中图分类号：TU247.1文献标识码：A文章编号：1006-4117（2011）04-0160-02

在CRISP-DM办法论指导下，构建基于聚类的关联规则数据挖掘模型，对保险业务数据进行挖掘剖析。

1、数据筹备

结合保险公司个人寿险业务数据库的信息，可以概括为顾客信息表、保单信息表及理赔信息。将三张表中和挖掘主题有关的字段信息抽取，整理为一张宽表。

研究样本中，年龄和保费都是连续型数据，将它转化为离散化数据，有益于提升数据挖掘的效率。借助SQLServer2005的IntegrationServer工具加载数据表，打造多维数据立方体。

基于数据挖掘的保险交叉销售模型应用

（一）构建基于聚类的挖掘模型

选取412、413（瑞鑫两全保障）等为主细分变量，区域、保费、途径等为辅细分变量。并保证输入变量与输出变量之间有肯定的有关性。打造聚类挖掘模型，得到聚类结构图。

模型将数据分为10个群体，对每一个群进行钻取，结合剖面图和数据倾向图，辨别其所拥有的特点。10个分类的强弱势特点如下表所示：

选择保费10000和100000为临界点，可见类1、类2、类3为低端顾客，缴纳保费均在10000元以下，类4-8为中端用户，缴纳保费为10001到100000元之间，类9和类10是高档顾客，缴纳保费均在100000元以上。

针对低中高档群组，结合年龄、性别、受教育程度等特点对群组的业务特点进行描述，低端群组特点剖析如下表1-4所示：

低端群组消费特点描述：该群体受教育程度常见不高，在初中以下，年龄偏大，大多在50―65岁之间，缴纳保费的能力较低，都在10000元以下。因为S42（康宁终身健康保险）交费较高，所以需要非常低，除此之外S66（少儿保险）需要极少。同样的办法，统计剖析中端和高档顾客的群体特点。

聚类只能解决已经发生过的顾客消费行为，并不可以对以后的消费行为和规律进行预测。在聚类的基础上，对所有险类型别进行关联剖析，得出最强的关联规则，从而有针对性的对各顾客群组进行交叉销售。

（二）构建关联挖掘模型

针对每一群组，构建关联挖掘模型，关联规则的默认算法是Apriori算法。通过运行关联挖掘结构，得出依靠互联网图。

对于每一群组来讲，最强的险种关联只不过两个或三个而已。选择关联最强的两个险种：S43→701，险种出现的概率为88.9%，要紧度为1.9，为正关联。说明低端顾客类1，在购买S43（康宁按期保险）的同时购买701（全家福意料之外卡）的几率为88.9%，结合低端顾客群组的消费特点，较适应常理。得出的关联规则是形如A→B，代表假如购买了商品A，则同时也会购买保险商品B。具体状况如表3所示。

依据每个类别最好的险种关联，像所对应的群组中还没消费这种保险组合的顾客进行营销推广，已经购买了其中一种保险商品的顾客，向其推荐另一款商品；或者在将来向某一类顾客推荐商品时，依据其收入和教育程度等客观原因，判断大致所属的群组，营销推广商品组合，以达到达成交叉销售的目的。

结束语：论文对基于聚类的关联规则交叉销售模型进行实证研究，先从顾客角度出发，运用EM聚类算法对筹备好的数据进行数据挖掘，得源于然的10个群组分类，然后对每个群组，从商品业务角度出发，用Apriori算法对险种进行关联剖析，得出可以指导交叉销售的规则。在顾客聚类的基础上，找出保险商品潜在的关联规律，拟定有针对性的交叉销售策划方案。

作者单位：常熟理工学院管理学院

作者介绍：周梅，女，汉族，江苏徐州人,中国矿业大学习管理学院在读博士生；常熟理工学院管理学院，讲师，研究方向：数据挖掘，金融工程与风险管理。