CN107464186A

CN107464186A - 基于车险客户画像的理赔模式推荐方法

Info

Publication number: CN107464186A
Application number: CN201710660426.3A
Authority: CN
Inventors: 缪骁
Original assignee: Individual
Current assignee: Individual
Priority date: 2017-08-04
Filing date: 2017-08-04
Publication date: 2017-12-12

Abstract

本发明涉及一种基于车险客户画像的理赔模式推荐方法，具体包括以下步骤：1、获取客户群体特征信息；2、根据所述客户群体特征信息数据分析群体客户特征权重值建立群体客户画像；3、获取客户的初始画像状态信息；4、根据所述群体客户画像和所述初始画像状态分析计算客户的感兴趣车险理赔模式；5、根据所述感兴趣车险理赔模式向车险理赔工作人员推荐个性化、智能化的理赔服务方式。本发明以客户需求为导向的基于车险客户画像的理赔模式推荐方法，集智能化先进化于一体，在客户报案时精确预知客户的理赔需求及偏爱的理赔模式，能够在完全尊重客户服务需求的情况下，有效提高理赔工作人员的工作效率。

Description

基于车险客户画像的理赔模式推荐方法

技术领域

本发明涉及一种基于车险客户画像的理赔模式推荐方法。属于互联网信息技术领域。

背景技术

随着互联网科技的不断发展，车险查勘作为车险理赔服务最基础的业务单元，其模式突破传统的车险事故现场查勘，车险线上自助理赔模式也已走进人们的视线，并逐渐走向一座新的巅峰。但是受到车险事故发生原因复杂，事发环境多变，车主年龄、性别、使用手机类型不同等多重因素影响，适合客户需求的理赔服务模式也往往不能一概而论。

现有保险公司在为客户提供理赔服务时，无法多维度洞察客户潜在理赔偏好，人工询问为客户决定理赔服务模式的方式使得整个判断过程响应速度慢，参考因素少，非但不能保证理赔服务模式选择的精准度还会影响整体的理赔时效。

因此，如何在完全尊重客户服务需求的情况下，科学地为不同的客户选择合理的理赔服务模式，已经成为保险公司提高理赔业务效率的重要举措。

发明内容

本发明所要解决的技术问题是针对上述现有技术提供一种基于车险客户画像的理赔模式推荐方法，可以在客户报案时精确预知客户的理赔需求及偏爱的理赔模式，不仅可以灵活地为不同客户实现个性化理赔服务推荐，帮助理赔工作人员合理配置理赔模式，而且具有及时动态更新能力，能够提高理赔模式推荐的精准度，尊重客户服务需求，提高车险理赔服务品质。

本发明解决上述问题所采用的技术方案为：一种基于车险客户画像的理赔模式推荐方法，具体包括以下步骤：

1、获取客户群体特征信息；2、根据所述客户群体特征信息数据分析群体客户特征权重值建立群体客户画像；3、获取客户的初始画像状态信息；4、根据所述群体客户画像和所述初始画像状态分析计算客户的感兴趣车险理赔模式；5、根据所述感兴趣车险理赔模式向车险理赔工作人员推荐个性化、智能化的理赔服务方式。

在本方法中，获取客户动态数据与静态数据包括车辆承保信息、客户的终端设备信息、客户出险案件信息并预置客户群体特征信息；

在本方法中，移动终端获取设备信息，并将获取的信息传送至服务端进行分析记录。其中，设备信息包括：手机号码、手机型号、系统版本、网络状态和设置信息。

在本方法中，客户报案时系统获取车辆承保信息与出险案件信息包括客户出险历史记录，客户性别，年龄，地区，客户类型、险种、车辆承保渠道、车辆信息、损失类型、出险时间、投保时间等信息。

在本方法中，客户群体特征是服务端通过对客户群体详情表中的信息进行训练和分类，从信息集中筛选出车辆承保信息因子、设备信息因子、出险案件信息因子，然后建立客户统一视图，车辆承保信息、设备信息和出险案件信息所对应的特征数据，然后数据分析得到客户群体的特征权重表建立群体客户画像，再结合出险客户的初始画像状态信息，利用随机森林模型计算得出客户理赔服务的偏执爱好，然后向车险理赔系统的工作人员推送分析结果，即实现根据客户感兴趣车险理赔模式向车险理赔工作人员推荐个性化、智能化的理赔服务方式。

与现有技术相比，本发明的优点在于：

本发明采用获取出险车辆承保信息、客户终端设备信息和客户出险案件信息结合群体客户画像等信息，然后以随机森林模型计算出的客户理赔习惯和偏执喜好作为依据，向理赔服务人员推荐合理的理赔模式，从而实现对车险理赔客户进行个性化、智能化的理赔服务，而且，由于作为推送考虑因素之一的客户出险案件信息是实时更新的，所以，推荐的理赔模式也可以实时进行更新，也就是说，采用该方法不仅可以实现为不同的客户群体进行个性化理赔服务模式推荐，而且具有及时动态更新能力。以客户需求为导向的基于车险客户画像的理赔模式推荐方法，集智能化先进化于一体，在客户报案时精确预知客户的理赔需求及偏爱的理赔模式，能够在完全尊重客户服务需求的情况下，有效提高理赔工作人员的工作效率。

附图说明

图1为本发明实施例中的流程示意图。

具体实施方式

为了加深对本发明的理解，下面结合实施例对本发明作进一步详细的说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，本发明通过实时数据采集、实时分析技术，实时统计分析车险客户理赔习惯特征，并基于群体客户特征数据，通过多维度的行为分析，预测新出险客户的理赔行为偏执爱好，从而进行精细化的理赔服务。本方法具体包括以下步骤：

步骤S001，获取客户群体特征信息。

在本实施例中，首先从服务端数据库获取群体客户的客户设备信息、车辆承保信息和客户出险案件信息，其中包括手机号码、手机型号、系统版本、网络状态和设置信息等客户设备信息；客户出险历史记录，客户性别，年龄，地区，客户类型、险种、车辆承保渠道、车辆信息、损失类型、出险时间、投保时间等车辆承保信息与出险案件信息。

步骤S002，根据所述客户群体特征信息进行数据分析得到群体客户特征权重值，并建立群体客户画像。

在本实施例中，客户画像是由获取的客户群体特征信息数据经分析后得到的客户群体特征权重表组成的。该方法首先从服务端获取群体客户的客户设备信息、车辆承保信息和客户出险案件信息分析构建群体特征数据，并对群体客户特征数据进行综合数据分析，得到客户的特征值权重表，建立群体客户画像；

首先是将收集的特征因子包含的字段值进行文本的特征提取和向量化，根据包含的信息特征，以关键词形式提取，文本信息量较大的则切割成多个特征子因子或者精简成一个关键词子因子，例如车损信息描述，可以提取出是否现场报案、单双方事故、物损状况、人伤状况、三者车/标的车损失状况等，建立如表1的初始数据。

报案人性别

报案人年龄

报案时段

手机型号

网络制式

…

案件1

男

26岁

下午3点

小米3

3G

…

案件2

女

35岁

晚上8点

iPhone 6S

4G

…

表1

接着将特征因子和理赔模式结果全部数字化表示，如分类特征因子以0、1、2……等数字进行编号，理赔模式分为自助理赔标记为1和现场查勘标记为0，其中有序分类因子先按照一定的规律排序，再进行编号，注意数字不代表特征值有大小的区别，仅作为类型的区分表示，表达形式见表所示。这个提取过程中建立的特征库和码表，可以运用到步骤S003对客户初始画像的快速特征提取环节；

报案人性别

报案人年龄

报案时间段

手机型号

…

出险区域

理赔模式

案件1

1

26

15

2

…

16

0

案件2

0

35

20

3

…

23

1

…

表2

然后对标准化后的数据进行因子分析(主成分方法)，使用方差最大化旋转。得出主因子得分和每个主因子的方程贡献率。 Fj =β1j*X1 +β2j*X2 +β3j*X3 + ……+ βnj*Xn ;Fj 为主成分(j=1、2、……、m)，X1、X2 、X3 、……、Xn 为各个指标，β1j、β2j、β3j、……、βnj为各指标在主成分Fj 中的系数得分，用ej表示Fj的方程贡献率。

得出指标权重，ωi=[(m∑j)βij*ej]/[(n∑i)(m∑j)βij*ej]。

例如，群体客户的部分特征权重表为：

年龄特征模型中：30-35岁，权重：0.896995

驾龄特征模型中：3-9年，权重：0.813652

步骤S003，获取客户的初始画像状态信息。

在本实施例中，移动终端获取设备信息，并将获取的信息发送至服务端进行记录得到客户详情表。其中，设备信息包括：手机号码、手机型号、系统版本、网络状态和设置信息。客户报案时系统获取车辆承保信息与出险案件信息包括客户出险历史记录，客户性别，年龄，地区，客户类型、险种、车辆承保渠道、车辆信息、损失类型、出险时间、投保时间等信息。作为出险客户的初始画像状态信息，再将客户的初始画像信息转换为机器易理解的文本向量。

步骤S004，根据所述群体客户画像和所述初始画像状态分析计算客户的感兴趣车险理赔模式

在本实施例中，根据该客户的初始画像状态信息结合群体客户画像，利用随机森林方法计算得出车险客户的具体行为习惯和理赔行为偏执爱好。具体的在出险客户报案时获取客户初始状态信息，然后在基于群体客户画像信息的基础上将初始状态作为一个输入向量，并以已有出险的客户信息作为样本，采用随机森林的计算方式，预测客户选择自助查勘和现场查勘的概率。比如，输入客户的初始画像状态信息特征数据如表3

报案人性别

报案人年龄

报案时间段

手机型号

网络制式

…

案件1

0

28

12

5

2

…

案件2

1

36

18

3

1

…

表3

利用随机森林计算方法，基于步骤S002所示各特征权重值。对输入的出险客户特征向量（X，Y）进行计算，其中X表示特征数据信息，Y表示选择特征权重值，D={(x,y1),(x2,y2),...(xm,ym)}，弱分类器迭代次数T。

输出为最终的强分类器f(x)

1）对于t=1,2...,T:

a)对训练集进行第t次随机采样，共采集m次，得到包含m个样本的采样集Dm

b)用采样集Dm训练第m个决策树模型Gm(x)

最终根据建立的随机森林模型输出结果得到所输入条件下的选择理赔模式概率，包括选择自助理赔模式的概率和选择现场查勘模式的概率，比如，得出案件1选择自助理赔模式概率40％，选择现场查勘模式概率90％。那么根据该选择概率列表，优先向客户推荐最感兴趣的现场查勘理赔模式。

步骤S005，根据计算结果向理赔工作人员发送理赔模式推荐。

在本实施例中，将上述群体客户画像和所述初始画像状态分析计算得到的客户感兴趣车险理赔模式结果，推荐给理赔工作人员。

除上述实施例外，本发明还包括有其他实施方式，凡采用等同变换或者等效替换方式形成的技术方案，均应落入本发明权利要求的保护范围之内。

Claims

1.一种基于车险客户画像的理赔模式推荐方法，其特征在于：所述方法包括以下步骤：

步骤一、获取客户群体特征信息

首先从服务端数据库获取群体客户的客户设备信息、车辆承保信息和客户出险案件信息；

步骤二、根据客户群体特征信息进行数据分析得到群体客户特征权重值，并建立群体客户画像

首先从服务端获取群体客户的客户设备信息、车辆承保信息和客户出险案件信息分析构建群体特征数据，并对群体客户特征数据进行综合数据分析，得到客户的特征值权重表，建立群体客户画像；

步骤三、获取客户的初始画像状态信息

移动终端获取设备信息，并将获取的信息发送至服务端进行记录得到客户详情表；

步骤四、根据群体客户画像和初始画像状态分析计算客户的感兴趣车险理赔模式

在出险客户报案时获取客户初始状态信息，然后在基于群体客户画像信息的基础上将初始状态作为一个输入向量，并以已有出险的客户信息作为样本，采用随机森林的计算方式，预测客户选择自助查勘和现场查勘的概率；

步骤五、根据计算结果向理赔工作人员发送理赔模式推荐

将上述群体客户画像和所述初始画像状态分析计算得到的客户感兴趣车险理赔模式结果，推荐给理赔工作人员。

2.根据权利要求1所述的一种基于车险客户画像的理赔模式推荐方法，其特征在于：在步骤二中首先是将收集的特征因子包含的字段值进行文本的特征提取和向量化，根据包含的信息特征，以关键词形式提取，文本信息量较大的则切割成多个特征子因子或者精简成一个关键词子因子，接着将因子和理赔模式结果全部数字化表示，然后对标准化后的数据进行因子分析，使用方差最大化旋转，得出主因子得分和每个主因子的方程贡献率，具体根据以下公式计算得出：

Fj =β1j*X1 +β2j*X2 +β3j*X3 + ……+ βnj*Xn ; Fj 为主成分(j=1、……、m)，X1、X2、X3 、……、Xn 为各个指标，β1j、β2j、β3j、……、βnj为各指标在主成分Fj 中的系数得分，用ej表示Fj的方程贡献率，

最后通过公式ωi=[(m∑j)βij*ej]/[(n∑i)(m∑j)βij*ej]得出指标权重值。

3.根据权利要求1或2所述的一种基于车险客户画像的理赔模式推荐方法，其特征在于：步骤四中利用随机森林计算方法，基于步骤二所示各特征权重值，对输入的出险客户特征向量（X，Y）进行计算，其中X表示特征数据信息，Y表示选择特征权重值，D={(x,y1),(x2,y2),...(xm,ym)}，弱分类器迭代次数T，输出为最终的强分类器f(x)，

对于t=1,2...,T:

a）对训练集进行第t次随机采样，共采集m次，得到包含m个样本的采样集Dm；

b）用采样集Dm训练第m个决策树模型Gm(x) ；

最终根据建立的随机森林模型输出结果得到所输入条件下的选择理赔模式概率，包括选择自助理赔模式的概率和选择现场查勘模式的概率。