陳 希 ，李迪安 ，高 星 ，陳 帥 ，謝邦昌

（1.廈門(mén)大學(xué) 經(jīng)濟(jì)學(xué)院，福建 廈門(mén) 361005；2臺(tái)灣輔仁大學(xué) 統(tǒng)計(jì)資訊學(xué)系，臺(tái)北）

0 引言

隨著人們收入水平的提高和消費(fèi)意識(shí)的改變，保險(xiǎn)產(chǎn)品日益增多，公眾對(duì)購(gòu)買(mǎi)保險(xiǎn)的熱情越來(lái)越高，保險(xiǎn)行業(yè)也隨之迅速發(fā)展。與此同時(shí)，決策者在獲取利益時(shí)應(yīng)注意到行業(yè)存在的巨大風(fēng)險(xiǎn)。保險(xiǎn)業(yè)與其他行業(yè)相比，最大的差異在于它是以多樣化的風(fēng)險(xiǎn)為經(jīng)營(yíng)對(duì)象的特殊服務(wù)業(yè)。不同的客戶有著完全不同的需求，也為保險(xiǎn)公司提供不同的收益率。在保險(xiǎn)業(yè)，通常根據(jù)客戶價(jià)值、客戶貢獻(xiàn)、客戶理賠風(fēng)險(xiǎn)、保險(xiǎn)市場(chǎng)、保險(xiǎn)產(chǎn)品等進(jìn)行細(xì)分。本文掌握的是保險(xiǎn)公司的客戶資料，主要針對(duì)客戶的理賠索取這類(lèi)保險(xiǎn)業(yè)面臨的主要風(fēng)險(xiǎn)進(jìn)行闡述。另外，高風(fēng)險(xiǎn)客戶的索賠直接造成保險(xiǎn)公司的理賠支出，而理賠是關(guān)乎保險(xiǎn)公司盈利的重要事宜。

在保險(xiǎn)行業(yè)過(guò)去的客戶理賠的研究中，少有涉及數(shù)據(jù)挖掘的領(lǐng)域，多半利用傳統(tǒng)統(tǒng)計(jì)方法或是單純的專(zhuān)業(yè)分析，這些方法雖然能夠發(fā)現(xiàn)“發(fā)生理賠”的一些表面特征，如重復(fù)投保、高額投保、頻繁投保等，但可能都忽略了海量數(shù)據(jù)中隱含、尚未被挖掘出的寶貴信息，而數(shù)據(jù)挖掘?yàn)榱硪环N從不同角度切入的新方法。保險(xiǎn)公司可以利用數(shù)據(jù)庫(kù)中多年來(lái)收集起來(lái)卻沒(méi)有實(shí)際運(yùn)用到的寶貴數(shù)據(jù)，通過(guò)數(shù)據(jù)挖掘的技術(shù)，了解所擁有的客戶的特征，以及其中具有何種特征的客戶存在著高風(fēng)險(xiǎn)。根據(jù)數(shù)據(jù)挖掘的結(jié)果，也可以更清楚知道未來(lái)目標(biāo)的客戶群在哪里，針對(duì)目標(biāo)客戶群推行保險(xiǎn)理賠產(chǎn)品進(jìn)而獲得更大的效益。

本文利用數(shù)據(jù)挖掘技術(shù)對(duì)客戶理賠概率進(jìn)行預(yù)測(cè)，按理賠概率高低將客戶分成若干等級(jí)，從而有針對(duì)性地對(duì)理賠概率高的客戶增加保險(xiǎn)金額度或提高保險(xiǎn)費(fèi)率，或者將這部分客戶群作為非重點(diǎn)營(yíng)銷(xiāo)對(duì)象，達(dá)到了運(yùn)用“針對(duì)不同理賠風(fēng)險(xiǎn)等級(jí)的保戶銷(xiāo)售有差異的保險(xiǎn)產(chǎn)品”的營(yíng)銷(xiāo)戰(zhàn)略，從而最大程度地分散非系統(tǒng)性風(fēng)險(xiǎn)同時(shí)降低公司保險(xiǎn)投資風(fēng)險(xiǎn)，避免經(jīng)濟(jì)損失。

1 研究目的及數(shù)據(jù)挖掘流程

本文借助數(shù)據(jù)挖掘分類(lèi)算法，對(duì)高風(fēng)險(xiǎn)保戶的理賠風(fēng)險(xiǎn)建立一個(gè)科學(xué)的分析與預(yù)測(cè)模型，在模型基礎(chǔ)上設(shè)定未來(lái)客戶“是否發(fā)生理賠”的最適分割點(diǎn)，幫助決策者做出適當(dāng)?shù)臓I(yíng)銷(xiāo)策略。

按照CRISP-DM（跨行業(yè)數(shù)據(jù)挖掘方法論)的標(biāo)準(zhǔn)，數(shù)據(jù)挖掘在保險(xiǎn)業(yè)中的應(yīng)用可以劃分為以下六個(gè)步驟：商業(yè)理解、數(shù)據(jù)理解、數(shù)據(jù)準(zhǔn)備、建立模型、模型評(píng)估與模型發(fā)布。第一，商業(yè)理解：明確挖掘目標(biāo)，即找出高風(fēng)險(xiǎn)理賠客戶特征，指導(dǎo)公司進(jìn)行營(yíng)銷(xiāo)決策；第二，數(shù)據(jù)理解：本文使用的數(shù)據(jù)來(lái)自中國(guó)臺(tái)灣某著名保險(xiǎn)公司，數(shù)據(jù)集共29個(gè)變量，變量類(lèi)型有類(lèi)別型、布爾型和順序類(lèi)別型，不同類(lèi)型的變量對(duì)應(yīng)于所要解決的不同問(wèn)題；第三，數(shù)據(jù)準(zhǔn)備：一方面對(duì)龐大而復(fù)雜的數(shù)據(jù)進(jìn)行預(yù)處理，剔除缺失數(shù)據(jù)，并區(qū)分目標(biāo)變量與解釋變量，另一方面從描述統(tǒng)計(jì)角度篩選出高風(fēng)險(xiǎn)客戶數(shù)據(jù)集；第四，建立模型：針對(duì)不同的數(shù)據(jù)挖掘目標(biāo)和數(shù)據(jù)特性，采用不同的挖掘算法建立模型；第五，模型評(píng)估：對(duì)產(chǎn)生的模型結(jié)果需要進(jìn)行比對(duì)驗(yàn)證、準(zhǔn)確度驗(yàn)證、支持度驗(yàn)證等檢驗(yàn)以確定模型的價(jià)值，文中除了用增益圖和分類(lèi)矩陣進(jìn)行評(píng)估之外，還利用驗(yàn)證集考查模型的泛化能力；第六，模型發(fā)布：只有把模型發(fā)布到?jīng)Q策者手中，才能真正通過(guò)數(shù)據(jù)挖掘降低保險(xiǎn)公司發(fā)生理賠業(yè)務(wù)的概率與成本。

2 高風(fēng)險(xiǎn)保戶理賠概率建模分析

2.1 數(shù)據(jù)準(zhǔn)備

本研究使用的數(shù)據(jù)來(lái)自中國(guó)臺(tái)灣某著名保險(xiǎn)公司自1981年至2002年間投保傷害險(xiǎn)和健康險(xiǎn)的客戶資料。該資料共包含65535個(gè)客戶樣本，共29個(gè)字段（依次編號(hào)為Q1至Q29）：客戶基本信息（Q1～Q6）、投保數(shù)據(jù)基本資料（Q7～Q24）和理賠信息（Q25～Q29）三個(gè)資料組。

（1）數(shù)據(jù)預(yù)處理。①屬性概化。將存在缺失值以及可用其他同類(lèi)屬性來(lái)代替它的較高層概念的那些屬性刪除。比如：保額與保額組別、繳費(fèi)年期指示與繳費(fèi)年期、投保年齡與年齡組別、已繳保費(fèi)與已繳保費(fèi)組別等含義重復(fù)，僅保留“組別”字段；而理賠總金額可以通過(guò)理賠件次和理賠金組別進(jìn)行推斷，故刪之。②相關(guān)分析。一方面要減少輸入變量之間的冗余度，保證計(jì)算的效率和輸出的簡(jiǎn)捷；另一方面，與輸出變量無(wú)關(guān)的輸入可能會(huì)延誤甚至誤導(dǎo)挖掘進(jìn)程，因此要保證輸入變量與輸出變量（有無(wú)理賠）之間有一定的相關(guān)度。此外有些屬性可以根據(jù)邏輯上直觀的判斷決定取舍。在相關(guān)分析基礎(chǔ)上，又把理陪件次、投保件次、理賠金組別等字段刪去。預(yù)處理后變量的詳細(xì)說(shuō)明見(jiàn)表1。

（2）數(shù)據(jù)準(zhǔn)備。本分析主要關(guān)注高風(fēng)險(xiǎn)客戶是否會(huì)發(fā)生理賠。在65535條客戶記錄中，無(wú)理賠客戶占96.77%，有理賠客戶只占3.23%。因此，首先需要界定“高理賠風(fēng)險(xiǎn)客戶群”：將17個(gè)解釋變量與因變量（有無(wú)理賠）做交叉頻數(shù)分析，通過(guò)各個(gè)解釋變量對(duì)理賠情況的發(fā)生概率找出對(duì)有無(wú)理賠分布產(chǎn)生重要影響的因素，界定出一個(gè)特殊的客戶群體。經(jīng)分析，把具有表2中屬性特征的保戶界定為高理賠風(fēng)險(xiǎn)保戶。

依據(jù)以上的特征，把具有以上特征的保戶從總體中分離出來(lái)，共有19335個(gè)保戶，該人群中受理賠的比例為10.96%，遠(yuǎn)高于總體比例受理賠3.23%。因?yàn)樗械睦碣r記錄都發(fā)生在這一人群中，其所具有的理賠風(fēng)險(xiǎn)是遠(yuǎn)高于其它保戶的，因此對(duì)高理賠風(fēng)險(xiǎn)保戶群體是否會(huì)發(fā)生理賠進(jìn)行建模將更有現(xiàn)實(shí)意義。

表1 變量預(yù)處理及其編號(hào)

表2 高理賠風(fēng)險(xiǎn)保戶具有的屬性特征

表3 四種決策樹(shù)算法在兩類(lèi)數(shù)據(jù)集上的預(yù)測(cè)準(zhǔn)確率

2.2 高理賠風(fēng)險(xiǎn)保戶建模分析

在分離出的高理賠風(fēng)險(xiǎn)客戶群中，無(wú)理賠客戶的占比仍高達(dá)89.04%。由于分類(lèi)算法對(duì)存在有偏數(shù)據(jù)的處理效果是相當(dāng)不理想的，因此在進(jìn)行決策樹(shù)挖掘算法前，應(yīng)對(duì)高理賠風(fēng)險(xiǎn)客戶數(shù)據(jù)再次預(yù)處理，使得有無(wú)理賠客戶分布基本平衡。在SPSS-Clementine軟件中，通過(guò)設(shè)置平衡節(jié)點(diǎn)，就能使數(shù)據(jù)分布均衡。經(jīng)處理，無(wú)理賠客戶占比46.77%，有理賠客戶占比53.23%，代價(jià)是樣本量的下降。在此基礎(chǔ)上，使用分類(lèi)算法對(duì)高理賠風(fēng)險(xiǎn)客戶做深入挖掘。

2.2.1 決策樹(shù)模型。Clementine12.0提供四種決策樹(shù)算法：C5.0、CHAID、C&RT和Quest。利用Type節(jié)點(diǎn)設(shè)置輸出輸入變量，再通過(guò)Partition節(jié)點(diǎn)將數(shù)據(jù)集分成70%測(cè)試集和30%訓(xùn)練集，使用訓(xùn)練集建立分類(lèi)模型，再將模型運(yùn)用于測(cè)試集，利用混淆矩陣度量模型的性能。決策樹(shù)模型的數(shù)據(jù)流如圖1所示。

對(duì)四種算法分別建立起模型之后，再透過(guò)Analysis節(jié)點(diǎn)可以得到表3所示，關(guān)于四種算法在兩類(lèi)數(shù)據(jù)集中的預(yù)測(cè)準(zhǔn)確率。分析得出C5.0模型在兩大數(shù)據(jù)集的預(yù)測(cè)效果是最好的，再取C5.0模型結(jié)果來(lái)分析高風(fēng)險(xiǎn)理賠保戶共有的一些個(gè)人信息特征。

（1）分類(lèi)規(guī)則。表4是由C5.0模型使用推進(jìn)方法產(chǎn)生“有理賠”結(jié)果的部分規(guī)則集，各規(guī)則集的估計(jì)精確度在88%以上。由規(guī)則集，可歸納出“發(fā)生理賠”的客戶主要具有以下特征：已婚，女性，老年人居多，職業(yè)類(lèi)別為0，主要集中在臺(tái)北、新竹及臺(tái)中地區(qū)，以月繳或年繳方式，投保月份主要是下半年。

（2）樹(shù)模型。對(duì)C5.0模型使用推進(jìn)方法得到的樹(shù)模型如圖2所示，每個(gè)節(jié)點(diǎn)位置顯示的直方圖為在該節(jié)點(diǎn)中的觀測(cè)值在因變量（有無(wú)理賠）上的取值分布情況，在非末端的節(jié)點(diǎn)方框下方的變量名，表示其子節(jié)點(diǎn)的劃分變量，而具體取值則在其子節(jié)點(diǎn)上方均有標(biāo)示。

表4 產(chǎn)生有理賠結(jié)果的規(guī)則條件（僅取其中4條）

在C5.0決策樹(shù)上，第二層右側(cè)的節(jié)點(diǎn)29有理賠很少，僅有53例，所占比例不到測(cè)試集中理賠總數(shù)的0.04%。這些客戶的保單狀況為停繳，契約撤銷(xiāo),解約-保戶主動(dòng)和注銷(xiāo)-公司主動(dòng)。事實(shí)上，當(dāng)契約取消、解約或注銷(xiāo)都看成保戶與保險(xiǎn)公司的合同中止，因而保險(xiǎn)公司也就沒(méi)有了理賠義務(wù)，故對(duì)這部分的保戶可基本忽略。而相應(yīng)左側(cè)的節(jié)點(diǎn)1下的子樹(shù)很大，覆蓋了大量的有理賠客戶信息。由于分析有理賠客戶的相關(guān)信息是本研究的主要目的，因此，我們特別關(guān)注有理賠多的節(jié)點(diǎn)。從圖中可以清晰看到，已婚的客戶群（節(jié)點(diǎn)8）的樣本數(shù)最多，有1518個(gè)，占53.735%，同時(shí)也是發(fā)生有理賠事件最多的一類(lèi)，因此有必要進(jìn)一步考察該節(jié)點(diǎn)。模型以投保月份為是劃分變量對(duì)節(jié)點(diǎn)8進(jìn)行分類(lèi)，雖然各個(gè)月份下都有一定的理賠事件發(fā)生，但第四層右側(cè)的節(jié)點(diǎn)16（即投保月份在7月份后）所含的有理賠保戶比左邊的多700多個(gè)，且主要集中在新竹和臺(tái)中兩個(gè)地區(qū)；模型將新竹地區(qū)的597個(gè)有理賠保戶歸為月繳投保一類(lèi)。同時(shí)，臺(tái)北地區(qū)也有16個(gè)理賠的，主要是老年人。跟蹤節(jié)點(diǎn)9（投保月份在上半年）到葉節(jié)點(diǎn)14這條子鏈可以發(fā)現(xiàn)，節(jié)點(diǎn)9中204個(gè)有理賠保戶被完全分到節(jié)點(diǎn)14，其客戶特征為：正常繳費(fèi)，已婚，4月投保且購(gòu)買(mǎi)的是健康險(xiǎn)。此外，對(duì)于最左側(cè)的節(jié)點(diǎn)4，有理賠客戶僅為217個(gè)，也產(chǎn)生了相應(yīng)的分類(lèi)規(guī)則，即正常繳費(fèi)，職業(yè)類(lèi)別為0，女性。

綜合分析C5.0模型產(chǎn)生的分類(lèi)規(guī)則及樹(shù)模型，發(fā)現(xiàn)影響“有無(wú)理賠”的主要解釋變量是：婚姻狀況，職業(yè)類(lèi)別，性別，投保月份，保險(xiǎn)形態(tài)1，地區(qū)別，年齡組別，繳別。此外，在以投保月份為屬性進(jìn)行分類(lèi)時(shí)，下半年投保的有理賠客戶要明顯比上半年的多，為后面模型處理方便，可考慮將投保月份分為上半年和下半年。

2.2.2 支持向量機(jī)、貝葉斯網(wǎng)絡(luò)以及l(fā)ogistic回歸。首先，在C5.0模型對(duì)輸入變量進(jìn)行屬性約減的基礎(chǔ)上，即在接下去的分類(lèi)算法模型建立過(guò)程中，只將約減后的八個(gè)重要變量作為輸入，以有無(wú)理賠作為因變量，訓(xùn)練出新的分類(lèi)模型，從而得到相應(yīng)的高風(fēng)險(xiǎn)保戶的理賠概率預(yù)測(cè)模型；最后根據(jù)各個(gè)分類(lèi)預(yù)測(cè)結(jié)果的準(zhǔn)確性評(píng)估模型。整個(gè)建模數(shù)據(jù)流如圖3所示。

模型建立完畢，此時(shí)要估計(jì)不同性能的模型，以便選出最好的模型。評(píng)估模型優(yōu)劣的準(zhǔn)則有：整體精確性、ROC曲線下方面積、利潤(rùn)、提升等指標(biāo)。在此，選用“整體精確性”作為評(píng)估模型的準(zhǔn)則；由表5和表6判斷出，支持向量機(jī)模型優(yōu)于其他兩個(gè)模型。所以選擇支持向量機(jī)模型作為最終模型。

表5 三種分類(lèi)模型的評(píng)估準(zhǔn)則得分

表6 分類(lèi)矩陣表

表7 無(wú)理賠概率分布表

2.3 模型實(shí)施

根據(jù)上述模型評(píng)價(jià)結(jié)果，選擇SVM模型來(lái)構(gòu)建“全體高風(fēng)險(xiǎn)保戶”發(fā)生理賠概率的評(píng)分模型。先將全體高風(fēng)險(xiǎn)保戶帶入訓(xùn)練得到的SVM模型中，估計(jì)出每一個(gè)樣本不發(fā)生理賠的概率。保險(xiǎn)公司可以根據(jù)自身所能承擔(dān)的風(fēng)險(xiǎn)狀況，來(lái)決定適當(dāng)?shù)母怕史指铧c(diǎn)，作為保險(xiǎn)客戶是否發(fā)生理賠的一個(gè)預(yù)測(cè)標(biāo)準(zhǔn)，若新客戶不發(fā)生理賠的SVM模型預(yù)測(cè)值高于該分割點(diǎn)，則認(rèn)為此保戶將不會(huì)要求理賠，此時(shí)可按照已制定的保險(xiǎn)金額度接受其投保申請(qǐng)；反之若低于該分割點(diǎn)，則應(yīng)該對(duì)其提高保險(xiǎn)金額度或者保費(fèi)率。如果保險(xiǎn)公司想以客觀的統(tǒng)計(jì)方法來(lái)確定分割點(diǎn)，則可以通過(guò)計(jì)算最大的K-S值來(lái)獲得SVM模型的最適分割點(diǎn)。

定義“K-S值”：各分?jǐn)?shù)下對(duì)應(yīng)的累計(jì)“壞”客戶百分比與累計(jì)“好”客戶百分比之差的最大值。在數(shù)據(jù)挖掘中或信用評(píng)分中，K-S值越大，表示評(píng)分模型能夠越理想地區(qū)分 “好”、“壞”客戶。另外，該評(píng)分模型還能繪制出K-S曲線：將所有申請(qǐng)者的信用評(píng)分由小到大排列，分別計(jì)算每一個(gè)分?jǐn)?shù)之下“好”、“壞”客戶累計(jì)所占的百分比，再將這兩種累計(jì)百分比與評(píng)分做在同一張圖形上，得到K-S曲線。

針對(duì)高風(fēng)險(xiǎn)客戶發(fā)生理賠的概率預(yù)測(cè)模型，K-S值是由SVM模型估計(jì)得到全體樣本的無(wú)理賠概率值后，發(fā)生理賠的累積百分比減去無(wú)理賠的累積百分比所得到的絕對(duì)值，計(jì)算公式：K-S=sup|Fr-Fn|。K-S 值越大，表示“無(wú)理賠”與“有理賠”的累積百分比在該分割點(diǎn)或區(qū)間的差異越大，該分割點(diǎn)或區(qū)間就越能有效地分辨出高風(fēng)險(xiǎn)保戶發(fā)生理賠概率的高低，故可用來(lái)決定最適分割點(diǎn)，以判斷無(wú)理賠的概率要大于多少時(shí)才能被保險(xiǎn)公司視為不發(fā)生理賠的高風(fēng)險(xiǎn)保戶。計(jì)算結(jié)果如表7、圖4所示。

模型建立后，需要對(duì)模型的預(yù)測(cè)能力、穩(wěn)定性進(jìn)行檢驗(yàn)后才能運(yùn)用到實(shí)際業(yè)務(wù)中去。國(guó)際上用K-S指標(biāo)來(lái)衡量驗(yàn)證結(jié)果是否優(yōu)于期望值，具體標(biāo)準(zhǔn)是，如果模型的K-S值達(dá)到30%，則該模型是有效的，若K-S值超過(guò)30%，則模型區(qū)分度越高。

由表4可以發(fā)現(xiàn)，SVM模型的K-S值達(dá)到68.98%，說(shuō)明SVM模型具有較好的預(yù)測(cè)功能，發(fā)展的模型具有成功的應(yīng)用價(jià)值。同時(shí)，KS達(dá)到最大值36.84%的無(wú)理賠概率區(qū)間為0.99～0.992，因此本研究設(shè)定0.99為高風(fēng)險(xiǎn)保戶是否發(fā)生理賠模型的最適分割點(diǎn)，即無(wú)理賠概率大于0.99的客戶風(fēng)險(xiǎn)相對(duì)較低，保險(xiǎn)公司可按照已有的保費(fèi)標(biāo)準(zhǔn)接受其投保申請(qǐng)。

3 結(jié)論

本文利用分類(lèi)算法對(duì)臺(tái)灣某保險(xiǎn)公司的健康險(xiǎn)和傷害險(xiǎn)保戶進(jìn)行了高風(fēng)險(xiǎn)理賠特征發(fā)掘和高風(fēng)險(xiǎn)保戶識(shí)別，幫助保險(xiǎn)公司控制和分散理賠風(fēng)險(xiǎn)，同時(shí)為它們針對(duì)不同風(fēng)險(xiǎn)等級(jí)的保戶銷(xiāo)售相應(yīng)的保險(xiǎn)產(chǎn)品和制定差別保險(xiǎn)費(fèi)率提供依據(jù)。綜合全文，我們得出如下結(jié)論：

（1）從保戶的個(gè)人基本信息來(lái)看，婚姻狀況、年齡和性別是區(qū)分保戶理賠風(fēng)險(xiǎn)高低的關(guān)鍵因素。綜合本文各種模型的實(shí)證結(jié)果，對(duì)于保戶具有“已婚，女性，未滿14歲和老人”特征的當(dāng)屬高風(fēng)險(xiǎn)理賠人群。因此，對(duì)于這部分群體，保險(xiǎn)公司應(yīng)該給予特別關(guān)注，并可以適當(dāng)提高保險(xiǎn)費(fèi)率以分散非系統(tǒng)性風(fēng)險(xiǎn)。

（2）從投保相關(guān)信息來(lái)看，地域分布、保險(xiǎn)形態(tài)（或險(xiǎn)種）和繳費(fèi)方式成為劃分保戶風(fēng)險(xiǎn)等級(jí)的重要變量。其中，臺(tái)北、新竹和臺(tái)中是理賠事件的高發(fā)地區(qū)；健康險(xiǎn)業(yè)務(wù)的開(kāi)展將使保險(xiǎn)公司承擔(dān)較之傷害險(xiǎn)更大的理賠風(fēng)險(xiǎn)；按月繳納保險(xiǎn)費(fèi)的繳費(fèi)方式同樣也是高風(fēng)險(xiǎn)理賠客戶具有的典型特征之一。

（3）依據(jù)SVM模型實(shí)施的結(jié)果，無(wú)理賠概率0.99是高風(fēng)險(xiǎn)保戶是否發(fā)生理賠的最佳分割點(diǎn)處的概率值，即：無(wú)理賠概率大于0.99的保戶將被視為 “基本無(wú)理賠風(fēng)險(xiǎn)保戶”或“基本不發(fā)生理賠保戶”，保險(xiǎn)公司可按照一般標(biāo)準(zhǔn)的保費(fèi)額度或保險(xiǎn)費(fèi)率接受該類(lèi)客戶的投保申請(qǐng)。對(duì)于無(wú)理賠概率小于0.99的保戶，保險(xiǎn)公司應(yīng)該“按級(jí)”銷(xiāo)售差異產(chǎn)品，即越遠(yuǎn)離最佳分割點(diǎn)概率值的保戶，其理賠額度越低，理賠資格審查越嚴(yán)格，保費(fèi)額度越大，保險(xiǎn)費(fèi)率越高。

[1]田今朝,戴穩(wěn)勝,謝邦昌.保險(xiǎn)業(yè)的數(shù)據(jù)挖掘應(yīng)用[J].中國(guó)統(tǒng)計(jì),2005,(02).

[2]王星,謝邦昌,戴穩(wěn)勝.數(shù)據(jù)挖掘在保險(xiǎn)業(yè)中的應(yīng)用[J].北京統(tǒng)計(jì),2004,(04).

[3]畢建欣.數(shù)據(jù)挖掘技術(shù)在保險(xiǎn)領(lǐng)域中的應(yīng)用[J].華南金融電腦,2004,(08).

[4]吉根林,孫志揮.基于數(shù)據(jù)挖掘技術(shù)的保險(xiǎn)業(yè)務(wù)風(fēng)險(xiǎn)分析[J].計(jì)算機(jī)工程,2002,(2).

[5]田金蘭.用決策樹(shù)方法挖掘保險(xiǎn)業(yè)務(wù)數(shù)據(jù)中的投資風(fēng)險(xiǎn)分析[J].小型微型計(jì)算機(jī)系統(tǒng)2000,(10).

[6]鮑觀健.臺(tái)灣保險(xiǎn)業(yè)發(fā)展之研究[D].廣州：暨南大學(xué)，2003.

[7]李玉泉.大陸保險(xiǎn)市場(chǎng)開(kāi)放對(duì)臺(tái)灣保險(xiǎn)業(yè)的機(jī)遇與挑戰(zhàn)[J].中國(guó)保險(xiǎn),2005，（3）.

[8]Jiawei Han,Micheline Kamber.數(shù)據(jù)挖掘概念與技術(shù)[M].北京:機(jī)械工業(yè)出版社,2001.