一种保险客户退保风险预测与留存干预智能系统的制作方法

本发明涉及保险信息技术处理领域，更具体地说，本发明涉及一种保险客户退保风险预测与留存干预智能系统。

背景技术：

1、在长期寿险、重疾险、年金险等长期人身保险产品的运营过程中，保险公司面临的客户退保风险管理场景日益复杂；从内部看，保单信息系统、客服平台、缴费记录系统彼此独立运行，数据格式各异且缺乏实时整合机制，保单信息如保费金额、保障期限、缴费方式，客户行为数据如保单查询频率、客服咨询内容、缴费及时性等分散存储于多个业务系统中；从外部看，同行业竞品频繁推出更具性价比或更灵活的新产品，宏观经济波动如利率下调、失业率上升等因素直接影响客户的缴费意愿和缴费能力；客户退保行为受到上述多重动态因素的共同驱动，而传统的静态预警方式无法及时捕捉风险信号，导致保险公司往往在客户即将退保时才被动响应，错失了最佳的干预时机。

2、目前行业内已有的退保预警方案主要包括基于历史退保样本的统计回归模型、基于客户画像的聚类分析以及基于规则引擎的简单阈值预警，例如连续两个月未缴费即标记为高风险；这些方案普遍存在三个方面的技术缺陷；第一，数据维度严重受限，未能将行业竞品信息如竞品产品的费率、保障范围和促销活动以及宏观经济数据如gdp增速、居民可支配收入和利率水平纳入特征空间，因而无法有效解释因外部环境变化引发的退保行为；第二，风险分级颗粒度过于粗糙，通常仅划分为高、中、低三档且分级标准固定不变，缺乏根据市场动态调整的能力；第三，干预策略缺乏数据驱动的个性化匹配，留存干预主要依赖人工客服的经验判断，策略单一，例如统一发送优惠券，未能针对不同风险等级客户的实际诉求如保费压力、保障不足或服务体验等进行差异化推送，且干预动作与风险预测结果相互脱节，无法形成从预测到干预再到反馈的闭环优化机制；这些技术瓶颈导致退保预警的准确率和留存转化的成功率均处于较低水平，亟需一种能够自动融合多源异构数据、利用先进机器学习算法实现细粒度动态分级并自动推送个性化干预策略的智能系统。

技术实现思路

1、本发明针对现有技术中存在的技术问题，提供一种保险客户退保风险预测与留存干预智能系统，通过多源数据融合模块、退保风险预测模块、留存干预模块以及闭环优化模块，以解决上述背景技术中提出的问题。

2、本发明解决上述技术问题的技术方案如下：具体包括：

3、多源数据融合模块：整合保险客户的保单信息、客户行为数据和外部数据，客户行为数据包括保单查询频率、客服咨询内容和缴费及时性，外部数据包括行业竞品信息和宏观经济数据；通过抽取转换加载管道进行清洗对齐归一化，对客服咨询内容进行自然语言处理提取退保意向关键词，将竞品信息转化为产品吸引力对比指标，将宏观经济数据按时间戳对齐，构建包含静态属性和动态时序特征的宽表数据集；

4、退保风险预测模块：基于宽表数据集，采用梯度提升决策树训练退保风险预测模型，输出每个客户在未来时间窗内的客户退保概率；根据宽表数据集中各特征对模型输出的贡献大小计算特征贡献度，并根据宏观经济数据计算市场波动因子；依据特征贡献度和市场波动因子动态调整用于划分风险等级的分级阈值，对客户进行精准分级，生成带有风险等级标签和客户退保概率的客户列表；

5、留存干预模块：根据客户列表中的风险等级和客户退保概率，结合从宽表数据集中提取的客户历史偏好和实时行为，通过策略引擎匹配个性化留存干预策略，并通过多渠道分发引擎推送干预指令，记录干预日志；

6、闭环优化模块：将干预日志与客户退保概率、产品吸引力对比指标、对齐后的宏观经济数据进行关联分析，根据客户干预后是否撤销退保申请、是否按时缴费或是否增加保单额度确定留存转化指标；依据留存转化指标更新退保风险预测模型和策略引擎中的策略库，实现闭环优化。

7、在一个优选地实施方式中，多源数据融合模块中，对于客户行为数据的特征构造具体包括：

8、针对保单查询频率，采用指数加权移动平均法分别计算短期均值与长期均值，以二者之差作为查询活跃度变化指标，查询活跃度变化指标正值表示查询频率近期上升，负值表示下降；

9、针对客服咨询内容，通过预训练语言模型将其编码为语义向量，并与预先构建的退保关键词词库的语义中心向量计算余弦相似度，再经logistic变换映射为介于零到一之间的退保意图强度指数，退保意图强度指数越接近一表示退保意向越强烈；

10、针对缴费及时性，将实际缴费延迟天数中的非负部分通过双曲正切函数进行非线性压缩，得到取值范围为零到一之间的延迟严重性指标，延迟严重性指标随延迟天数增加而趋近于一。

11、在一个优选地实施方式中，多源数据融合模块中，对于外部数据的特征构造具体包括：

12、针对行业竞品信息，将自有产品与所有竞品逐一比较，计算保费比值对数、保障范围差值及促销力度的加权欧氏距离，取最小值后再经logistic函数归一化，得到取值范围为零到一之间的产品吸引力对比指标，产品吸引力对比指标值越大表示自有产品相对于最小值对应的竞品的综合吸引力劣势越明显；

13、针对对齐后的宏观经济数据，将gdp增速、居民可支配收入增长率和基准利率分别进行极差归一化后，通过弹性系数组合并代入logistic函数，得到取值范围为零到一之间的宏观经济压力指数，宏观经济压力指数越接近一表示宏观经济压力越大。

14、在一个优选地实施方式中，退保风险预测模块中，退保风险预测模型为基于宽表数据集采用梯度提升决策树训练得到的，用于输出每个客户在未来时间窗内的客户退保概率；

15、特征贡献度的计算过程为：对于宽表数据集中的每个特征，在宽表数据集中每个特征的取值范围内进行多次随机扰动，每次扰动时将特征取值替换为从特征经验分布中随机采样的值，保持其他特征不变，重新输入退保风险预测模型计算退保概率，得到扰动后的概率序列；

16、特征贡献度等于扰动前后退保概率差的绝对值的平均值，平均值越大表示特征对客户退保概率的影响越显著；

17、选取贡献度排名前五的特征及其贡献度值，用于后续分级阈值的动态调整。

18、在一个优选地实施方式中，退保风险预测模块中，市场波动因子的计算过程为：

19、基于多源数据融合模块输出的宏观经济压力指数的时间序列，取最近四个季度的宏观经济压力指数值，计算相邻季度间的一阶差分，再对一阶差分再次差分得到二阶差分，取二阶差分的绝对值后计算加权和，所得结果即为市场波动因子；

20、市场波动因子值越大表示宏观经济压力在近期内发生了剧烈波动，市场不确定性升高。

21、在一个优选地实施方式中，退保风险预测模块中，分级阈值的动态调整过程为：

22、基于特征贡献度排名前五的特征的贡献度均值，以及市场波动因子，对预设的极高风险阈值、高风险阈值和中风险阈值三个基础分级阈值进行修正；其中，特征贡献度排名前五的特征的贡献度均值等于排名前五的特征的贡献度之和除以五；

23、修正方式为：从每个基础分级阈值中减去预设的市场波动调节系数与市场波动因子经双曲正切函数映射值的乘积，再减去预设的特征贡献调节系数与特征贡献度均值的乘积，得到调整后的分级阈值；

24、调整后的分级阈值下限不低于基础分级阈值的百分之八十，以实现对客户风险等级的动态精准划分。

25、在一个优选地实施方式中，留存干预模块中，策略引擎匹配个性化留存干预策略的过程为：

26、对于每位客户，策略引擎遍历自身内置的所有策略模板，计算每个策略模板对客户的匹配得分；

27、匹配得分由三个子项加权求和得到，三个子项分别为风险适配度、历史偏好相似度和实时紧迫度；

28、风险适配度衡量策略与客户风险等级的匹配程度，通过将风险等级映射为数值后计算与策略模板预设的最优适用风险等级的绝对差值得出；

29、历史偏好相似度衡量将客户历史偏好表示为历史偏好向量后与策略模板对应的策略特征向量之间的余弦相似度；

30、实时紧迫度基于客户退保概率和将实时行为表示为实时行为向量后通过非线性组合函数计算得出；

31、选取匹配得分最高的策略作为客户的最优干预策略。

32、在一个优选地实施方式中，留存干预模块中，多渠道分发引擎推送干预指令的过程为：

33、选定最优干预策略后，策略引擎根据策略模板的参数规则和客户的具体信息实例化具体的干预内容，包括减免比例、保障扩展项或专属服务内容；

34、实例化后的干预指令通过多渠道分发引擎同步推送至短信网关、app推送服务和客服外呼系统；

35、推送渠道的选择依据实时行为中的在线状态标志，若客户当前在线则优先通过app推送，若不在线则通过短信和客服外呼并行触达；

36、所有推送操作在预设时间内完成，并记录干预日志，干预日志包含客户标识、干预时间戳、推送渠道、策略类型、策略实例化参数、客户退保概率、风险等级、匹配得分以及客户后续的反馈行为。

37、在一个优选地实施方式中，闭环优化模块中，以客户标识和时间戳为键，将干预日志与客户退保概率、产品吸引力对比指标、对齐后的宏观经济数据进行关联，构建包含干预前特征和干预后行为结果的扩展数据集；

38、留存转化指标的确定过程为：将客户干预后的三个行为结果，即是否撤销退保申请、是否按时缴费和是否增加保单额度，分别赋予不同的基准权重和弹性系数，通过非线性指数函数计算每个行为结果的贡献值，再将三个贡献值求和得到留存转化指标；

39、其中，撤销退保申请的基准权重最高，按时缴费次之，增加保单额度最低，弹性系数控制各行为对指标的贡献饱和速度，使得单个行为结果对指标的边际贡献随着行为发生次数的增加而递减。

40、在一个优选地实施方式中，闭环优化模块中，更新退保风险预测模型的过程为：

41、从当前退保风险预测模型中提取各参数的fisher信息矩阵对角元素，对角元素衡量每个参数对历史数据的重要程度；

42、然后构造包含新干预数据的损失函数，损失函数由新干预数据的对数损失和基于fisher信息矩阵对角元素的弹性惩罚项组成，其中弹性惩罚项为fisher信息矩阵对角元素乘以新旧参数差值的平方再乘以正则化强度的总和；

43、通过优化损失函数对退保风险预测模型参数进行增量更新，在吸收新干预数据所蕴含的知识的同时，保留历史数据中学到的知识；

44、更新策略引擎中的策略库的过程为：对于每个策略模板，优先判断客户是否撤销退保申请，若撤销退保申请则直接判定为干预成功；若未撤销退保申请，则根据留存转化指标是否超过预设阈值判断干预是否成功，并基于干预成功与否更新策略模板的后验成功率分布，进而调整策略模板在后续匹配中的权重，实现策略库的自适应进化。

45、本发明的有益效果是：通过多源数据融合模块整合保单信息、客户行为数据和外部数据，克服了数据维度受限的缺陷；退保风险预测模块采用梯度提升决策树训练退保风险预测模型，依据特征贡献度和市场波动因子动态调整分级阈值，实现细粒度精准分级；留存干预模块结合客户历史偏好和实时行为，通过策略引擎匹配个性化留存干预策略，突破干预策略单一的局限；闭环优化模块依据留存转化指标更新退保风险预测模型和策略库，形成从预测到干预再到反馈的闭环优化机制，显著提升退保预警准确率和留存转化成功率。