CN111429293A - 一种保险产品的推荐***及推荐方法 - Google Patents
一种保险产品的推荐***及推荐方法 Download PDFInfo
- Publication number
- CN111429293A CN111429293A CN202010316912.5A CN202010316912A CN111429293A CN 111429293 A CN111429293 A CN 111429293A CN 202010316912 A CN202010316912 A CN 202010316912A CN 111429293 A CN111429293 A CN 111429293A
- Authority
- CN
- China
- Prior art keywords
- user
- guarantee
- insurance
- gap
- premium
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001914 filtration Methods 0.000 claims abstract description 25
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000012357 Gap analysis Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 5
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 4
- 239000010931 gold Substances 0.000 claims description 4
- 229910052737 gold Inorganic materials 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 description 97
- 230000006399 behavior Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Technology Law (AREA)
- Evolutionary Biology (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及一种保险产品的推荐方法,包含:S1、用户当前使用移动营销场景,继续S2~S3;用户当前使用互联网营销场景,继续S4~S6;S2、根据用户的财富和生命周期,分析评价用户的保障缺口;S3、根据用户保障责任的优先级和保障缺口,向用户推荐相应的保险产品;S4、基于预先设置的用户模型对用户数据进行打标签处理;S5、对标签后的用户数据进行聚类、关联、协同过滤的处理;S6、根据处理后的用户数据,结合用户场景,向用户推荐相应的保险产品。本发明综合保险产品的金融属性以及客户或被保人不同生命周期的保障差异性,同时支持移动营销和互联网营销这两个时下主流业务场景,实现精准推荐,从而提高销售成功率。
Description
技术领域
本发明涉及一种推荐***及推荐方法,具体是指一种用于保险产品的推荐***及推荐方法。
背景技术
保险产品的特殊性决定了保险产品的推荐模型与互联网零售的推荐模型有着很大的差异。传统的保险售卖一般都是通过专业的销售顾问与客户面对面、一对一的进行“望闻问切”后,在充分了解客户需求的情况下进行相关保险产品的推荐,进而希望达成售卖。这一过程最终结果的好坏,很多时候都依赖于销售顾问或营销人员的专业水平和业务能力。
近年来,随着互联网的兴起,很多保险中介开始建立自己的专业网站,并通过互联网渠道销售保险产品,在互联网渠道的冲击下加剧了保险行业对存量客户争夺。因此,如何更精准的把握客户的保险需求、如何根据客户自身的行为特征自动化的将适当的、可行的、被需求的保险产品推荐给客户,将对提高企业的展业能力,降低企业的运营成本起到至关重要的作用。
在这样的背景下,互联网上保险产品的推荐***如雨后春笋般不断的涌现出来。而究其具体的实现算法,基本上就是基于产品内容的关联推荐,基于客户行为的协同过滤等。
如图1所示,为现有技术中较为常见的一种保险推荐算法。该推荐算法主要基于事先积累的用户数据(用户信息等)、保险产品数据(保险产品信息等)、用户曾经的销售数据(购买记录等)或用户行为数据(用户的网页浏览记录等)为基础,从这些数据中借助关联算法、协同过滤算法等挖掘出用户特征与某些保险产品之间的某种关联关系,进而将该些保险产品推荐给用户。
进一步,随着用户行为数据的不断增多,为了减少推荐算法每次运行的时间,提高实时推荐效率,现有技术中还对该推荐算法进行了改进,即对不同的保险产品打上不同的标签,计算用户特定行为与某一类产品标签之间的关系,从而实现针对用户推荐具备这一类标签特征的保险产品。这种推荐方法确实减少了因保险产品增加而带来的计算复杂度增高的问题,对推荐性能和准确性起到了一定的改进作用。
上述提到的推荐算法虽然一定程度上解决了互联网保险产品销售过程中,因为没有专业营销人员,客户往往感到迷茫不知如何选择的问题。但这种推荐算法的局限性也比较明显,即该算法适用的场景仅仅是互联网场景,推荐的保险产品也往往以简单短期险为主,而且该算法基于客户行为与保险产品的标签为基础实现,忽略了保险产品是一个金融产品,购买对象很多时候是一个人,想要成功的把保险产品售卖给人,往往需要考虑客户的财务状况以及人这个个体的生命周期等关键点。因此现有技术中的推荐引擎并不适合业务形态和规则更复杂、盈利能力更高的寿险长险等。同时随着移动互联网的兴起,很多保险营销人员都是在使用手机App展业,客户也更多的习惯通过手机获取各方面的信息,因此上述的推荐算法也并不适用于帮助保险营销人员更好的摸清客户需求,从而更专业的推荐保险产品。
基于上述,目前亟需提出一种基于移动互联网的保险产品的推荐***及推荐方法,基于对保险业务与保险产品的深刻理解,借助丰富的行业经验,综合保险产品的金融属性以及客户或被保人不同生命周期的保障差异性,同时支持移动营销和互联网营销这两个时下主流业务场景,实现精准推荐,从而提高销售成功率,有效解决现有技术中存在的问题和限制。
发明内容
本发明的目的是提供一种保险产品的推荐***及推荐方法,基于对保险业务与保险产品的深刻理解,借助丰富的行业经验,综合保险产品的金融属性以及客户或被保人不同生命周期的保障差异性,同时支持移动营销和互联网营销这两个时下主流业务场景,实现精准推荐,从而提高销售成功率。
为实现上述目的,提供一种保险产品的推荐方法,包含以下步骤:
S1、用户当前使用移动营销场景,则继续S2~S3;用户当前使用互联网营销场景,则继续S4~S6;
S2、根据用户的财富和生命周期,分析评价用户的保障缺口;
S3、根据用户保障责任的优先级和保障缺口,向用户推荐相应的保险产品;
S4、基于预先设置的用户模型对用户数据进行打标签处理;
S5、对标签后的用户数据进行聚类、关联、协同过滤的处理;
S6、根据处理后的用户数据,结合用户场景,向用户推荐相应的保险产品。
所述的S2中,具体包含以下步骤:
S21、根据用户的年龄、年收入、职业、历史保障,计算用户的保费缺口;
S22、根据用户的年龄,通过对理想套餐标准、套餐星级排序、保费支出水平、保障程度需求进行评价,计算用户的保额缺口,划分用户保障程度需求的层级。
所述的S21中,保费缺口是指理想套餐的保费缺口,具体计算方式为:
保费缺口=(理想套餐保障交费支出比例-已有保障交费支出比例)×年收入;
其中,理想套餐保障交费支出比例是指:根据用户当前的生命周期,每年在理想情况下的保费支出占年收入的比例;
已有保障交费支出比例是指:用户已经购买的保险产品,每年保费支出占年收入的比例。
所述的S22中,用户保障程度需求的层级划分需要根据用户保障责任的覆盖面、人身类责任保障的保额充分度、储蓄类责任保障的保费支出比例,理想套餐保障交费支出比例进行评价;其中,所述的人身类责任保障的保额充分度是指:用户历史人身类责任保障的总保额占理想套餐标准保障总保额的比例。
所述的S22中,保额缺口包括人身类责任的保额缺口和储蓄类责任的保额缺口,具体计算方式为:
人身类责任的保额缺口=理想套餐标准保障总保额-历史保单覆盖的保障责任的保额;储蓄类责任的保额缺口=(理想套餐中储蓄类保障支出比例-已有储蓄类保障支出比例)×年收入;
其中,理想套餐标准保障总保额是指:根据用户当前的生命周期,在理想情况下需要具备的寿险保障、重疾医疗保障、意外保障、一般医疗保障、住院补贴保障的保额之和;
历史保单覆盖的保障责任的保额是指:用户已经购买的寿险保障、重疾医疗保障、意外保障、一般医疗保障、住院补贴保障的保额之和;
理想套餐中储蓄类保障金支出比例是指:根据用户当前的生命周期,在理想情况下需要具备的储蓄类保障支出占年收入的比例;
已有储蓄类保障支出比例是指:用户已有的储蓄类保障支出占年收入的比例。
所述的S3中,具体包含以下步骤:
S31、根据用户保障责任优先级,向用户推荐高优先级的保障责任对应的保险产品,且该保险产品是用户之前未购买的;
S32、如果已推荐的高优先级的保险产品的保费已经补满用户的保费缺口,则不再推荐其他保险产品;否则,根据用户的人身类责任的保额缺口,向用户推荐人身类责任保障对应的保险产品;
S33、如果已推荐的高优先级的保险产品和人身类责任保障对应的保险产品的保费已经补满用户的保费缺口,则不再推荐其他保险产品;否则,根据用户的储蓄类责任的保额缺口,向用户推荐储蓄类类责任保障对应的保险产品。
其中,所述的用户保障责任优先级是根据用户的生命周期进行对应的设置和调整。
所述的S4中,具体包含以下步骤:
S41、预先定义用户模型,该用户模型由多个标签组成,每个标签描述用户的一个属性;
S42、收集用户数据,包括:用户的基本信息数据,用户的历史购买数据,用户的历史行为数据;
S43、每间隔一定的时间,将用户数据与用户模型中的各种标签进行匹配,在用户数据上打下标签;
S44、每次打完标签后,将用户数据存储在关系型数据库中和图形库中。
所述的S5中,具体包含以下步骤:
S51、采用K-means聚类算法对用户数据进行聚类处理,得到分类用户数据;
S52、采用Apriori算法对分类用户数据中的历史购买数据进行分析,挖掘保险产品与历史购买数据之间的关联系,建立关联规则;
S53、采用数据埋点方法对分类用户数据中的历史行为数据进行分析,挖掘保险产品与历史行为数据之间的协同过滤关系,建立协同过滤规则。
本发明还提供一种保险产品的推荐***,用于实现上述的推荐方法,包含适用于移动营销场景的:保障缺口评价模块,根据用户的财富和生命周期,分析评价用户的保障缺口;保障缺口分析模块,根据用户保障责任的优先级和保障缺口,向用户推荐相应的保险产品;还包含适用于互联网营销场景的:用户标签模块,基于预先设置的用户模型对用户数据进行打标签处理;数据处理模块,对标签后的用户数据进行聚类、关联、协同过滤的处理;策略融合模块,根据处理后的用户数据,结合用户场景,向用户推荐相应的保险产品。
所述的保障缺口包含保费缺口和保额缺口;所述的保障缺口评价模块包含:财富缺口计算模块,根据用户的年龄、年收入、职业、历史保障,计算用户的保费缺口;生命周期缺口计算模块,根据用户的年龄,通过对理想套餐标准、套餐星级排序、保费支出水平、保障程度需求进行评价,计算用户的保额缺口。
综上所述,本发明所提供的保险产品的推荐***及推荐方法,其中针对移动营销场景的保费缺口算法与被保人生命周期保障缺口算法很好的解决了保险公司广大销售人员在移动展业过程中亟需专业化、精准化营销的痛点。同时,基于用户数据标签化的关联及协同过滤推荐算法解决了互联网营销场景下保险产品的推荐算法。以上两种不同营销场景下的推荐算法相辅相成形成了对关键场景的全覆盖。
本发明基于对保险业务与保险产品的深刻理解,借助丰富的行业经验,综合保险产品的金融属性以及客户或被保人不同生命周期的保障差异性,同时支持移动营销和互联网营销这两个时下主流业务场景,实现精准推荐,从而提高销售成功率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图进行简单介绍,显而易见的,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为现有技术中的一种保险推荐算法的框架示意图;
图2为本发明中的保险产品的推荐***的框架示意图;
图3为本发明中的用于移动营销场景的保险产品的推荐过程示意图;
图4为本发明中的用于互联网营销场景的保险产品的推荐过程示意图;
图5为本发明中的用户图谱的示意图;
图6为本发明中的对用户数据打标签的示意图;
图7为本发明中的用户数据处理的示意图;
图8为本发明中的数据关联的示意图;
图9为本发明中的数据协同过滤的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本文中,诸如“第一”、“第二”、“第三”等关系术语(如果存在)仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。应该理解这样使用的术语在适当情况下可以互换。此外,术语“包括”、“包含”、“具有”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。
以下结合图2~图9,以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
在保险行业中,用户保障责任是从多个财富维度进行评价的,具体包含:寿险保障、重疾医疗保障、意外保障、一般医疗保障、住院补贴保障、养老金保障、教育金保障和财富管理保障等等。其中,寿险保障、重疾医疗保障、意外保障、一般医疗保障、住院补贴保障通常称为人身类责任保障,而养老金保障、教育金保障、财富管理保障通常称为储蓄类责任保障。
如图2所示,为本发明所提供的保险产品的推荐***,应用于移动互联网,包含适用于移动营销场景的:保障缺口评价模块,根据用户的财富和生命周期,结合分析评价用户的保障缺口;保障缺口分析模块,根据用户保障责任的优先级和保障缺口,向用户推荐相应的保险产品;还包含适用于互联网营销场景的:用户标签模块,基于预先设置的用户模型对用户数据进行打标签处理;数据处理模块,对标签后的用户数据进行聚类、关联、协同过滤的处理;策略融合模块,根据处理后的用户数据,结合用户场景,向用户推荐相应的保险产品。
其中,所述的保障缺口包含保费缺口和保额缺口。所述的保障缺口评价模块包含:财富缺口计算模块,根据用户的年龄、年收入、职业、历史保障等数据,计算用户的保费缺口;生命周期缺口计算模块,根据用户的年龄,通过对理想套餐标准、套餐星级排序、保费支出水平、保障程度需求等方面进行评价,计算用户的保额缺口,划分用户保障程度需求的层级。
其中,所述的数据处理模块包含:数据聚类模块,采用K-means(K均值)聚类算法对用户数据进行聚类处理,得到分类用户数据;数据关联模块,采用Apriori算法对分类用户数据中的历史购买数据进行分析,挖掘保险产品与历史购买数据之间的关联系,建立关联规则;数据协同过滤模块,采用数据埋点方法对分类用户数据中的历史行为数据进行分析,挖掘保险产品与历史行为数据之间的协同过滤关系,建立协同过滤规则。
本发明还提供一种保险产品的推荐方法,采用上述的推荐***实现,具体包含以下步骤:
S1、根据用户当前使用的应用场景进行选择,若用户当前使用移动营销场景,则继续S2~S3,如图3所示;若用户当前使用互联网营销场景,则继续S4~S6,如图4所示;
S2、根据用户的财富和生命周期,保障缺口评价模块分析评价用户的保障缺口;
S3、根据用户保障责任的优先级和保障缺口,保障缺口分析模块向用户推荐相应的保险产品;
S4、用户标签模块基于预先设置的用户模型对用户数据进行打标签处理;
S5、数据处理模块对标签后的用户数据进行聚类、关联、协同过滤的处理;
S6、策略融合模块根据处理后的用户数据,结合用户场景,向用户推荐相应的保险产品;并反馈用户对推荐结果的评价数据,以优化推荐结果。
如图3所示,所述的S2中,具体包含以下步骤:
S21、根据用户的年龄、年收入、职业、历史保障等数据,财富缺口计算模块计算用户的保费缺口;
S22、根据用户的年龄,生命周期缺口计算模块通过对理想套餐标准、套餐星级排序、保费支出水平、保障程度需求等方面进行评价,计算用户的保额缺口,划分用户保障程度需求的层级。
所述的S21中,保费缺口是指理想套餐的保费缺口,具体计算方式为:
保费缺口=(理想套餐保障交费支出比例-已有保障交费支出比例)×年收入;
其中,理想套餐保障交费支出比例是指:根据用户当前的生命周期,每年在理想情况下的保费支出占年收入的比例;对于该参数,可以根据用户所属生命周期的不同(年龄不同),进行对应的设置和调整,作为推荐***的初始参数预先设置,以便推荐***能够自动计算并选取合适保额区间的保险产品进行推荐;
已有保障交费支出比例是指:用户已经购买的保险产品,每年保费支出占年收入的比例。
所述的S22中,用户保障程度需求的层级划分需要根据用户保障责任的覆盖面、人身类责任保障的保额充分度、储蓄类责任保障的保费支出比例,理想套餐保障交费支出比例这几个方面进行评价。且其中所提到的人身类责任保障的保额充分度是指:用户历史人身类责任保障的总保额占理想套餐标准保障总保额的比例,该参数可以划分多个层次,例如可以是理想套餐标准保障总保额基础上的75%、或50%、或25%。
所述的S22中,保额缺口包括人身类责任的保额缺口和储蓄类责任的保额缺口,具体计算方式为:
人身类责任的保额缺口=理想套餐标准保障总保额-历史保单覆盖的保障责任的保额;储蓄类责任的保额缺口=(理想套餐中储蓄类保障支出比例-已有储蓄类保障支出比例)×年收入;
其中,理想套餐标准保障总保额是指:根据用户当前的生命周期,在理想情况下需要具备的寿险保障、重疾医疗保障、意外保障、一般医疗保障、住院补贴保障的保额之和;其中每种保障的保额可根据用户的生命周期的不同,进行对应的设置和调整,作为推荐***的初始参数预先设置,以便推荐***能够自动计算并进行保险产品的推荐;
历史保单覆盖的保障责任的保额是指:用户已经购买的寿险保障、重疾医疗保障、意外保障、一般医疗保障、住院补贴保障的保额之和;
理想套餐中储蓄类保障支出比例是指:根据用户当前的生命周期,在理想情况下需要具备的储蓄类保障(例如养老金、教育金等)支出占年收入的比例,对于该参数,可以根据用户所属生命周期的不同,进行对应的设置和调整,作为推荐***的初始参数预先设置,以便推荐***能够自动计算并进行保险产品的推荐;
已有储蓄类保障支出比例是指:用户已有的储蓄类保障支出占年收入的比例。
所述的S3中,具体包含以下步骤:
S31、首先根据用户保障责任优先级,向用户推荐高优先级的保障责任对应的保险产品,且该保险产品是用户之前未购买的;
S32、其次,如果已推荐的高优先级的保险产品的保费已经补满用户的保费缺口,则不再推荐其他保险产品;否则,进一步根据用户的人身类责任的保额缺口,向用户推荐人身类责任保障对应的保险产品;
S33、最后,如果已推荐的高优先级的保险产品和人身类责任保障对应的保险产品的保费仍然未补满用户的保费缺口,则进一步根据用户的储蓄类责任的保额缺口,向用户推荐储蓄类类责任保障对应的保险产品。
其中,所述的用户保障责任优先级是根据用户的生命周期的不同进行对应的设置和调整。
在本发明的一个优选实施例中,用户保障责任的优先级被分为四类,具体为:1、意外保障;2、寿险保障、重疾医疗保障;3、养老金保障;4、一般医疗保障、住院补贴保障、教育金保障、财富管理保障。可以根据用户的实际年龄,对这四类优先级进行不同的排序,并作为推荐***的初始参数预先设置。例如,用户为正直青壮年的25岁时,则用户保障责任的优先级排序为1>2>3>4;又例如,用户为刚出生的1岁婴儿时,则用户保障责任的优先级排序为2>4>1>3。
在本发明的一个优选实施例中,如果用户预先设置了购买保险产品的预算,则保障缺口分析模块在推荐保险产品的过程中,需要同时满足该预算以及上述的推荐规则。
以下根据一个具体案例,对步骤S2和S3进行详细说明。例如:用户A,男性,25岁,该用户之前已经购买过寿险的保障。首先,确定该用户A的用户保障责任优先级,根据25岁的年龄,其用户保障责任优先级为:意外保障>寿险保障、重疾医疗保障>养老金保障>一般医疗保障、住院补贴保障、教育金保障、财富管理保障;其次,通过财富缺口计算模块和生命周期缺口计算模块分别计算该用户A的保费缺口和保额缺口,具体为:
保费缺口=(理想套餐保障交费支出比例-已有保障交费支出比例)×年收入;
人身类责任的保额缺口=理想套餐标准保障总保额-历史保单覆盖的保障责任的保额;储蓄类责任的保额缺口=(理想套餐中储蓄类保障支出比例-已有储蓄类保障支出比例)×年收入;
最后,保障缺口分析模块根据该用户A的用户保障责任的优先级和保障缺口,向用户A推荐相应的保险产品,具体为:1)向用户A推荐高优先级的保障责任对应的保险产品,由于用户A之前已经购买寿险保障,因此此次仅推荐意外保障和重疾医疗保障;2)如果这两项保险产品的保费已经补满用户A的保费缺口,则不再推荐其他保险产品,否则根据用户A的人身类责任的保额缺口,向其推荐人身类责任保障对应的保险产品,例如一般医疗保障和住院补贴保障等;3)如果已推荐的这些保险产品的保费仍然未补满用户的保费缺口,则进一步根据用户的储蓄类责任的保额缺口,向用户推荐储蓄类类责任保障对应的保险产品,例如养老金保障。
所述的S4中,标签是指:用来描述用户的一个或多个属性,例如:年龄、性别、职业、是否有房等,每个属性都是一种标签;所述的用户模型是指:一组标签的集合,例如:性别、年龄、职业、年收入、是否有房、是否有车、是否经常出差等等一系列的标签,集合形成一个用户模型。该用户模型是预先设置好的,实际运行过程中,需要审核后才能正式运行。
如图6所示,所述的S4中,具体包含以下步骤:
S41、预先定义用户模型,该用户模型由多个标签组成,每个标签描述用户的一个属性;
S42、通过例如问卷调查的方式收集用户数据,包括:用户的基本信息数据,用户的历史购买数据,用户的历史行为数据;
S43、每间隔一定的时间,通过管理人员手动或者根据***设置定期自动运行用户模型,将用户数据与用户模型中的各种标签进行匹配,进而在用户数据上打下标签;
S44、每次打完标签后,将用户数据存储在关系型数据库中,同时也存储在图形库中,以便后续展示用户图谱。如图5所示,用户图谱是一个以用户为中心,依据用户属性层次的方式展现用户各类信息的一种表现方式。
如图7所示,所述的S5中,利用大数据的AI(人工智能)技术,通过数据聚类分析、关联分析、协同过滤运算生成智能推荐模型,即通过标签或相似的行为衔接不同的用户与保险产品之间的关系,为后续的推荐找到依据,具体包含以下步骤:
S51、数据聚类模块采用K-means聚类算法对用户数据进行聚类处理,得到分类用户数据;
详细为:先对用户数据进行清洗,包括去重、去除空值、转换为one-hot编码(增加数据维度);然后利用K-means聚类算法,分析该用户属于某个群体,以及群体内部的某些特征出现的频率较多,例如:某个年龄段中,年收入大多处于哪个范围,或者怎样的收入分布较大,购买保险产品的分布特征(即哪些保险产品出现的频率较多)等。
S52、如图8所示,数据关联模块采用Apriori算法对分类用户数据中的历史购买数据进行分析,挖掘保险产品与历史购买数据之间的关联系,建立关联规则;
S53、如图9所示,数据协同过滤模块采用数据埋点方法对分类用户数据中的历史行为数据进行分析,挖掘保险产品与历史行为数据之间的协同过滤关系,建立协同过滤规则;
详细为:对用户的历史行为数据进行打分,例如:用户浏览保险产品的行为打1分,用户收藏保险产品的行为打2分等,定期收集用户历史行为的评分数据进行汇总,构建用户评分矩阵,基于余弦相似原理建立协同过滤规则。
所述的S6中,具体为:根据关联规则和协同过滤规则,同时结合用户的不同场景进行策略融合,向用户推荐相应的保险产品;并且将用户对推荐结果的评价数据反馈至数据处理模块,反哺下一次的数据处理,从而不断优化推荐结果。
如下表所示,针对新客户初次访问、问卷调查、老客户购买评价、收藏等不同场景,采用不同融合策略,给予客户不同的推荐,使得推荐的保险产品更贴切用户实际需求。
综上所述,本发明所提供的保险产品的推荐***及推荐方法,其中针对移动营销场景的保费缺口算法与被保人生命周期保障缺口算法很好的解决了保险公司广大销售人员在移动展业过程中亟需专业化、精准化营销的痛点。同时,基于用户数据标签化的关联及协同过滤推荐算法解决了互联网营销场景下保险产品的推荐算法。以上两种不同营销场景下的推荐算法相辅相成形成了对关键场景的全覆盖。
本发明基于对保险业务与保险产品的深刻理解,借助丰富的行业经验,综合保险产品的金融属性以及客户或被保人不同生命周期的保障差异性,同时支持移动营销和互联网营销这两个时下主流业务场景,实现精准推荐,从而提高销售成功率。本发明从灵活性、智能性、业务贴合性、专业性等多个方面综合来看,具有独特性、排他性和不可替代性。
本领域内的技术人员应明白,上述各实施例可提供为方法、装置、或计算机程序产品。这些实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。上述各实施例涉及的方法中的全部或部分步骤可以通过程序来指令相关的硬件完成,所述的程序可以存储于计算机设备可读取的存储介质中,用于执行上述各实施例方法所述的全部或部分步骤。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (10)
1.一种保险产品的推荐方法,其特征在于,包含以下步骤:
S1、用户当前使用移动营销场景,则继续S2~S3;用户当前使用互联网营销场景,则继续S4~S6;
S2、根据用户的财富和生命周期,分析评价用户的保障缺口;
S3、根据用户保障责任的优先级和保障缺口,向用户推荐相应的保险产品;
S4、基于预先设置的用户模型对用户数据进行打标签处理;
S5、对标签后的用户数据进行聚类、关联、协同过滤的处理;
S6、根据处理后的用户数据,结合用户场景,向用户推荐相应的保险产品。
2.如权利要求1所述的保险产品的推荐方法,其特征在于,所述的S2中,具体包含以下步骤:
S21、根据用户的年龄、年收入、职业、历史保障,计算用户的保费缺口;
S22、根据用户的年龄,通过对理想套餐标准、套餐星级排序、保费支出水平、保障程度需求进行评价,计算用户的保额缺口,划分用户保障程度需求的层级。
3.如权利要求2所述的保险产品的推荐方法,其特征在于,所述的S21中,保费缺口是指理想套餐的保费缺口,具体计算方式为:
保费缺口=(理想套餐保障交费支出比例-已有保障交费支出比例)×年收入;
其中,理想套餐保障交费支出比例是指:根据用户当前的生命周期,每年在理想情况下的保费支出占年收入的比例;
已有保障交费支出比例是指:用户已经购买的保险产品,每年保费支出占年收入的比例。
4.如权利要求3所述的保险产品的推荐方法,其特征在于,所述的S22中,用户保障程度需求的层级划分需要根据用户保障责任的覆盖面、人身类责任保障的保额充分度、储蓄类责任保障的保费支出比例,理想套餐保障交费支出比例进行评价;其中,所述的人身类责任保障的保额充分度是指:用户历史人身类责任保障的总保额占理想套餐标准保障总保额的比例。
5.如权利要求4所述的保险产品的推荐方法,其特征在于,所述的S22中,保额缺口包括人身类责任的保额缺口和储蓄类责任的保额缺口,具体计算方式为:
人身类责任的保额缺口=理想套餐标准保障总保额-历史保单覆盖的保障责任的保额;
储蓄类责任的保额缺口=(理想套餐中储蓄类保障支出比例-已有储蓄类保障支出比例)×年收入;
其中,理想套餐标准保障总保额是指:根据用户当前的生命周期,在理想情况下需要具备的寿险保障、重疾医疗保障、意外保障、一般医疗保障、住院补贴保障的保额之和;
历史保单覆盖的保障责任的保额是指:用户已经购买的寿险保障、重疾医疗保障、意外保障、一般医疗保障、住院补贴保障的保额之和;
理想套餐中储蓄类保障金支出比例是指:根据用户当前的生命周期,在理想情况下需要具备的储蓄类保障支出占年收入的比例;
已有储蓄类保障支出比例是指:用户已有的储蓄类保障支出占年收入的比例。
6.如权利要求5所述的保险产品的推荐方法,其特征在于,所述的S3中,具体包含以下步骤:
S31、根据用户保障责任优先级,向用户推荐高优先级的保障责任对应的保险产品,且该保险产品是用户之前未购买的;所述的用户保障责任优先级是根据用户的生命周期进行对应的设置和调整。
S32、如果已推荐的高优先级的保险产品的保费已经补满用户的保费缺口,则不再推荐其他保险产品;否则,根据用户的人身类责任的保额缺口,向用户推荐人身类责任保障对应的保险产品;
S33、如果已推荐的高优先级的保险产品和人身类责任保障对应的保险产品的保费已经补满用户的保费缺口,则不再推荐其他保险产品;否则,根据用户的储蓄类责任的保额缺口,向用户推荐储蓄类类责任保障对应的保险产品。
7.如权利要求1所述的保险产品的推荐方法,其特征在于,所述的S4中,具体包含以下步骤:
S41、预先定义用户模型,该用户模型由多个标签组成,每个标签描述用户的一个属性;
S42、收集用户数据,包括:用户的基本信息数据,用户的历史购买数据,用户的历史行为数据;
S43、每间隔一定的时间,将用户数据与用户模型中的各种标签进行匹配,在用户数据上打下标签。
8.如权利要求7所述的保险产品的推荐方法,其特征在于,所述的S5中,具体包含以下步骤:
S51、采用K-means聚类算法对用户数据进行聚类处理,得到分类用户数据;
S52、采用Apriori算法对分类用户数据中的历史购买数据进行分析,挖掘保险产品与历史购买数据之间的关联系,建立关联规则;
S53、采用数据埋点方法对分类用户数据中的历史行为数据进行分析,挖掘保险产品与历史行为数据之间的协同过滤关系,建立协同过滤规则。
9.一种保险产品的推荐***,其特征在于,用于实现如权利要求1~8中任一项所述的推荐方法;
包含适用于移动营销场景的:保障缺口评价模块,根据用户的财富和生命周期,分析评价用户的保障缺口;保障缺口分析模块,根据用户保障责任的优先级和保障缺口,向用户推荐相应的保险产品;
还包含适用于互联网营销场景的:用户标签模块,基于预先设置的用户模型对用户数据进行打标签处理;数据处理模块,对标签后的用户数据进行聚类、关联、协同过滤的处理;策略融合模块,根据处理后的用户数据,结合用户场景,向用户推荐相应的保险产品。
10.如权利要求9所述的保险产品的推荐***,其特征在于,所述的保障缺口包含保费缺口和保额缺口;
所述的保障缺口评价模块包含:
财富缺口计算模块,根据用户的年龄、年收入、职业、历史保障,计算用户的保费缺口;
生命周期缺口计算模块,根据用户的年龄,通过对理想套餐标准、套餐星级排序、保费支出水平、保障程度需求进行评价,计算用户的保额缺口。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010316912.5A CN111429293A (zh) | 2020-04-21 | 2020-04-21 | 一种保险产品的推荐***及推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010316912.5A CN111429293A (zh) | 2020-04-21 | 2020-04-21 | 一种保险产品的推荐***及推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111429293A true CN111429293A (zh) | 2020-07-17 |
Family
ID=71554224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010316912.5A Pending CN111429293A (zh) | 2020-04-21 | 2020-04-21 | 一种保险产品的推荐***及推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111429293A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985901A (zh) * | 2020-08-24 | 2020-11-24 | 北京思特奇信息技术股份有限公司 | 一种电信行业的营销产品配置方法、装置、设备和存储介质 |
CN112308686A (zh) * | 2020-11-26 | 2021-02-02 | 江苏科源网络技术有限公司 | 一种智能推荐方法 |
CN112418922A (zh) * | 2020-11-12 | 2021-02-26 | 中国人寿保险股份有限公司 | 个性化保险广告推荐方法与*** |
CN112967102A (zh) * | 2021-02-04 | 2021-06-15 | 江苏警官学院 | 以物流数据建立客户画像的方法 |
CN113469802A (zh) * | 2021-07-15 | 2021-10-01 | 中国银行股份有限公司 | 数据匹配方法及装置 |
CN114331741A (zh) * | 2020-10-09 | 2022-04-12 | 赵振波 | 一种保险产品组合方法和***及存储介质 |
CN114663200A (zh) * | 2022-05-23 | 2022-06-24 | 中国平安财产保险股份有限公司 | 一种产品推荐方法、装置、电子设备以及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463630A (zh) * | 2014-12-11 | 2015-03-25 | 新一站保险代理有限公司 | 一种基于网购保险产品特性的产品推荐方法及*** |
CN108416613A (zh) * | 2018-01-31 | 2018-08-17 | 北京长城华冠汽车技术开发有限公司 | 基于关联性分析算法的汽车配件推荐***及推荐方法 |
CN109285082A (zh) * | 2018-09-25 | 2019-01-29 | 中国平安人寿保险股份有限公司 | 保险产品推荐方法、装置及计算机可读存储介质 |
CN109615487A (zh) * | 2019-01-04 | 2019-04-12 | 平安科技(深圳)有限公司 | 基于用户行为的产品推荐方法、装置、设备及存储介质 |
CN109636495A (zh) * | 2018-09-21 | 2019-04-16 | 闽南理工学院 | 一种基于大数据的科技信息在线推荐方法 |
CN109741146A (zh) * | 2019-01-04 | 2019-05-10 | 平安科技(深圳)有限公司 | 基于用户行为的产品推荐方法、装置、设备及存储介质 |
CN109783687A (zh) * | 2018-11-22 | 2019-05-21 | 广州市易杰数码科技有限公司 | 一种基于图结构的推荐方法、装置、设备及存储介质 |
CN110111171A (zh) * | 2019-04-04 | 2019-08-09 | 深圳壹账通智能科技有限公司 | 线上投保定制方法、装置、电子设备和存储介质 |
CN110335157A (zh) * | 2019-03-18 | 2019-10-15 | 中国人民财产保险股份有限公司 | 保险产品推荐方法、设备及存储介质 |
CN114240553A (zh) * | 2021-12-16 | 2022-03-25 | 中国平安财产保险股份有限公司 | 车辆保险产品的推荐方法、装置、设备及存储介质 |
CN115131101A (zh) * | 2022-07-05 | 2022-09-30 | 太平人寿保险有限公司 | 一种保险产品个性化智能推荐*** |
-
2020
- 2020-04-21 CN CN202010316912.5A patent/CN111429293A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463630A (zh) * | 2014-12-11 | 2015-03-25 | 新一站保险代理有限公司 | 一种基于网购保险产品特性的产品推荐方法及*** |
CN108416613A (zh) * | 2018-01-31 | 2018-08-17 | 北京长城华冠汽车技术开发有限公司 | 基于关联性分析算法的汽车配件推荐***及推荐方法 |
CN109636495A (zh) * | 2018-09-21 | 2019-04-16 | 闽南理工学院 | 一种基于大数据的科技信息在线推荐方法 |
CN109285082A (zh) * | 2018-09-25 | 2019-01-29 | 中国平安人寿保险股份有限公司 | 保险产品推荐方法、装置及计算机可读存储介质 |
CN109783687A (zh) * | 2018-11-22 | 2019-05-21 | 广州市易杰数码科技有限公司 | 一种基于图结构的推荐方法、装置、设备及存储介质 |
CN109615487A (zh) * | 2019-01-04 | 2019-04-12 | 平安科技(深圳)有限公司 | 基于用户行为的产品推荐方法、装置、设备及存储介质 |
CN109741146A (zh) * | 2019-01-04 | 2019-05-10 | 平安科技(深圳)有限公司 | 基于用户行为的产品推荐方法、装置、设备及存储介质 |
CN110335157A (zh) * | 2019-03-18 | 2019-10-15 | 中国人民财产保险股份有限公司 | 保险产品推荐方法、设备及存储介质 |
CN110111171A (zh) * | 2019-04-04 | 2019-08-09 | 深圳壹账通智能科技有限公司 | 线上投保定制方法、装置、电子设备和存储介质 |
CN114240553A (zh) * | 2021-12-16 | 2022-03-25 | 中国平安财产保险股份有限公司 | 车辆保险产品的推荐方法、装置、设备及存储介质 |
CN115131101A (zh) * | 2022-07-05 | 2022-09-30 | 太平人寿保险有限公司 | 一种保险产品个性化智能推荐*** |
Non-Patent Citations (1)
Title |
---|
张宜曼: ""面向保险产品的个性化推荐算法研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985901A (zh) * | 2020-08-24 | 2020-11-24 | 北京思特奇信息技术股份有限公司 | 一种电信行业的营销产品配置方法、装置、设备和存储介质 |
CN111985901B (zh) * | 2020-08-24 | 2024-02-02 | 北京思特奇信息技术股份有限公司 | 一种电信行业的营销产品配置方法、装置、设备和存储介质 |
CN114331741A (zh) * | 2020-10-09 | 2022-04-12 | 赵振波 | 一种保险产品组合方法和***及存储介质 |
CN112418922A (zh) * | 2020-11-12 | 2021-02-26 | 中国人寿保险股份有限公司 | 个性化保险广告推荐方法与*** |
CN112308686A (zh) * | 2020-11-26 | 2021-02-02 | 江苏科源网络技术有限公司 | 一种智能推荐方法 |
CN112308686B (zh) * | 2020-11-26 | 2021-05-18 | 江苏科源网络技术有限公司 | 一种智能推荐方法 |
CN112967102A (zh) * | 2021-02-04 | 2021-06-15 | 江苏警官学院 | 以物流数据建立客户画像的方法 |
CN113469802A (zh) * | 2021-07-15 | 2021-10-01 | 中国银行股份有限公司 | 数据匹配方法及装置 |
CN114663200A (zh) * | 2022-05-23 | 2022-06-24 | 中国平安财产保险股份有限公司 | 一种产品推荐方法、装置、电子设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111429293A (zh) | 一种保险产品的推荐***及推荐方法 | |
US10565602B1 (en) | Method and system for obtaining leads based on data derived from a variety of sources | |
US7873567B2 (en) | Value and risk management system | |
Mousavi et al. | Performance evaluation of bankruptcy prediction models: An orientation-free super-efficiency DEA-based framework | |
JP5662446B2 (ja) | リアルタイム広告入札に対して競争評価モデルを使用するための学習システム | |
US8498915B2 (en) | Data processing framework for financial services | |
US7469226B2 (en) | Method of providing a financial event identification service | |
KR101913591B1 (ko) | 비정형 데이터를 정형화하여 금융상품을 추천하는 방법 | |
US20160239919A1 (en) | Predictive model development system applied to organization management | |
CN111652657A (zh) | 商品销量预测方法、装置、电子设备及可读存储介质 | |
US20140257934A1 (en) | Price scoring for vehicles | |
US7908159B1 (en) | Method, data structure, and systems for customer segmentation models | |
US20210303996A1 (en) | Consumption prediction system and consumption prediction method | |
CA2413887A1 (en) | Method of providing a financial event identification service | |
Osadchiy et al. | Sales forecasting with financial indicators and experts' input | |
CN109300039A (zh) | 基于人工智能和大数据进行智能产品推荐的方法及*** | |
US20100228595A1 (en) | System and method for scoring target lists for advertising | |
KR102505103B1 (ko) | 온라인 커머스 데이터 기반의 큐레이션 서비스를 제공하는 방법 및 장치 | |
US20150332292A1 (en) | System and method for monitoring market information for deregulated utilities based on transaction data | |
CN115131101A (zh) | 一种保险产品个性化智能推荐*** | |
CN111737338A (zh) | 一种基于大数据画像闭环营销数据分析方法 | |
CN116739217A (zh) | 一种基于供应链大数据平台的零售管理方法及*** | |
CN110992111A (zh) | 基于大数据的投保人用户画像挖掘方法 | |
CN113674040A (zh) | 车辆的报价方法、计算机设备和计算机可读存储介质 | |
CN111861679A (zh) | 一种基于人工智能的商品推荐方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210707 Address after: 200122 4th floor to 6th floor, building 1, No.98 (Software Park), Lane 91, Eshan Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai Applicant after: SHANGHAI NEWTOUCH SOFTWARE Co.,Ltd. Address before: 401122 No.19 datavalley East Road, Xiantao street, Yubei District, Chongqing Applicant before: Chongqing Xinzhi Jinfu Information Technology Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200717 |