好，各年龄阶段的稳定性排序：年龄3(41-65中年)>年龄4(66-90老年)>年龄2(21-40青年)>年龄1(0-20少年)，其中年龄3(41-65中年)的稳定是最强，说明年龄3(41-65中年)的人群他们获得的赔款金额是最稳定的，且各年龄阶段的平均赔款金额排序为：年龄1(0-20少年)>年龄4(66-90老年)>年龄2(21-40青年)>年龄3(41-65中年)。说明年龄4(66-90老年)的平均赔款金额较高同时其稳定性也较强，所以非常建议该人群购买保险，因为在这一年龄段的人群他们正处于患病高峰期，购买保险可以很大程度上的减轻家庭负担；年龄1(0-20少年)的平均赔款金额很高但是其稳定性是较低的，但由于在这一年龄阶段出现各种意外的可能性是很大的，所以建议该类人群还是应该购买保险，虽然稳定性不高但是孩子出现意外的可能性较高，购买保险也是可以很大程度上减轻家庭负担的；年龄3(41-65中年)的平均赔款金额较低但是其稳定性很高，所以还是建议该类人群购买保险的。同时各年龄阶段的偏度和峰度都为正值，说明各年龄阶段对应的赔款金额都是尖峰分布、且右偏的，说明其挨着平均赔款金额左右的数据密度比较集中，并且大部分分布在中间或者较低水平，同时年龄3(41-65中年)的峰度和偏度是最大，且年龄3的峰度和偏度数值相较于其他年龄阶段相差较大，说明年龄3(41-65中年)的正态曲线图是很陡峭的同时右偏程度较大但其稳定性很高，年龄3(41-65中年)这一年龄段购买保险的人中有一部分人得到的赔款金额还是很高的，但大多数人还是集中在平均赔款金额及以下水平，只有少部分人的平均赔款金额很高。
4.2单因素方差分析
4.2.1探究不同费用类型对平均赔款金额的影响
首先通过频率分析得出费用类型2(疾病)的占比明显高于其他费用类型，其占比79.8%，所以在进行单因素方差分析时将费用类型2(疾病)分为一组，费用类型1(重大疾病)、3(意外)、4(其他)分为另一组，并设置显著性水平为0.05，并把赔款金额作为因变量列表，费用类型作为因子，得出的方差齐性检验表中和ANOVA表中显著性都为0.000小于0.05，所以拒绝原假设方差不具有齐次性，并且至少有3种费用类型具有显著差异。因为方差不具有齐次性，得到对比检验表如表4-3所示，并得到了各费用类型比较表如表4-4所示：
因为方差不具有齐次性，所以从表4-3中我们直接看第二行的显著性(双侧)其值为0.000小于0.05拒绝原假设，说明费用类型1(重大疾病)、费用类型2(疾病)、费用类型3(意外)、费用类型4(其他)这个整体的平均赔款金额是有显著性差异的。
从表4-4中得出以下结论：各费用类型之间的显著性都为0.00小于0.05，说明两两费用类型之间的平均赔款金额是有显著性差异的。通过标准差(I-J)得到费用类型对平均赔保金额的影响：费用类型1(重大疾病)>费用类型4(其他)>费用类型3(意外)>费用类型2(疾病)。综上费用类型1(重大疾病)对于平均赔保金额的影响最高，那么保险公司对费用类型1(重大疾病)的赔付风险就越高，当客户出现重大疾病时保险公司理赔的金额会相对高一点，重大疾病就包括了癌症或者恶性肿瘤之类的疾病，患病几率不大但后期医疗费用很高，大多数的人都会因为理赔金额高这一点选择购买相应险种。费用类型2(疾病)对于平均赔保金额的影响最低，保险公司对费用类型2(疾病)的赔付风险就越低，当客户出现疾病时保险公司理赔的金额会相对低一点，疾病的发病率小但需要长期治疗，所花费用累计起来的数值还是很大，尽管理赔金额相对较低，但购买相应类型保险还是很有必要的。费用类型3(意外)对于平均赔保金额的影响排在第三，则当客户发生意外时保险公司理赔的金额会比疾病的理赔金额相对高一点，总的来说与重大疾病、疾病、意外相关的保险，都可以根据自身条件选择更适合自己的购买。
4.2.2探究不同年龄阶段对平均赔款金额的影响
首先通过频率分析得出年龄3(41-65中年)的占比明显高于其他年龄阶段的人群，其占比70.5%，所以在进行单因素方差分析时将年龄3(41-65中年)分为一组，年龄1(0-20少年)、2(21-40青年)、4(66-90老年)分为另一组，并设置显著性水平为0.05，赔款金额为因变量列表，年龄为因子，得出的方差齐性检验表和ANOVA表中显著性都为0.000小于0.05，所以拒绝原假设方差不具有齐次性，并且至少有3种年龄阶段具有显著性差异。因为方差不具有齐次性，得到各年龄阶段的对比检验表中如表4-5所示，并得到了各年龄阶段比较表如表4-6所示：
因为方差不具有齐次性，所以从表4-5中我们直接看第二行的显著性(双侧)其值为0.000小于0.05拒绝原假设，说明年龄1(0-20少年)、年龄2(21-40青年)、年龄3(41-65中年)、年龄4(66-90老年)这个整体的平均赔款金额是有显著性差异的。
从表4-6中得出以下结论：年龄1(0-20青年)和年龄4(66-90老年)之间的显著性为0.262大于0.05，说明年龄1(0-20青年)和年龄4(66-90老年)的平均赔款金额是没有显著性差异的，其他年龄阶段两两之间的显著性都小于0.05，所以是有显著性差异的。通过标准差(I-J)得到不同年龄阶段对平均赔保金额的影响：年龄1(0-20青年)>年龄4(66-90老年)>年龄2(21-40青年)>年龄3(41-65中年)，综上年龄1(0-20青年)对平均赔款金额的影响是最高的，年龄4(66-90老年)紧接其后，但又因为年龄1(0-20青年)和年龄4(66-90老年)的平均赔款金额是没有显著性差异的，所以年龄1(0-20青年)和年龄4(66-90老年)对平均赔款金额的影响相差不大都居于靠前的位置，那么对于这两类人群建议多多购买适合自己的险种。又从主题4.1.2得知年龄3(41-65中年)的正态曲线图是很陡峭的同时右偏程度较大但其稳定性很高，则这一年龄阶段大多数人还是集中在平均赔款金额及以下水平，只有少部分人的平均赔款金额很高，并且年龄3(41-65中年)对平均赔款金额的影响较小，综上说明保险公司应着重关注这一年龄阶段的购买人群。
4.3频率分析
运用频率分析探究什么样的客户(年龄、年收入)更愿意申请理赔，首先在数据清洗阶段已经把年龄和过去三年平均年收入字段进行了分类，然后进行后续分析，得到了统计量数据表4-7如下所示，年龄分组频率表4-8如下所示，收入分组频率表4-9如下所示：
表4-7年龄和收入的统计量数据表
从表4-8、表4-9可以看出：年龄3，收入1，即41-65年龄段且年收入在1万元以下的客户更愿意申请理赔。
从表4-7分析得到：年龄项的峰度和偏度均小于0，所以它们都是扁平分布、左偏的，说明挨着平均年龄左右的数据密度比较分散，而且大部分都分布在中、高年龄段，即处于中、高年龄阶段的人对于保险的看重程度更大，其他年龄层的人对于保险不太了解。通过Excel公式计算出过去三年平均年收入1万元以下占比57.73%，1万-10万元占比40.46%，10万-100万元占比1.78%，100万元以上占比0.03%，通过图表看出收入项的峰度小于0偏度大于0，所以它们呈扁平分布、右偏的，说明挨着平均年收入左右的数据密度比较稀疏，而且大部分都分布在较高或较低收入水平，即大多数年收入在较高或较低水平的人更愿意去申请理赔，即使理赔金额不高或者理赔金额为0都会去尝试，这也就说明经济收入偏低的人群购买保险是为了让未来生活得到保障，那么经济收入高于平均值的人群购买保险是希望这类型保险多多益善，是为了预防有意外发生。
4.4线性回归
首先对赔款金额、总保费、保额进行双变量相关性分析，查看其是否具有相关性，是否可以用于后续的模型建模。因为赔款金额、总保费和保额都是刻度集数据，所以可以选择Person相关性系数并且进行双侧检验，得到如下结论：
从上表可知赔款金额、总保费、保额之间的显著性(双侧)都是小于0.01的，Pearson相关性都为正数且带有两个星号，所以可以得到结论：赔款金额、总保费、保额都是呈显著正相关性的，之后就可以开始建立线性回归模型了。设置因变量为赔款金额，自变量为总保费、保额，采用逐步的方法，因为逐步方法的原理是将每个自变量依次进入与因变量进行建模，所以我们可以得到2个线性回归模型，如下所示：
表4-11线性回归模型汇总
从表4-11中我们可以看见第二个模型的R方为0.623，拟合效果比较好，所以后续运用此模型对客户数据进行分析时，是有一定可靠性的。接下来还要继续看这个模型的方差分析是否符合要求，只有每一项都在规范的范围内，我们才能断定这个模型具有可行性。
表4-12线性回归模型的方差分析
如表4-12所示，第二个模型的sig值小于0.01，综上所述可以得出赔款金额、保额、总保费这三个因素可以建立线性回归模型，并且拟合程度较好，可以继续用于后续如果客户因为各种原因想要进行理赔这项业务时，可以把这个线性回归模型用于客户理赔业务时的一个手段。
表4-13线性回归模型参数
因为这个模型具有可行性，所以接下来就将这个模型具体化，从表4-13中可以得出最后的线性回归方程为y(赔款金额)=-1191.562+0.879*保额+0.904*总保费
由此得出的线性回归方程具有一定的可靠性，可以将其运用于保险行业的理赔数据当中，就目前来说这个模型的R方(0.623)其实并没有达到一个非常大(最大为1)的数值,我认为有以下几个原因，首先可支撑的数据项以及数据元素不够，因为在前期通过相关性分析时，我发现现在已有的数据项当中，可以进行相关性分析的数据项一共只有7个，如果相关性分析的系数达不到要求的话，就只能舍弃这个数据项，那么可用于后续建模的数据项就会变得更少一些，并且数据元素也是影响拟合程度的因素之一，因为这些数据有一小部分需要用于模型训练，剩下的部分才是模型测试，所以在数据足够多的情况下才可能会提高拟合效果，所以在前期爬取数据时应在保证数据元素足够多的情况下，还应该具有一定的敏锐程度，将一些有用的数据项也一起抓取下来。
4.5数据透视表
从赔款率的数值当中可以很明显的看出一家保险公司的经营现状，如果其赔付率相对较低，那么说明这一年保险公司的各方面的经营是有盈利的，因为在现实生活中一切都是未知数，处处有风险有意外，所以每年需要赔付的金额对一家保险公司来说都是无法避免的开销，那么一家保险公司的理赔金额越高，那么它需要新资金的流入就越多，所以这对于公司来说是具有一定风险的，那么从单个险种的赔付率中，可以看出这个险种是否会给保险公司带来危机。
从现有数据来看，因为每个客户的需求差异，所以他们所买的险种就会出现重复且杂乱的情况，不太利用后续分析，所以我将险种进行了汇总，将同一个险种归为1类，所计算得到的赔付率就是这个险种的赔付率，而不是客户个人的赔付率。运用Excel中的数据透视表功能，将各险种的赔付率以及总赔付率计算出来，如下图所示：
图4-1险种赔付率情况占比
如图4-1所示总的来说这家保险公司一共有66个险种，我将其分为了三类。
第一类为赔付率大于等于50%的险种占比13%，这类险种对保险公司来说属于是需要引起高度重视的险种，保险公司可以依据当前的实际情况，对相应险种进行重新设计，对风险进行提前预测处理，避免保险公司遭到无法挽回的损失。
第二类为赔付率在10%到50%区间的险种占比19.7%，其中这些保险的赔付率都是低于21%的，所以这类险种的赔付情况对保险公司来说是可以承受的，对客户来说这类险种的赔付率算是比较良好的，所以保险公司应该加大对这类险种的宣传，可以大大吸引到更多的客户群体。
第三类是赔付率在0%到10%区间的险种占比66.7%，这类险种其实是更多客户群体需要购买的险种，可以用于日常生活中的各种小突发意外事件是一个保障，所以客户们对这一类保险更为看重的是保险公司对其的赔付速度，保险是否能够及时处理这些业务，自己是否能够快速拿到理赔的钱，所以我认为保险公司对于这一类的保险应该放在线上平台上进行处理与反馈，结合线上平台反馈及时、交易迅速的特点，并利用其宣传范围广、力度强的特性，保险公司不仅可以吸引到大批新客户群体还可以让老客户有愉快的用户体验感。
分析出每个险种具体的赔付情况，保险公司可以对其进行针对性处理，结果如下：
图4-2各险种赔付率
赔付率各险种的赔付率大于等于50%的险种共有9个，其中超过100%的险种一共有5个，分别是F06(308.27%)、F01(250%)、S51(151.09%)、FS2(135.48%)、FS1(119.37%)，这5个险种的赔付率很高所以保险公司需要承担的风险也就越大，所以保险公司在设计这5个险种的时候应当引起足够的重视，应该多多衡量各项条款，适当提高保费以及添加一些硬性指标，既能够让客户满意又能够给公司的损失降到最小。
对于赔付率在50%以上100%以下的这4个险种，分别是S52(95.43%)、F05(77.97%)、S48(75.69%)、S58(50%),保险公司应当具有一定的敏锐度，提前做好相关的风险预案能够及时规避风险，并且对于这些险种本身的设计应该具有两面性，既能够让客户自愿缴纳保费，还能够让保险公司的赔付次数和金额保持在一个可接受的区间内。
赔付率在21%以下10%以上的保险一共有13个，保险公司应该看见这些险种的特殊性，因为这些保险的赔付率处于中等水平，那么相对应的赔付要求就应该是那些较为严重却又不是慢性病的情况。
赔付率在1%以上10%以下的保险一共有38个，但从赔付率来看这算是一个很正常的数值，所以说这对于保险公司和客户来说都是有好处的，对客户来说购买这些保险是不至于无利可图的，能在一定的付出之下得到相应的回报，对于保险公司来说这些保险不仅可以留住老客户还可以吸引更多的新客户，所以保险公司应该加大对这些保险的宣传力度。
赔付率在1%以下的保险一共有6个，分别是FS3、S76、B01、B02、S71、S91，购买这6个险种的客户也很少只有169个人，所以对于这些险种，保险公司应该及时意识到这个问题，并且可以做好购买过这些保险的客户群体的问卷调查，发现其销售不佳的真正原因，并能够尽快的优化这类产品。
总的来说这家保险公司的总赔付率为5.7%，就单从赔付率来看保险公司在这一时期的经营是有盈利的，并且还有一些需要注意的地方，首先对于这66个险种，保险公司应该判断出每个险种的实际状况，并做好分类，对于不同类别的险种出台不同的措施，才能更好的规避风险，然后保险公司在设计新的保险产品时应该跟上时代潮流的脚步，不仅仅要有意外伤害险等这些医疗保险，还应该有一些关于年轻人的保险，比如恋爱险、单身险等等这些独具特色的保险，这样不仅可以吸引年轻客户还能够具有一定的创新性，最后就是应该加大对线上平台的重视程度，以及要做好市场问卷调查，因为不仅仅可以分析客户的具体交易数据，还可以分析潜在客户在线上平台的浏览情况，看看他们对哪类保险比较感兴趣，挖掘出潜在客户，同时也要做好问卷调查，对问卷调查的数据进行分析这不仅可以完善产品自身，还能够从分析结果中迸发出灵感设计出独具创新性的保险产品。
5数据挖掘
5.1贝叶斯网络
利用贝叶斯网络探究哪些因素是影响客户是否获得理赔的显著因素，这是一个二分类问题，事先我们通过查看数据源的赔款金额这个字段的数值，可以把它分为已理赔(赔款金额>0)、未理赔(赔款金额=0)这两类，之后为每条数据打好标签(列名为是否赔偿)分别是Yes和No，其次因有些字段数字差异较大，为了消除量纲影响，增加预测准确率，对字段(保额、总保费、过去三年平均年收入)进行标准化处理，就可以进行接下来的建模操作。考虑到我们需要探究的主题是客户是否得到了理赔，所以将是否赔偿作为目标，将险种、保额、费用类型、总保费、过去三年平均年收入这些字段作为主要的探究因素是输入变量，建立贝叶斯网络模型，同时将数据集分为了训练集与测试集比例分别是7:3，得到此模型中训练集预测正确的数量为100662，预测错误的数量为47562，所以准确率为67.91%，测试集预测正确的数量为43360，预测错误的数量为20547，所以准确率为67.85%，说明该模型的效果还是不错的，所以可以通过这5个输入变量来预测该客户是否得到理赔，之后可以看见它生成了一个有向无环图，可以看出各因素之间的关系，如下图5-1所示：
图5-1体现各变量间关系的有向无环图
由图5-1我们可以看出各变量之间的关系：目标变量(是否赔款)都受到这5个因素的影响，是依赖于这5个因素的，其中险种这个因素对是否赔款这个目标的重要性是最高的，具体数值可以从图5-2中得出。
图5-2各因素间的重要性
从图5-2可以很明确的看出险种这个因素对是否赔款这个目标的重要性是很重要的，具体数值为0.91，相比之下较为重要的因素是过去三年平均年收入、总保费、保额其数值都为0.03，费用类型对是否理赔是没有影响的，所以可以将险种、过去三年平均年收入、保额、总保费作为影响客户是否能够得到赔款的主要因素。
综上我们可以得出客户在购买保险时，如果要把后期能否尽快得到理赔作为较大的评判依据时，可以首先看看该险种的具体情况，不要盲目的做出判断，可借助线上平台查看各保险公司的险种类型是否符合要求，以及后期理赔时所对应的理赔要求是否合理，虽然线上平台能够更加方便的罗列并比较出各保险公司险种的情况，但是作为客户可以事先作为预习，然后到线下店面进行询问，不用冲动行事，因为工作人员可以根据经验根据客户实际情况推荐出更好的险种，客户也能够更加全面的了解险种的情况。通过该数据的情况我们可以看出来，险种的合理选择是很重要的，同时客户对于这方面也不是很了解，那么作为工作人员就应该从客户角度出发，推荐真正属于客户需求的产品，这样保险行业才能更加良性的循环。
5.2关联分析
通过探究各险种之间的关联关系，可以知道客户购买一个险种的同时也购买了哪些险种，得到各险种之前的关联度，同时可以预测出该客户之后可能还会购买哪个险种，这样就可以利用线上平台及时推送出相关的信息，可以具有针对性的进行推送，而不是采用群发的方式，这样就可以减少成本，同时也能够抓住客户眼球。我们首先需要将险种设置为标志(T：购买过，F：未购买)把客户号设置为关键字，这样就可以清晰的知道该客户购买了哪些险种，生成每个险种相互关联的网状图，查看险种之间的潜在联系，如下图5-3所示：
图5-3调整前：各险种之间的相关性强度
从上图5-3中的网状图中可以看出各险种之间的关系，每个险种之间连线的深浅程度就代表了他们之间的关系强度，从上图可以大致的看出险种S42和F09之间的连线最深，说明他们是客户在购买险种时经常一起购买的保险，同时还有几个险种之间的连线也较深，比如险种S43和F09之间S42和F07之间，因为目前我们设置的强链接数值为49-99，所以目前得到的网状图就比较全面，可以展示出大部分相关程度较高的险种，我们可以通过上图大概知道它们之间的关系，但是相关程度较高的几个险种还是不太明确，所以我们可以通过调整下面的强链接数值来查看强度较高的几种保险，如下图5-4所示
图5-4调整后：各险种之间的相关性强度
从上图5-4可以看出，我们将强链接数值调整到80-180之后，所图所示的网状相关程度较高的险种就很明确了，险种S42、F09、S43之间的关联程度很高，说明客户在购买险种时这三类险种可能会一起购买，同时险种S42和F09这两个险种之间的关联程度是最高的，说明客户大概率会一起购买这两个险种，险种S42、F09、S49这三个险种以及S42、F09、F07这三个险种之间的关联程度也较高，所以保险公司在对线上平台进行模块规整时，可以将上述产品紧挨着排版，这样可以增加客户购买的几率，通过网状图我们知道了各险种之间的关联程度，再进行Apriori算法的建模，根据需要自行设定最低条件支持度和最小规则置信度，在这里我将最低条件支持度设定为55，最小规则置信度设定为90，得到了如下图5-5所示的8条强关联规则：
图5-5强关联规则
如上图5-5所示一共有8条强关联规则，接下来详细解释每条规则。
规则1：同时购买了F9和F7的人占客户总数的比例为57.353%，先购买了F7的人中会有1%的人购买F9。
规则2：同时购买了F09、S43、S42的人占客户总数的比例为59.804%，先购买了S43、S42的人中会有100%的人购买F09。
规则3：同时购买了F09、S43的人占客户总数的比例为60.784%，先购买了S43的人中会有99.194%的人购买F09。
规则4：同时购买了S42、F09、S43的人占客户总数的比例为60.294%，先购买了F09、S43的人中会有99.187%的人购买S42。
规则5：同时购买了S43、S42的人占客户总数的比例为60.784%，先购买了S43的人中会有98.387%的人购买S42。规则6：同时购买了F09和S42的人占客户总数的比例为81.373%，先购买了S42的人中会有95.181%的人购买F09。规则7：同时购买了S42和F07的人占客户总数的比例为57.353%，先购买了F07的人中会有94.017%的人购买S42。
规则8：同时购买了S42、F09、F07的人占客户总数的比例为57.353%，先购买了F09、F07的人中会有94.017%的人购买S42。
上述8条强规则可以看出S42、F09、S43、F07这四个险种是特别需要值得注意的，因为他们之间的关联程度很强，从规则1、2可以很明确的看出购买过F07的客户一定会购买F09,购买过S43、S42的客户一定会购买F09，同时购买过S43的客户有98.387%的几率购买S42，那么突破口就在险种F07和S43之间，对于保险公司来说应该要很迅速的关注到这一点，由此来做好相应的销售计划调整，同时还可以预测出某些客户还会购买哪些险种，由此来做出相应的推送，这样可以避免群发消息导致客户接收到的信息量过于杂乱，该模型一共预测出17名客户之后可能会购买的险种，其置信度都是在94%以上，那么保险公司就应该采取相应的策略，对这17名客户不定时推送出预测的险种。
6新华保险公司理赔数据的应用总结
6.1应用总结
各险种的正态分布曲线都是尖峰分布且右偏，其中险种F的正态曲线图形陡峭以及右偏程度更严重，说明赔款金额分布很集中，基本上都分布在中间或较低水平，但险种F的平均赔款金额又是最低的但其稳定性较高，通过Excel中的公式计算出89.16%的人购买了此类保险，这就说明虽然险种F赔款金额最低但因为其总保费低的原因大家对险种F的接受程度更高所以购买人数很多，性价比更高。年龄在41-65岁之间的人群其正态曲线图是很陡峭的同时右偏程度较大，并且对平均赔款金额的影响较小，则这一年龄段购买保险的人中他们某一部分人的理赔金额相对来说还是很高的，但大多数人还是集中在平均赔款金额及以下水平，只有少部分人的平均赔款金额很高，虽然其平均赔款金额不太高但稳定性还是挺高的。
费用类型为重大疾病对于平均赔款金额的影响最高，保险公司对重大疾病的赔付风险就越高，当客户出现重大疾病时保险公司理赔的金额会相对高一点，所以说购买相应类型的保险还是很有必要的，可以大大减少突发重疾给家人带来的负担。年龄段在41-65年龄段且年收入在1万元以下的客户更愿意申请理赔，因为中高年龄阶段且年收入在1万以下的人群，大部分购买保险的原因都是为了在遇到特别情况时，保险的理赔金可以保障之后的正常生活。
在分析赔款金额、总保费、保额这三者之间的相关性后，建立起的线性回归方程为y(赔款金额)=-1191.562+0.879*保额+0.904*总保费，具有一定的可行性可运用到之后的赔款流程当中。
根据分析各险种的赔付率时发现了有些险种如F06、F01、S51、FS2、FS1，对公司的发展具有一定的负向影响应及时采取相应措施，做好预案降低它们对保险公司带来的损失，还有4个保险如S52、F05、S48、S58是具有两面性的，保险公司应该看见其可能会带来损失的一面，也要看见其可能会带来新的商机的一面，同时发现有大部分险种受到了客户的喜爱，也有一小部分险种就不那么受客户喜爱如FS3、S76、B01、B02、S71、S91，那么作为保险公司应该适当做做市场调研找到其中的原因。
通过构建贝叶斯模型，探究出险种、过去三年平均年收入、总保费、保额是客户能否得到理赔的主要因素，那么客户就可以根据这一点，来有针对性的挑选更适合自己的险种，这样可以更有目的性的选择产品。通过关联规则分析，得到S42、F09、S43、F07这四个险种是特别需要值得注意的，因为他们之间的关联程度很强，同时保险公司还要看见F07和S43这两个险种的特殊性，同时还预测出17名客户后续还会购买的产品，因此保险公司要调整好销售计划。
6.2建议
6.2.1对于客户
基于上述九个主题的分析可以看出，各险种都有自己的优势，在购买保险时不能只看重赔保金额，还要看它的赔保率以及总保费与赔保金额之间的关系等等，综合判断出适合自身情况的险种进行购买，比如险种F虽然其赔款金额较低，但总保费少，那么购买此保险的人群，在每月缴纳保险费的时候压力不会太大，并且此保险也能满足大家的日常需求。
因为目前保险市场的险种类型很多，所以要选择能够为自己带来很大益处的险种如健康险等类型的险种，可以为日后多一份保障。目前保险市场的发展趋向于年轻化，很多保险公司都推出了一些新的险种类型，大家应该把目光放的宽阔一些，或许能发现一些有意思的险种，但是也不能太过于冲动，不仅要关心产品本身也要对保险公司有足够的了解，可以通过线上平台多多比较咨询各家保险公司这一类产品的特性，不要掉入商家的陷阱当中。
应该事先在线上平台对各保险公司的险种有一定的了解，做了相应的准备工作之后，心里有了一定的预期，也一定要到线下门店进行咨询可以防止被忽悠的可能性发生，同时也因为工作人员是有一定的工作经验的，可以根据客户的实际情况推荐出更适合自己的险种，可以避免客户选择不到最适合自己的险种。
6.2.2对于保险公司
首先因为重大疾病的赔付较多，所以保险公司应储备足够的流动资金来应对此类保险的理赔。又因为年龄3(41-65中年)的正态曲线图是很陡峭的同时右偏程度较大但其稳定性很高，则这一年龄阶段大多数人还是集中在平均赔款金额及以下水平，只有少部分人的平均赔款金额很高，并且年龄3(41-65中年)对平均赔款金额的影响较小，所以保险公司着重应该关注这一年龄阶段的购买人群。通过分析理赔数据中申请理赔的客户人群发现，大多数集中在41-65年龄段且年收入在1万元以下这一区间内，处于这一区间内的人群对于保险的需求大多数都是为了在意外情况发生时能保障日常生活，所以针对这一人群的客户，保险公司可以有针对性的提出相关险种，以供客户选择。同时20岁以下申请理赔的人占比只有0.037%，可知这一人群申请理赔的很少，那么保险公司向这一人群推荐保险得到的收益是最大的，所以保险公司应该设计出更吸引年轻人兴趣的保险。
其次也要利用好线上平台，既要让客户能够更全面的看见自己心仪保险产品的所有标签，还能够随时进行业务处理与追踪。不仅要做好售前工作更要做好售后工作，定期询问客户情况，针对客户购买的险种、自身情况以及新兴产品的出现，让客户了解到目前新出现的产品是否更适合自己。
然后也要进行必要的市场问卷调查，利用大数据技术对问卷调查中得到的数据进行数据分析挖掘出有用信息，能够让保险公司更了解客户完善自身产品外也更清楚当下发展趋势，设计出更有创造性的保险。
最后通过关联规则分析，可以得出客户所购买险种的关联程度，保险公司就可以在线上平台中将关联程度较高的几个保险放在一起，可以让客户更容易的找到满意的险种，同时也可以预测出该客户后续还会购买哪些险种，这时保险公司就可以更有针对性的推送相关险种信息给所对应的客户，可以避免因为盲目推送信息给客户留下不好的印象，也可以减少成本的花销，带来更大的利益。
7大数据技术在保险行业中的展望
传统保险模式是具有投保意愿的客户到保险公司或者是保险代理人员处，根据自己的需求咨询并找到自己满意的险种之后，双方达成具有法律效益的保险合同协议，后续在进行续保、理赔等相关业务时也必须到保险公司进行业务办理的过程[11]。当下的保险市场中互联网保险模式占据主导地位，互联网保险是计算机互联网与保险相结合，利用大数据技术为主要依托的一种新兴的保险营销模式[12]，大数据技术就是把大量繁杂的数据进行有效的处理，挖掘出其中有用信息并进行扩展延伸的技术[13]。目前的主要技术有数据采集、数据预处理、数据存储、数据分析与挖掘、数据可视化。因为保险行业的特殊性，每天都会产生大量数据，为了能更好的抓住客户并挖掘出潜在客户群体，那么大数据技术就占据了极其重要的地位，大数据与保险相结合的模式能够最大程度上加快保险行业的发展，我国的保险行业从2011年开始高速发展，同一年互联网保险也应运而生了，在这种背景下保险行业的发展势头非常迅猛，到了2016年起其增速开始逐渐放缓，直至2018年底中国成为了全球第二大保险市场，但是我国保险的覆盖率及深度是远低于发达国家的[14]，所以保险行业必须做出改变。
当前我国保险行业正处于由高速发展转变为高质量发展的攻坚阶段，所以高效运用大数据技术就显得极其重要了，就当前的市场环境来看，最迫在眉睫的是需要建立保险数据共享平台，保险行业巨头应该有担当的站出来，出来协调好各保险公司的问题，一起并肩作战打好这个攻坚战，让整个保险行业呈现出健康稳定发展的趋势，其次保险产品也应该与时俱进，跟紧时代发展的脚步，不断创新来更好的满足大众的需求[15]，比如网络安全保险算是很
新兴的一种保险类型，由于缺少行业规范其发展也较为缓慢，那么就需要各保险公司以及XX一起努力，提升大众的网络安全风险意识[16]，努力让整个行业迸发出一些新的催化剂。
参考文献
[1]曹毓飞.我国保险业数字化转型发展趋势[J].中国保险,2021(03):13-16.
[2]张勇.互联网技术对保险产品营销策略的影响[J].中国市场,2021,(15):196-198.
[3]蔡江辉,杨雨晴.大数据分析及处理综述[J].太原科技大学学报,2020,41(06):417-424.
[4]陈晓静,张闫文,李港鑫,亓苗.大数据对保险行业的挑战和应对策略[J].上海保险,2020(09):48-53.[5]栗锲.大数据技术在金融行业的应用及未来展望[J].财富时代,2020(11):18-19.
[6]Yang Fan.Influence and Application of Big Data Analysis in Product Design Research[J].Journal of Physics:Conference Series,2021,1852(3).
[7]Huang Jing.Application of Computer Large Data Analysis in Marketing Management[J].Journal of Physics:Conference Series,2021,1744(3).
[8]Rawat R,Yadav R.Big Data:Big Data Analysis,Issues and Challenges and Technologies[J].IOP Conference Series:Materials Science and Engineering,2021,1022(1).
[9]赵涛.基于贝叶斯网络模型的商业银行操作风险度量研究[D].天津大学,2019.
[10]王明艳.基于Apriori算法的零售商品购买关联分析[J].科技创新与生产力,2021(08):50-52+56.
[11]汪艳秋,耿西亚.浅析大数据在保险优化中的应用[J].老字号品牌营销,2021(02):95-96.
[12]于越.中国互联网保险发展研究[J].全国流通经济,2021,(18):160-162.
[13]马伟良.大数据技术的应用现状与未来展望分析[J].数字通信世界,2020,(04):164.
[14]张瑞鹏,高玉婷,彭九敏.大数据背景下保险业的发展现状和前景分析[J].现代商业,2021,(30):27-29.[15]宋寒华.基于保险需求分析的保险产品创新[J].现代商业,2021,(35):54-56.
[16]徐炜.网络安全保险的内涵和发展[J].上海保险,2022,(01):23-25.
致谢
时光荏苒，转眼间大学生活就到了尽头，回想往事感觉刚进大学仿佛还在昨天。
本课题是在指导老师的帮助下完成的，老师用他渊博的学识和严谨的治学态度，帮助我找到了自己课题设计的方向，使得自己的毕业设计能够正常的运作下来。老师正直无私的高尚品质、严于律己的做人原则和克己奉公的敬业精神，将是我这一生中所学习的目标。在我毕业设计期间，老师在学习、生活上都给予了我极大的关怀和鼓励。从论文选题到最后论文的撰写，都做了悉心的指导，并提出了许多宝贵的建议。
最后感谢在百忙之中参与评阅以及答辩的各位老师们，谢谢一切和母校有关的所有事物，衷心感谢曾经教导和帮助过我的你们，希望大家都能成为更好的自己！！
1、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“文章版权申述”（推荐），也可以打举报电话：18735597641(电话支持时间：9:00-18:30)。
2、网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友投稿，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务。
原创文章，作者：1158，如若转载，请注明出处：https://www.447766.cn/chachong/198625.html,
