作者 | CDA數據分析師

業(yè)務背景——保險行業(yè)

業(yè)務環(huán)境

• 宏觀

中國是世界第二大保險市場,但在保險密度上與世界平均水平仍有明顯差距

• 業(yè)界

保險行業(yè)2018年保費規(guī)模為38萬億,同比增長不足4%,過去“短平快“的發(fā)展模式已經不能適應新時代的行業(yè)發(fā)展需求,行業(yè)及用戶長期存在難以解決的痛點,限制了行業(yè)發(fā)展發(fā)展環(huán)境。

• 社會

互聯(lián)網經濟的發(fā)展,為保險行業(yè)帶來了增量市場,同時隨著網民規(guī)模的擴大,用戶的行為習慣已發(fā)生轉變,這些都需要互聯(lián)網的方式進行觸達。

保險科技:當前沿科技不斷應用于保險行業(yè),互聯(lián)網保險的概念將會與保險科技概念高度融合。

(資料來源: 艾瑞研究院自主研究及繪制C2019.6 iResearch)

中國保險市場持續(xù)高速增長。根據銀保監(jiān)會數據，2011~2018年，全國保費收入從1.4萬億增長至3.8萬億，年復合增長率17.2%。2014年，中國保費收入突破2萬億，成為全球僅次于美國、日本的第三大新興保險市場市場；2016年，中國整體保費收入突破3萬億，超過日本，成為全球第二大保險市場；2019年，中國保費收入有望突破4萬億。

發(fā)展現(xiàn)狀

• 概覽

受保險行業(yè)結構轉型時期影響,互聯(lián)網保險整體發(fā)展受阻,2018年行業(yè)保費收入為1889億元, 較去年基本持平,不同險種發(fā)展呈現(xiàn)分化格局,其中健康險增長迅猛,2018年同比增長108%,主要 由短期醫(yī)療險驅動

• 格局

供給端專業(yè)互聯(lián)網保險公司增長迅速,但過高的固定成本及渠道費用使得其盈利問題凸顯,加 發(fā)展現(xiàn)狀強自營渠道建設及科技輸出是未來的破局方法,渠道端形成第三方平臺為主,官網為輔的格局,第三 方平臺逐漸發(fā)展出B2C、B2A、B2B2C等多種創(chuàng)新業(yè)務模式。

• 模式

互聯(lián)網保險不僅僅局限于渠道創(chuàng)新,其核心優(yōu)勢同樣體現(xiàn)在產品設計的創(chuàng)新和服務體驗的提升 竟合格局:隨著入局企業(yè)増增多,流量爭奪更加激烈,最終保險公司與第三方平臺深度合作將成為常態(tài) 發(fā)展趨勢

發(fā)展趨勢

• 競合格局

隨著入局企業(yè)增多，流量爭奪更加激烈，最終保險公司與第三方平臺深度合作將成為常態(tài)。 發(fā)展趨勢

• 保險科技

當前沿科技不斷應用于保險行業(yè)，互聯(lián)網保險的概念將會與保險科技概念高度融合。

衡量指標

圖片來源：《聚焦客戶體驗，數據驅動重塑保險行業(yè)》白皮書

業(yè)務目標

針對保險公司的健康險產品的用戶，制作用戶畫像，然后進行精準保險營銷。

數據分析

分析流程框架

本次案例的數據數據的字段含義如下：

導入數據

import pandas as pd

df = pd.read_csv(r'data.csv', sep=',', header = 0)

df.shape

(5000000, 50)

在這里我們可以看到我們的數據是有5000000條記錄和19個特征

數據探索性分析

描述性統(tǒng)計

在我們正式建模型之前，我們需要對我們的數據進行描述性統(tǒng)計，這樣我們就能知道整個數據的大致分布是什么樣的，做到心里有數，然后能夠數據大致的全貌有一定的了解。

type_0=df.dtypes

type_0.to_excel( 'original.xlsx')

#將 KBM_INDV_ID 的int64轉化為object

df['KBM_INDV_ID']=df['KBM_INDV_ID'].astype('object')

describe=df.describe().T

type(describe)

describe.to_excel( '../output/describe_var.xlsx')

# 引入畫圖模塊

import seaborn as sns

import matplotlib.pyplot as plt

import numpy as np

# 為分類型變量:所處區(qū)的大小，創(chuàng)建直方圖

plt.subplot(1, 2, 1)

sns.countplot(x='N2NCY', hue='resp_flag', data=df); #設置 x,y 以及顏色控制的變量,以及畫圖的數據

plt.xlabel('N2NCY');

plt.ylabel('Frequency');

#了解因變量的分布

Resp_count=df['KBM_INDV_ID'].groupby(df['resp_flag']).count()

print(Resp_count)

str(round(Resp_count[1]/len(df)*100,2))+str('%') #查看購買了

從這個圖片我們可以看到，買了保險的用戶和未買保險的人所處縣的情況。

缺失值處理

我們需要對數據進行缺失值檢查，先對每一條記錄查看是否有缺失，然后查看一下每一個特征是否有缺失，然后進行相應的缺失值處理。

Next Step：

# 檢查是否有缺失的行

df.shape[0]-df.dropna().shape[0] ###

# 檢查是否有缺失的列

len(df.columns)-df.dropna(axis =1).shape[1] #626

NA=df.isnull().sum()

print('orginal NA=',NA)

NA=NA.reset_index()

NA.columns=['Var','NA_count']

NA=NA[NA.NA_count>0].reset_index(drop=True)

print(NA)

NA.to_excel( '../output/var_incl_na.xls',index=False)

####處理缺失值

var_char_na=[]

# 我們對連續(xù)型數據進行中位數填補，然后對離散型數據進行特殊值填補，我們這里利用的是N

for i in range(len(NA)):

if NA['NA_count'][i]/len(df)>0.75 or len(df[NA['Var'][i]].unique())<=2 :

del df[NA['Var'][i]]

elif df[NA['Var'][i]].dtypes!="object":

# 填充缺失值-中位數

for_na_value = df[NA['Var'][i]].quantile(0.5)

# for_na_value

df[NA['Var'][i]] = df[NA['Var'][i]].fillna(for_na_value)

elif df[NA['Var'][i]].dtypes=="object" and len(df[NA['Var'][i]].unique())<=3:

df[NA['Var'][i]] = df[NA['Var'][i]].fillna('N', inplace=True)

else:

var_char_na.append(NA['Var'][i])

var_char_na

處理分類型變量

#Drop Variables that are not necessary

drop_list=['STATE_NAME','KBM_INDV_ID']

for var in drop_list:

del df[var]

## 檢查數據集中數值型變量和字符型變量

var_num = []

var_char_uniq2 = []

var_char_mul= []

for var in list(df):

if df[var].dtypes=="object" and len(df[var].unique())>2:

var_char_mul.append(var)

elif df[var].dtypes!="object" :

var_num.append(var)

else:

var_char_uniq2.append(var)

##處理多值型字符變量

for var in var_char_mul:

temp= pd.get_dummies(df[var], prefix=var, prefix_sep='_')

print(temp)

for var2 in list(temp):

if var2 in '_nan':

del temp[var2]

del df[var]

df = pd.concat([df,temp], axis=1)

del temp

len(df.columns) ##88

df.head(5)

df.to_excel( '../output/data.xls',index=False)

##處理二值型的字符變量

import numpy as np

from sklearn.preprocessing import LabelEncoder

def integer_encode(var):

values = np.array(df[var])

label_encoder = LabelEncoder()

df[var] = label_encoder.fit_transform(values)

for var in var_char_uniq2:

if len(df[var].unique())<2:

del df[var]

else: integer_encode(var)

建模

當我們發(fā)現(xiàn)，我們的數據中分類變量比較多，我們嘗試采取決策樹進行建模，

具體理由：我們做出來的模型需要指導業(yè)務人員進行使用，那么要求做出來的模型的可解釋要高，而決策樹模型的解釋性就很強，那么業(yè)務人員理解起來就會很容易，那么之后進行應用就不用再專門進行對業(yè)務人員的培訓，直接讓他按照模型做出來的結果進行后續(xù)的業(yè)務，會提升效率。

# 引用sklearn 模塊

from sklearn import tree

from sklearn.model_selection import train_test_split

from sklearn.metrics import classification_report

#from sklearn import cross_validation, metrics

from sklearn import metrics

from sklearn.model_selection import cross_val_score

#from sklearn.grid_search import GridSearchCV

from sklearn.model_selection import GridSearchCV

import matplotlib.pylab as plt

from matplotlib.pylab import rcParams

rcParams['figure.figsize'] = 12, 4

##在模型樣本內將數據集7：3分，70%用來建模，30%用來測試

# 定義特征變量和目標變量

features= list(df.columns[1:])

X = df[features]

y = df['resp_flag']

# 將數據集7：3分，70%用來建模，30%用來測試

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.3)

clf = tree.DecisionTreeClassifier()

param_test={'min_samples_leaf':list(range(1000,6000,100)),'min_samples_split':list(range(4000,6000,100))}

gsearch = GridSearchCV(estimator=clf,

param_grid = param_test, scoring='roc_auc',n_jobs=1,iid=False, cv=5)

gsearch.fit(X_train,y_train)

#gsearch.grid_scores_, gsearch.best_params_, gsearch.best_score_

gsearch.cv_results_, gsearch.best_params_, gsearch.best_score_

驗證輸出結果

clf = tree.DecisionTreeClassifier(

class_weight=None,

criterion='gini',

max_features=None,

max_leaf_nodes=8,

min_samples_leaf=2000,

min_samples_split=5000,

min_weight_fraction_leaf=0.0,

splitter='best' )

results=modelfit(clf, X_train, y_train, X_test,y_test)

畫出決策樹

import os

import pydotplus

from IPython.display import Image

from sklearn.externals.six import StringIO

#os.environ["PATH"] += os.pathsep + 'C:/Users/yacao/Downloads/graphviz-2.38/release/bin'

dot_data = StringIO()

tree.export_graphviz(clf, #決策樹分類器

out_file = dot_data)

輸出規(guī)則

if (df['meda'][i] <= 56.5 ):

if (df['age'][i] <= 70.5 ):

if (df['c210hva'][i] <= 312.5 ):

if (df['ilor'][i] <= 10.5 ):

temp=11

segment.append(temp)

else:

temp=12

segment.append(temp)

else:

temp=8

segment.append(temp)

else:

if (df['tins'][i] <= 5.5 ):

temp=9

segment.append(temp)

else:

temp=10

segment.append(temp)

else:

if (df['pdpe'][i] <= 46.5 ):

if (df['MOBPLUS_M'][i] <= 0.5 ):

temp=13

segment.append(temp)

else:

temp=14

segment.append(temp)

else:

temp=4

segment.append(temp)

業(yè)務應用

我們來看一下購買比例最高的兩類客戶的特征是什么：

第一類：

• 處于醫(yī)療險覆蓋率比例較低區(qū)域
• 居住年限小于7年
• 65-72歲群體

那么我們對業(yè)務人員進行建議的時候就是，建議他們在醫(yī)療險覆蓋率比例較低的區(qū)域進行宣傳推廣，然后重點關注那些剛到該區(qū)域且年齡65歲以上的老人，向這些人群進行保險營銷，成功率應該會更高。

第二類：

• 處于醫(yī)療險覆蓋率比例較低區(qū)域
• 居住年限大于7年
• 居住房屋價值較高

這一類人群，是區(qū)域內常住的高端小區(qū)的用戶。這些人群也同樣是我們需要重點進行保險營銷的對象。

除此之外，我們還可以做什么呢？

了解客戶需求

我們需要了解客戶的需求，并根據客戶的需求舉行保險營銷。PIOS數據：向客戶推薦產品，并利用個人的數據（個人特征）向客戶推薦保險產品。旅行者：根據他們自己的數據（家庭數據），生活階段信息推薦的是財務保險、人壽保險、保險、舊保險和用戶教育保險。外部數據、資產保險和人壽保險都提供給高層人士，利用外部數據，我們可以改進保險產品的管理，增加投資的收益和收益。

開發(fā)新的保險產品

保險公司還應協(xié)助外部渠道開發(fā)適合不同商業(yè)環(huán)境的保險產品，例如新的保險類型，如飛行延誤保險、旅行時間保險和電話盜竊保險。目的是提供其他保險產品，而不是從這些保險中受益，而是尋找潛在的客戶。此外，保險公司將通過數據分析與客戶聯(lián)系，了解客戶。外部因素將降低保險的營銷成本，并直接提高投資回報率。