一种基于存量用户群体的保险产品智能推荐方法与流程

1.本发明涉及保险产品智能推荐技术领域，尤其涉及一种基于存量用户群体的保险产品智能推荐方法。


背景技术：

2.面对越来越激烈的行业竞争，如何盘活手中的现有资源，对大量的客户进行二次开发，即存量客户加保，已成为诸多保险公司的销售重点。随着互联网的发展，网销对比电销可以通过客户的网络行为，做一些有针对性的二次营销。但是对于近期无网络行为或电话行为的客户，网销和电销依然没有摆脱粗放的营销模式，缺乏对存量客户的深度开发。因此保险产品的智能推荐还存在一定的弱项，鉴于此，我们提出一种基于存量用户群体的保险产品智能推荐方法。


技术实现要素：

3.本发明的目的是针对背景技术中存在的现有的保险推荐还依靠传统电销和网销粗放联系的推荐营销模式，缺少基于现有存量用户的深度开发，保险产品的智能推荐有待提高的问题，提出一种基于存量用户群体的保险产品智能推荐方法。
4.本发明的技术方案：一种基于存量用户群体的保险产品智能推荐方法，包括以下处理步骤：
5.步骤一：存量客户历史数据的获取、处理和探查；
6.步骤二：基于投保人与被保人关系等规则分群；
7.步骤三：基于年龄保费kmeans聚类分群；
8.步骤四：apriori、强势业务优势产品、流行产品、usercf多路召回；
9.步骤五：组合多路召回产品列表，deepfm排序；
10.步骤六：现有客户产品推荐及应用。
11.优选的，所述步骤一中存量客户历史数据的获取包括：筛选有过投保单的客户；筛选承保单、犹豫期后的存量客户宽表；
12.存量客户历史数据处理包括：筛选存量客户宽表中的基本信息、保单基本信息、费用基本信息、产品及险种基本信息、客户态度基本信息、被保人基本信息；保留宽表中的有效字段信息。
13.优选的，所述步骤二中分群规则为：
14.筛选存量客户名下只有短险或意外险的人群，并定义为短期意外人群；
15.筛选最近一次承保时间距今≥5年的存量客户，且名下没有有效保单的人群，并定义为流失客户群；
16.按照“与投保人关系”的种类数量，1为自身群，2为关爱老幼群，≥3为全家全保群；
17.按照自身对于险种的偏好，将自身群又分为健康保障群和储蓄增值群；
18.短期意外群、流失客户群、健康保障群、储蓄增值群、关爱老幼群、全家全保群记为
i级群。
19.优选的，所述步骤三中对健康保障群、储蓄增值群、关爱老幼群、全家全保群进行分群；
20.选取k值，基于年龄和保费对i级群，进行kmeans聚类分群；
21.每个i级群分为4-5个子群。
22.优选的，所述步骤四中apriori、强势业务优势产品、流行产品、usercf多路召回包括：
23.①
apriori关联算法产品推荐；
24.所述apriori关联算法产品推荐用于构建客户名下的产品列表；
25.挖掘频繁1项集，挖掘频繁2项集；
26.根据生成的频繁项集，计算相应的置信度生成关联规则；
27.将客户已购买的产品a，根据关联规则得到未购买的产品b，进入召回列表；
28.②
强势业务优势产品推荐；
29.所述强势业务优势产品推荐用于分析每个子群的险种，购买数量多的险种记为该子群的强势业务险种；
30.分析强势业务险种中的购买数量最多的产品，记为强势业务的优势产品；
31.每个子群的强势业务险种，并其中的top1优势产品，进入召回列表；
32.③
流行产品推荐；
33.所述流行产品推荐用于分析子群历年产品的销售数量，并按照从高到低的顺序排列，并定义为流行产品列表；
34.每个子群top2流行产品，进入召回列表；
35.④
usercf相似客户产品推荐；
36.所述usercf相似客户产品推荐用于计算客户购买产品的相似度；
37.统计与输入客户的top10相似客户；
38.统计top10客户的产品列表，并按照从高到低的顺序排列；
39.取top2产品进入召回列表。
40.优选的，所述步骤五用于通过强势业务、流行产品、协同过滤、关联规则的召回方法，得到多路召回产品列表；
41.对比lr、gbdt、wide&deep模型，优选deepfm排序模型。
42.优选的，所述步骤六的产品推荐列表步骤如下：
43.s1、判断现有客户所属i级群体；
44.s2、加载kmeans模型，判断所属子群；
45.s3、提取所属子群的强势业务的优势产品；
46.s4、提取所属子群的流行产品；
47.s5、计算相似客户的top2产品；
48.s6、提取现有客户的关联产品；
49.s7、组合多路召回产品列表；
50.s8、加载deepfm排序模型，生成排序列表；
51.s9、排序列表作为产品推荐列表，提供给营销专员。
52.与现有技术相比，本发明具有如下有益的技术效果：
53.本发明通过数据挖掘、召回排序推荐等方法，对现有客户的营销数据进行分析，对存量客户群体进行精准分类，找出每个客户群体的消费特征，对比现有的客户进行产品营销，从而识别出每个组群客户的潜在营销机会，并针对营销机会设计出精准营销方案；从而实现对现有存量用户的精准、深度开发，进行有针对性的二次营销。
附图说明
54.图1是本发明的流程图；
55.图2是本实施例中fm的求解过程；
56.图3是本实施例中deepfm模型结构示意图。
具体实施方式
57.下文结合附图和具体实施例对本发明的技术方案做进一步说明。
58.实施例
59.如图1-3所示，本发明提出的一种基于存量用户群体的保险产品智能推荐方法。
60.步骤一：存量客户历史数据的获取、处理和探查包括：
61.存量客户历史数据获取包含：
62.定义存量客户为曾经拥有或当前持有效保单的客户；
63.定义有效保单为有承保单号，且犹豫期没有退保的保单；
64.核心数据仓库取回客户保单；
65.表关联、筛选，保单表关联名单库客户，得到有过投保单的客户，使用产品号关联产品表、险种表，再经过承保单筛选、犹豫期筛选后，得到存量客户宽表；
66.存量客户历史数据处理包括：
67.初步筛选客户基本信息：
[0068]“客户号”,“客户姓名”,“性别”,“出生日期”,“是否吸烟”,“是否有社保”,“所在省份”,“所在城市”等；
[0069]
初步筛选保单基本信息：
[0070]“投保单号”,“保单号”,“投保日期”,“承保日期”,“生效日期”,“保单状态”等；
[0071]
初步筛选保单费用基本信息：
[0072]“期缴保费”,“期满保费”，“当前缴期”等；
[0073]
初步筛选产品及险种基本信息：
[0074]“产品名称”,“产品简称”,“险种类别”,“长短险类别”,“开售时间”，“停售时间”等；
[0075]
初步筛选客户态度基本信息：
[0076]“是否犹退”,“是否退保”等；
[0077]
初步筛选被保人基本信息：
[0078]“与投保人关系”，“被保人姓名”，“被保人生日”等；
[0079]
步骤二：基于投保人与被保人关系等规则分群包括：
[0080]
筛选存量客户名下只有短险或意外险的人群，并定义为短期意外人群；
[0081]
筛选最近一次承保时间距今》＝5年的存量客户，且名下没有有效保单的人群，并定义为流失客户群；
[0082]
按照“与投保人关系”的种类数量，1为健康保障群，2为关爱老幼群，》＝3为全家全保群；
[0083]
按照自身对于险种的偏好，将自身群又分为健康保障群和储蓄增值群，具体包含：
[0084]
定义储蓄型客户：偏好险种为寿险、年金险的客户为储蓄型客户；
[0085]
定义保障型客户：偏好险种为重疾险、疾病险、医疗险的客户为保障型客户；
[0086]
储蓄增值群1：客户名下，只有1张储蓄型保单；
[0087]
储蓄增值群2：客户名下，有1张以上保单，归一化后的储蓄型保单量值》归一化后的保障型保单量值；
[0088]
健康保障群：客户名下，有1张以上保单，归一化后的保障型保单量值≥归一化后的储蓄型保单量值；
[0089]
储蓄增值群1和储蓄增值2群合并为储蓄增值群；
[0090]
短期意外群、流失客户群、健康保障群、储蓄增值群、关爱老幼群、全家全保群都为i级群；
[0091]
步骤三：基于年龄保费kmeans聚类分群包括：
[0092]
因短期意外群、流失客户群对产品推荐没有意义，只对健康保障群、储蓄增值群、关爱老幼群、全家全保群进行分群；下面以储蓄增值群为例；
[0093]
k-means的算法步骤为：
[0094]
选择初始化的k个样本作为初始聚类中心a＝a1,a2,
…
ak；
[0095]
针对数据集中每个样本xi计算它到k个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中；
[0096]
通过细分客群人数的对比，k＝3,4时样本不能较好分开，k＝6开始样本开始不均衡，选取k＝5作为聚类取值，本例选择保费和年龄作为聚类的变量；
[0097]
查看不同的群的年龄、保费特点，可以定义群的名称为铮铮青年、殷实衷保等子群；
[0098]
将所有的i级群体，全部进行聚类分群，一般分为4-5个子群，如下所示：
[0099]
储蓄增值群：铮铮青年子群、殷实衷保子群...；
[0100]
健康保障群：子群1、子群2、子群3...
[0101]
关爱老幼群：子群1、子群2、子群3...
[0102]
全家全保群：子群1、子群2、子群3...
[0103]
客户分群结束后，可对各类群体进行多种召回，如强势业务分析、流行产品分析、相似客户分析等；
[0104]
步骤四：usercf、apriori等多路召回包含：
[0105]
强势业务分析包括：
[0106]
以铮铮青年为例，进行群内的强势业务优势产品分析；
[0107]
分析得到在所有的险种中，寿险、意外险、年金险具有统计数量上的优势，则把上述险种作为铮铮青年子群的强势业务；
[0108]
分析强势业务险种中的购买数量最多的产品，记为强势业务的优势产品；
[0109]
每个险种取一个产品，共计3个产品；
[0110]
作为强势业务的优势产品进入召回列表；
[0111]
将所有的子群的强势业务分析，并得到对应强势业务的优势产品；
[0112]
流行产品分析包括：
[0113]
统计子群历年来各种产品的销售数量；
[0114]
按照从高到低的顺序排列，并定义为流行产品列表；
[0115]
选取top2流行产品，进入召回列表；
[0116]
分析所有的子群的流行产品，并选取top2流行产品，进入召回列表；
[0117]
usercf相似客户产品推荐包括：
[0118]
usercf是利用客户购买产品行为的相似度，计算兴趣的相似度，如用户a对物品{a,b,d}有过购买行为，用户b对物品{a,c}有过购买行为，利用余弦相似度公式计算用户a和用户b的兴趣相似度为：
[0119]
按照usercf计算：
[0120]
构建客户产品宽表；
[0121]
预先计算每个客户的产品模，并保存；
[0122]
计算输入客户与其余客户的产品交集的模，只计算上三角部分；
[0123]
统计输入客户的top10的相似客户；
[0124]
统计这top10个客户的产品列表，并按照从高到低的顺序排列；
[0125]
取最高的top2作为召回产品进入召回列表；
[0126]
apriori关联算法产品推荐
[0127]
apriori关联规则算法：
[0128]
从一系列候选的项中选择频繁的部分，当超过支持度阈值support(a-》b)＝p(aub)，即a与b同时出现的概率，是则任务这个项是频繁的；
[0129]
在已经发现的最大频繁项目集中，寻找置信度confidence(a-》b)＝p(b|a)不小于用户给定的关联规则，说明a和b必然较强关联；
[0130]
按照apriori计算：
[0131]
构建健康保障群、储蓄增值群、关爱老幼群、全家全保群客户客户的购买产品列表；
[0132]
挖掘频繁1项集，生成候选集；挖掘频繁2项集，生成候选集；直至频繁项集为空；
[0133]
根据生成的频繁项集，通过计算相应的置信度来生成关联规则；
[0134]
将客户已购买的产品a，根据关联规则得到未购买的产品b，进入召回列表；
[0135]
步骤五：组合多路召回产品列表，deepfm排序包括：
[0136]
通过强势业务、流行产品、协同过滤、关联规则等召回方法，得到多路召回产品列表；
[0137]
对比lr、gbdt、wide&deep模型，优选deepfm排序模型；
[0138]
优选deepfm模型实现过程如下：
[0139]
因子分解机fm能够自动构造大量的二阶特征，并同时降低计算复杂度。多项式模
型的公式为
[0140]
fm通过实对称矩阵w的变换，并引入隐向量，并将复杂度o(n2)的计算，变为复杂度为o(kn)；fm求解过程参见图2；
[0141]
构建embedding层：
[0142]
建立连续值和离散值的索引表xi和值表xv；
[0143]
设定隐向量k＝4,batchsize＝16；特征数量featuresize＝42；
[0144]
建立embedding层，得到emb矩阵大小为[1,4]...[78,4],[133,4]；
[0145]
经过embedding变换后，矩阵为[16,4]；
[0146]
embedding后的参数为fm部分、deep部分共享；
[0147]
fm部分：
[0148]
xv值矩阵维度为[16,42]；xi索引矩阵维度为[16,1],[16,1]...[16,78],[16,133]；v
if
xi的维度为[42,16,4]，是隐向量的集合；然后求“和平方”以及“平方和”fm二阶输出是得到fm的结果其中偏置w0维度是[16]，一阶维度是[16,，42]，二阶维度是[16,4]。
[0149]
deep部分：
[0150]
deep为dnn网络，其中输入维度为[16,42,4]；第一层隐层为32，输出维度为[16,32]；第二层隐层为32，输出维度为[16,32]；输出层为1，输出维度为[16]；
[0151]
记忆部分fm和泛化部分deep的输出结果：
[0152]
输出结果为输出维度为[16]；
[0153]
deepfm训练过程参见模型结构图3；
[0154]
现有客户产品推荐及应用包括：
[0155]
步骤六：现有客户产生推荐列表步骤如下：
[0156]
判断现有客户所属i级群体；
[0157]
加载kmeans模型，判断所属子群；
[0158]
提取所属子群的强势业务的优势产品；
[0159]
提取所属子群的流行产品；
[0160]
计算相似客户的top2产品；
[0161]
提取现有客户的关联产品；
[0162]
组合多路召回产品列表；
[0163]
加载deepfm排序模型，生成排序列表；
[0164]
排序列表作为产品推荐列表，提供给营销专员。
[0165]
上述具体实施例仅仅是本发明的一种优选的实施例，基于本发明的技术方案和上述实施例的相关启示，本领域技术人员可以对上述具体实施例做出多种替代性的改进和组合。