论文部分内容阅读
关键词：贝叶斯分类器 客户画像 续保概率 风险因素
0.引言
中国目前的车险费率制度，大多数符合“从车主义”。即车险保费多少，主要取决于这辆车本身的各项情况，如车的购置价、座位数、排量、购车年限等，根据这些数据计算出一个基本的车险保费价格，再根据这辆车的上年理赔次数来打不同的折扣。这就导致了中国的车险定价模式非常的单调，相似情况的车型，保费也都差不多。想要改变这种状况就需要使其变为“从人主义”。需要对客户进行精准画像也需要对客户是否续保概率进行预测。
1.客户精准画像
本文从三个大方向车辆、环境、人;10个小方向种类、年龄、性别、NCD等对客户进行精准画像。针对重要的文字信息，本文通过风险厘定将文字信息转化为了数字信息。下面将选取这些数字信息以概率统计的方法对客户进行精准画像。
2.贝叶斯分类器
在上文我们对客户车险的风险因素划分了风险系数，将以上划分标准作为类别集合，利用贝叶斯分类器对已有数据中的客户进行分类，得到客户的精准画像。利用風险系数计算各类客户的续保概率。贝叶斯分类器是一种分类的算法，但他是以概率统计的方法对类别进行划分。利用概率统计中的贝叶斯公式进行计算，算法的特点就是不会确定样本的类别，而是以概率的形式告诉这个样本有多大可能属于这一类。本文将续保不续保分为两类，这样通过将所得数据输入分类器进行学习。当在输入客户得这些信息时，贝叶斯模型就会得到该客户续保得概率。
贝叶斯分类法基于简单的贝叶斯公式（1），即通过某对象的先验概率计算其后验概率，选择具有最大后验概率的类作为该对象所属的类。
本文以同品牌同车系的1000组大众帕塞特客户相关信息输入贝叶斯分类器进行学习。另找了10个大众帕塞特客户的信息输入已经训练好的贝叶斯分类器模型进行检验。
3.结论
选取10个大众帕塞特客户的信息输入已经训练好的贝叶斯分类器模型进行检验，结果如下：
从1000组数据的训练样本学习后的贝叶斯分类器分类精准度可以在80%。而且也成功的从对客户的画像中得到了该客户续保的概率。
0.引言
中国目前的车险费率制度，大多数符合“从车主义”。即车险保费多少，主要取决于这辆车本身的各项情况，如车的购置价、座位数、排量、购车年限等，根据这些数据计算出一个基本的车险保费价格，再根据这辆车的上年理赔次数来打不同的折扣。这就导致了中国的车险定价模式非常的单调，相似情况的车型，保费也都差不多。想要改变这种状况就需要使其变为“从人主义”。需要对客户进行精准画像也需要对客户是否续保概率进行预测。
1.客户精准画像
本文从三个大方向车辆、环境、人;10个小方向种类、年龄、性别、NCD等对客户进行精准画像。针对重要的文字信息，本文通过风险厘定将文字信息转化为了数字信息。下面将选取这些数字信息以概率统计的方法对客户进行精准画像。
2.贝叶斯分类器
在上文我们对客户车险的风险因素划分了风险系数，将以上划分标准作为类别集合，利用贝叶斯分类器对已有数据中的客户进行分类，得到客户的精准画像。利用風险系数计算各类客户的续保概率。贝叶斯分类器是一种分类的算法，但他是以概率统计的方法对类别进行划分。利用概率统计中的贝叶斯公式进行计算，算法的特点就是不会确定样本的类别，而是以概率的形式告诉这个样本有多大可能属于这一类。本文将续保不续保分为两类，这样通过将所得数据输入分类器进行学习。当在输入客户得这些信息时，贝叶斯模型就会得到该客户续保得概率。
贝叶斯分类法基于简单的贝叶斯公式（1），即通过某对象的先验概率计算其后验概率，选择具有最大后验概率的类作为该对象所属的类。
本文以同品牌同车系的1000组大众帕塞特客户相关信息输入贝叶斯分类器进行学习。另找了10个大众帕塞特客户的信息输入已经训练好的贝叶斯分类器模型进行检验。
3.结论
选取10个大众帕塞特客户的信息输入已经训练好的贝叶斯分类器模型进行检验，结果如下：
从1000组数据的训练样本学习后的贝叶斯分类器分类精准度可以在80%。而且也成功的从对客户的画像中得到了该客户续保的概率。