数据挖掘和CRM在银行业中的应用医疗保险

Pratik Biswas¹学者和ParthaSarathi²

浮置板轨道,教员,机构,大学恰尔肯德邦,兰契、印度
计算机科学系助理教授,贝拉理工学院,印度兰契

文摘

需要住院治疗疾病或事故不仅仅是健康的主要威胁,而是我们的储蓄。医疗保险需求与人不同。这就是为什么有许多计划,消费者可以利用。适当的健康保险计划不仅有助于我们来满足这样的危机情况轻松,同时节省了巨大的费用。最近几年以来,不同的银行(国有和私人)为他们的客户提供不同的保险政策。医疗保险就是这样一个健康保险政策。因为有大量的政策给大量的人,必须有一些技巧可以提供银行和他们的客户之间的更好的理解。在本文中,我们试图改善银行和客户之间的关系,利用数据挖掘技术在客户关系管理(CRM)。

关键字

CRM数据挖掘、客户细分、客户(病人)的满意度。

介绍

在印度保险有着根深蒂固的历史。而“东方人寿保险公司”成立于加尔各答在1818年[1],银行保险进入存在1990年,随后在小跨度的时间变得受欢迎。引入现代技术在银行业务急剧变化[2]。新一代银行技术基础。银行与客户交互的方式有了显著的变化在过去的几年里[3][4]。无现金位和政策是一个独特的医疗保险政策专门为国有和私人银行的账户持有人。政策覆盖帐户持有人,配偶和两个孩子的依赖。这一政策涵盖了住院费用帐户持有人和家人。在住院费用的情况下,整个家庭都是浮动利率债券保险金额作为选择,即任何一个或所有家族成员可以利用保险金额政策期间[5][6]。主要政策的除外:预先存在的疾病将不做介绍。 There are a couple of diseases which will not be covered on the half year depending on the company.24hrshospitalization or more is compulsory for a claim to be settled [7]. Actually, today’s customers are very choosy, they want instant information. It becomes the responsibility of the companies (here bank), that how they can keep them up to date, so that information provided by them is adequate and sufficient. Since the needs of the customers are never static but constantly changing, CRM applications need to be flexible and adaptable on the basis of market demand and to customer trends[8][9].The main aim of this paperisto analyse that how data mining technique and CRM strategies can be clubbed together and can be used in banking sector medical insurance.The outline of this paper is as follows: in section two we present related work, in section three we discuss about our methodology. Section four explains customer value, section five deals with CRM and data mining, section six application of data mining technique and section seven gives the conclusion.

方法

本文的目的旨在展示如何实现数据挖掘技术在客户关系管理(CRM)是有用的在银行保险领域。这是一个双重的方法。健康保险通过银行是一个新概念;最初是不受欢迎的由于缺乏广告和意识。缓慢而逐渐变得受客户的欢迎。像保险公司银行不需要运行客户后,他们已经有一个稳定和庞大的客户数据基础。我们的目标是客户和适当的方法的选择。数据挖掘过程可以模仿任何客户;如果必要的信息存在于数据库。为了收集相应信息的数据挖掘技术,我们使用分割。 Customers are segmented on the basis of their status in the bank. Which include their income, bank transaction, amount deposited, age, sex and social responsibilities (Demographic-segmentation). Here we have used CRM strategies to identify valued customer. Once the customers are selected clustering is used to find pattern among these customers. In case of implementation of CRM most of the organizations give importance to marketing and business strategies only, but our approach is different, we proposed that data mining is also a winning factor of CRM. We have applied data mining techniques on few part of CRM, which give us more appropriate result for the banking sector insurance field.

客户价值评估

答:客户价值

自组织最终存在向顾客提供价值[22]。因此有必要开发一个数据库的所有客户(甚至无利可图的)。这是对公共和私人公司。银行的我们已经有了一个大客户数据库。为了收集必要的信息数据挖掘的目的我们开发客户类型的基础上,某些参数(图1)。

b值定义

一旦客户类型发展,我们定义顾客价值。值是简单地定义为“收益-成本”。高价值客户是客户对企业的生存至关重要。这样的人通常有一个高净值,需要专业的财富管理。他们也需要个性化的高标准服务的组织被保留,而低价值客户在任何组织扮演着更重要的角色。代表的(图2和图3)[22]。

C。MostValued客户

在客户关系管理(CRM)客户估值是一个得分的过程用来帮助一个公司确定哪些客户公司应该以利润最大化目标。在银行可以借助人口细分。

数据挖掘和客户关系管理

有许多定义可用的数据挖掘和客户关系管理。的定义,这里我们将强调与对方背景下我们的话题。在其最简单的定义自动检测数据挖掘的相关模式在数据库中。客户关系管理是一个过程之间的公司和它的客户。CRM软件的主要用户数据库厂商正在寻求自动化与客户互动的过程[23]。在银行业的客户的数据库已经可用,成功在于选择和方法的基础上适当的客户。数据挖掘应用程序自动搜索的巨大数据的过程中发现模式,对客户是很好的预测,asCustomer关系管理有助于继续这种关系进一步实现目标。在下面的图4数据仓库是由客户的个人历史的帮助(M / F)、社会地位、经济地位等)和客户的数据,包括客户的账户信息。CRM是用于指的方法和工具,帮助银行经理管理客户关系以有组织的方式,数据挖掘是用于处理各种数据分析和建模技术来发现数据中的模式和关系,可以用来作出准确的预测[24]。

B。处理客户数据

客户数据可以收集各种不同的来源。因为我们正在处理demographicsegmentation,最好是将数据分解成描述性的,促销和事务性的来源,这样这个分组可以在某种程度上反映出的数据从哪里来(图五)。描述性数据是关于客户的数据;它通常是某种形式的汇总数据。促销数据包括信息是为了每个客户的丰富的数据类型取决于复杂的CRM系统。过渡数据广泛地定义所有数据对应于一个与消费者的互动。包括电话电子邮件服务台的描述产品,消费者购买[23][26]。

C。客户选择

一旦定义了类型的客户(图一,Fig3andFig5)的选择,客户可以使用数据挖掘技术进行和CRM(图三)。虽然有几种主要的数据挖掘技术包括分类、回归、聚类、总结和依赖造型等[25]。在本文中,我们将讨论关于集群的适用性,使用人口-分割(图5)。人口细分的过程是将客户划分为不同的和内部均匀组织为了发展差异化营销策略根据他们的特点。

有不同类型的细分根据特定的条件或属性用于此目的[26]。有几个理由在银行使用分割。我们可以使用它来创建一个基本的框架来定义和沟通客户之间存在差异这一事实,可以捕获在一个非常高的水平。数据挖掘用于分割的各种方式,它可以用来定义客户细分根据他们的预测行为,在图决策树的叶子节点可以被视为indusial段。这里的每一部分将包括所有的顾客,可以在同一类别分类。

d .预处理步骤

数据挖掘过程中最关键的步骤之一是准备和转换的初始数据集[23]。为了执行这个任务需要的正确选择对象表示。知识发现过程的输入是一组数据库对象。最常见的选择是对象的属性代表。属性选择的基础上实际的对象。因此代表通过对象attributeand它们的值的列表。以来的银行客户的数量是相当大的我们有分段的客户属性的基础上更改数据基地的数量数据集(Fig7 & Fig8) [23] [26]。

例如,如果我们考虑一个属性的客户工资可以扩大如下:

这MODELBUILDING

在数据挖掘中,越多越好,但附加一定的条件,最重要的条件是,模型组的大小和它的密度。密度是指的流行感兴趣的结果或记录的比例与给定属性(通常很低)。如果我们看很多数据挖掘产品的部署方式我们可以看到一个非常相似的周期,数据从数据仓库挖掘重要客户的信息[23](Fig9 & Fig10)。相信信息产品,问题是多少信息是必要的,如果我们看到Fig9 Fig10目标是找到模式之后,预测客户的基础上的数据可用性.Clustering它允许将部分形成基于数据较少依赖主体性。客户的细分是一个标准的聚类分析的应用,但是它也可以用于不同,有时相当奇异,上下文。聚类的基础上可以执行两个客户提供最大的帮助下相似相似属性(表1)[26]。

答:距离测量是二进制对象的属性

当物品不能用有意义的p-dimensional测量,对项目往往比较的基础上的存在和缺乏一定的特点。存在与否的某些特征可以用数学描述通过引入变量[24]1存在缺乏特征的特点和0。表- 2解释了事实。

个人A和B的成绩五二进制变量如表2所示

为了衡量相似或不同我们可以用表1,表和table3找到1:1匹配或0 - 0的比赛。发现更表明1:1匹配的相似性比0 - 0的比赛。例如两个客户有年龄超过65是一个有力的证据的相似性比没有这种能力。

b .客户聚类

聚类分析是一种工具,探索数据的结构。聚类分析的核心是集群。分组的过程对象在同一集群是集群的对象相似和对象从不同的集群是不同的。对象可以被描述的测量(属性、特性)或与其他对象的关系(一对明智的距离、相似)。当我们项目数据在特征空间,在特征空间的距离变得相似。测量两个对象之间的相似度的方法之一是将一个对象在其他和测量提供它需要多少钱。

在表3我们可以看出,A和B之间的距离大于B和C之间的距离。e A和B是不同的比B和C或B和C更类似于A和B。

聚类过程

答:聚类

聚类是数据挖掘技术的数据对象的分组集分成多个组或集群,集群中的对象有很高的相似性,但非常不同的对象在其他集群。差异和相似性评估基于描述对象的属性值。聚类算法是用来组织数据,分类数据,数据压缩和模型结构,检测异常值等常用的方法为所有集群技术是发现将代表每个集群的集群中心。集群中心将与输入向量代表可以告诉这个向量属于哪个集群通过测量输入向量之间的相似性度量和所有集群中心和确定集群最近的或最相似的一个[27]。聚类分析可以作为独立的数据挖掘工具来洞察数据分布,或作为其他数据挖掘算法的预处理步骤操作检测集群。许多聚类算法等几个方面的发展和分类分区方法,分层方法,density-based方法和基于网格的方法。进一步的数据集可以是数字或分类[28]。各种聚类技术如下:

k - means聚类:它是一个分区方法技术找到相互排斥的球形。这形成了一种特定数量的不相交,平(无等级)集群。统计方法可以用于集群分配等级值集群分类数据。这里分类数据已经被分配转化为数值等级值[29]。

层次聚类:分层方法创建一个给定的一组数据对象的层次分解。这里的树称为集群构建系统树图。每个集群节点包含子簇,兄弟姐妹集群分区的点覆盖了他们共同的父母。在层次聚类,我们将每一项分配给一个集群,如果我们有N个物品我们有N个集群。我们发现最近的集群并将它们合并成单个集群。新的集群计算距离和每个集群。我们必须重复这些步骤,直到所有的物品都聚集到K。集群[29]。由于聚类相似实例的分组/对象,一些测量,可以确定两个对象是否相似或不同的是必需的。有两种主要类型的措施来评估这种关系:距离措施和相似的措施。

最受欢迎的距离测量是欧几里得距离,它被定义为:

我=((ξ1,ξ2)、xi3………xip)和j = (xj1、xj2 xj3,…xj1p)是两个p -维数据对象。另一个著名的度量是曼哈顿(或街区)距离,定义为:

曼哈顿距离和欧几里得距离满足一个距离函数的数学要求[30]。

CONCLUSITION

客户满意度依靠良好的公司所提供的产品和服务。它适用于几乎所有的行业。定制产品和服务,公司需要获得更多的了解客户。自银行业医疗保险完全是一个新的建议,银行经理,因此,寻找困难之间的关联客户数据和客户平易近人。在我们记住这一点,本文首先我们分割这个巨大的数据库使用集群技术,然后开发数据挖掘模型识别它们,最后使用集群我们试图找到一个模式来认识这个客户。