臺灣博碩士論文加值系統

2001年開發出兼顧顧客投資與保險雙重需求的投資型保險，在2007年投資型保險商品總保費達6,018億，但是在投資型保險亮眼的銷售成績後，2007年8月也開始浮現金融海嘯的危機，2009年1-3月業績更較2008年同期下滑90.4% ，這個現象顯示出市場景氣變化嚴重影響投資型商品的銷售。然而目前投資型保險相關領域之資料探勘研究甚少，更無真正全面應用各地區實際銷售資料利用資料探勘技術進行購買預測的相關文獻。

資料探勘是解決此問題的好方法，然而目前投資型保險相關領域之資料探勘研究甚少，更無真正全面應用各地區實際銷售資料利用資料探勘技術進行購買預測的相關文獻。目前投資型商品銷售策略多為各公司決策階層由過去經驗、通路需求或市場觀察而決定，欠缺一個可依景氣變化調整銷售策略之預測模型可供決策參考。萬一商品策略錯誤，銷售不如預期則將浪費開發與銷售準備所投入的大量資源。

因此本研究以資料探勘之決策樹技術，某保險公司2007年10月~2009年3月之投資型保險交易資料，從中取得保戶人文變數，保單變數，結合行政院經建會之景氣燈號變數，以決策樹之資料探勘技術，依險種類別分別建構五種不同投資型保險商品之銷售預測模型，以作為未來保險業界可依照景氣變化調整銷售商品及目標客群之參考。根據實驗數據顯示五種投資型商品之預測模型正確率皆達到85%以上，可供未來業者將來制定銷售策略，掌握最佳銷售時機與目標客戶之重要決策參考。

In 2001, an investment insurance considering both investment and insurance demands of customers was proposed in the market, which made sales of investment insurance reached 6,018 billion in total premiums in 2007. However, investment insurance after brisk sales performance began to surface financial tsunami crisis in August 2007. It resulted in that the insurance sale from January to March in 2009 fell 90.4% compared with that in the same period of 2008. The phenomenon revealed that the change of market economy can deeply influence the sales of investment insurance.

Although data mining is a good approach of solving this problem, it is difficult to find the related researches about investment insurance using data mining research, let along using actual sale data in data mining to solve this problem. The current sale strategy for the investment insurance product only depends on the past experience of the company, the demand of sales channel, and observations on market. No prediction model is used for decision-making and strategy adjustment according to economy deviation. If sales strategy were inproper, sales would fall below expectation and lead to waste of resource for product development and sales preparation.

This thesis uses the 2007.10~2009.3 insurance transactions of some insurance company in Taiwan to extract the humanities variables and policy variables, which are combined with the Executive Yuan Council for Economic Planning and Development of the economic signals variables. Then we utilize the decision tree technology in data mining to build forecast models for five different types of investment insurance products. The models can be used to adjust the sales strategies of investment insurance products in the future in accordance with the economic changes in the target-off sales of goods and the reference groups. The experimental results reveal that the accuracies of the prediction models for the five investment insurance products are all more than 85%. The modesl can be used by decision-makers of insurance companies for making the sale strategies of target customers in the future.

目錄
1 中文摘要 I
2 Abstract II
誌　謝 III
目錄 IV
圖索引 VII
表索引 IX
第一章 緒論 1
1.1 研究背景動機 1
1.2 研究目的 2
1.2.1 保戶構面： 2
1.2.2 保單構面： 2
1.2.3 景氣變化構面： 2
1.3 研究範圍 3
1.4 論文架構與流程 3
第二章 文獻探討 5
2.1 投資型保險與景氣變化 5
2.1.1 投資型保險之起源 5
2.1.2 投資型保險之分類： 5
2.1.3 投資型保險目前市場概況 7
2.1.4 景氣變化對投資型保險之影響 8
2.1.5 景氣變化與商品策略調整 9
2.2 景氣指標與景氣對策信號介紹 10
2.2.1 領先指標： 10
2.2.2 同時指標： 11
2.2.3 景氣對策信號： 11
2.3 消費者壽險購買行為 11
2.3.1 消費者購買行為之因素 11
2.4 資料探勘之探討 13
2.4.1 資料探勘之定義 14
2.4.2 知識發現的過程 15
2.4.3 資料探勘之技術 16
2.5 保險相關文獻回顧 18
第三章 研究方法 20
3.1 研究架構 20
3-2 本研究使用之軟硬體 21
3.2 資料預處理 22
3.2.1 資料清理(Data Cleaning) ： 24
3.2.2 資料化約(Data Reduction)： 25
3.2.3 資料轉換(Data transformation)： 27
3.2.4 資料整合 (Data Integration) 30
3.4 資料架構 31
第四章 實證結果 32
4.1 樣本輪廓分析 32
4.2 交叉分析 37
4.3 建立資料探勘模型 41
4.3.1 A商品-變額萬能壽險 41
4.3.2 B商品-變額年金保險 57
4.3.3 C商品-外幣變額年金保險 61
4.3.4 D商品-外幣變額萬能壽險 65
4.3.5 E商品-變額遞延年金保險 69
4.3.6 單一模型預測各類別商品 74
4.3.7 研究結果整理 77
五. 結論與未來研究方向 81
5.1 結論與研究貢獻 81
5.1.1 理論與實務結合-建立最實用之預測模型 81
5.1.2 依商品建構模型之創新應用： 81
5.1.3 最佳化投資型保險銷售策略-掌握時機與對象 82
5.2 未來方向 82
5.2.1 商品尚未涵蓋所有商品： 83
5.2.2 保戶構面變數不足： 83
5.2.3 使用不同資料探勘技術： 83
參考文獻 84
英文部分 84
中文部分 84



圖索引
圖1- 1 研究架構及流程 4
圖2- 1 投資型保險 2002~2008年保費收入 7
圖2- 2 投資型保險 2002~2008年保費收入 13
圖2- 3　知識發現的過程 Han and Kamber (2001)[6] 16
圖2- 4 kdnuggets資料探勘技術票選 17
圖4- 1 X 公司各商品類別樣本數 37
圖4- 2 性別-險種交叉分析 38
圖4- 3 年齡-險種交叉分析 38
圖4- 4 區域-險種交叉分析 39
圖4- 5 通路-險種交叉分析 39
圖4- 6 保額-險種交叉分析 40
圖4- 7 保額-險種交叉分析 41
圖4- 8 單一模型預測訓練集與測試即產生方式 42
圖4- 9 選取資料來源建立資料探勘模型 42
圖4- 10 選取資料來源連線 43
圖4- 11 選取Sql Server Analysis Service資料來源連線認證方式 43
圖4- 12 完成資料來源建立及命名 44
圖4- 13 從關聯式資料庫建立採礦結構 44
圖4- 14 選擇資料探勘技術 45
圖4- 15 選擇資料採礦資料來源 45
圖4- 16 選擇資料採礦資料集 46
圖4- 17 資料採礦-輸入變數建議 47
圖4- 18 資料採礦-選擇索引健及輸入、預測變數 48
圖4- 19 資料採礦-選擇欄位型態 49
圖4- 20 設定採礦模型演算法參數 50
圖4- 21 決策樹技術之演算法參數 50
圖4- 22 執行採礦模型 51
圖4- 23 分類矩陣選擇測試資料集 52
圖4- 24 模型評估-訓練集與測試集欄位對應 53
圖4- 25 商品預測模型之分類矩陣 54
圖4- 26 A商品預測模型之決策樹 54
圖4- 27 A商品預測模型之決策樹採礦圖例 55
圖4- 28 A商品預測模型之相依性網路 57
圖4- 29 D商品預測模型之分類矩陣 66
圖4- 30 E商品預測模型之建立訓練即及測試集 70
圖4- 31 E商品預測模型之分類矩陣 71
圖4- 32 單一模型預測訓練集與測試即產生方式 74
圖4- 33 資料採礦-輸入變數建議 75
圖4- 34 執行採礦模型 76
圖4- 35 單一預測模型預測所有商品之分類矩陣 77


表索引
表2- 1 投資型保險-受2008年底金融風暴影響業績下滑28.4% 8
表2- 2 投資型保險-2009年1-3月較同期業績下滑75.5% 9
表2- 3 2008年淨值出現負數之保險公司 9
表2- 4 台灣10次景氣循環發生時間 10
表2- 5　整理各學者對資料探勘之定義 14
表2- 6　各種資料探勘適合之任務資料來源：彭文正譯 (2001) [17] 17
表2- 7 與本研究主題相關之文獻整理 19
表3- 1 險種分類表 22
表3- 2 年區域代碼與代表意義 28
表3- 3 年齡區間代碼與代表意義 28
表3- 5 通路簡稱與代表意義 29
表3- 6 保額區間分類 29
表3- 7 繳別代碼與代表意義 29
表3- 8 燈號圖形、代碼與代表意義 30
表3- 9 模型輸入變數，以A商品預測模型為例 31
表4- 1 保戶構面變數 33
表4- 2 保單構面變數 34
表4- 3 景氣衡量變數 36
表4- 4 本研究決策樹演算法參數設定 51
表4- 5 B商品預測模型建立步驟概要 57
表4- 6 B商品預測模型之分類矩陣 58
表4- 7 C商品預測模型建立步驟概要 61
表4- 8 C商品預測模型之分類矩陣 62
表4- 9 D商品預測模型建立步驟概要 65
表4- 10 E商品預測模型建立步驟概要 70
表4- 11 單一模型預測所有商品建立步驟概要 74
表4- 12 各商品預測模型樣本數及正確率 78
表4- 13 各商品預測模型分類機率值大於70%的節點數 78
表4- 14 由相依性網路了解各商品之重要關聯變數 80

英文部分
[1]Berry ,M. J. A. and Linoff,G. S. Data mining techniques： for marketing, sales, andcustomer support, New York： Wiley Computer, 1997.
[2]Fayyad, U., Piatetsky-Shapiro, G. & Padhraic, S. From data mining to knowledgediscovery in databases. AI Magazine, 37-54,1996
[3]Frawley ,W. J., Paitetsky-Shapiro, and Matheus,G.C.J., “Knowledge Discovery inDatabase： An Overview”, California, edited by Piatetsky-Shapiro.G and Frawley ,W. J,AAAI/MIT Press, pp.1-30, 1991.
[4]Greenfeld, N. “Data Mining,” UNIX Review, pp.9-14, 1996.
[5]Grupe,F.H and Owrang,M.M., “Database Mining Discovering New Knowledge and Cooperative Advantage,” Information Systems Management, pp.26-31, 1995.
[6]Han, J., and Kamber, M. “Data mining：Concepts and techniques,”San Francisco：Morgan Kaufmann Publishes, pp.5-9, 2001.
[7]Peacock, P.R.“Data Mining in Marketing：Part I,” Marketing Management, Vol.6, No. 4, pp.818, 1998.
[8]Pyle, D. (1999). Data preparation for data mining, Morgan Kaufmann Publishers.
中文部分
[9] 尹相志 ，Microsoft SQL Server 2005 Data Mining 資料採礦與Office 2007 資料採礦增益集，悅知文化，台北市，2007 。
[10] 鍾碧玉 ，「投資型保險商品購買預測之研究」，國立台北大學企業管理學系碩士論文，2006
[11] 林哲鋒 ，「影響消費者購買投資型保險決策因素之研究-以台中縣市為例」，朝陽科技大學保險金融管理系碩士論文，2005
[12] 周紹康 ，「投資型保險購買意願因素之研究」，銘傳大學財務金融學系士論文，2004。
[16] 張家鳳 ，「利用資料挖掘技術建構保險業之差異化行銷模型」，世新大學資訊管理學系碩士論文，2004。
[17] 彭文正譯，Berry and Linoff 著，資料採礦：顧客關係管理暨電子行銷之應用，維科出版社，台北市， 2001。
[18] 曾憲雄、蔡秀滿、蘇東興、曾秋蓉、王慶堯著，資料探勘 Data Mining，旗標出版股份有限公司，台北市，2006 。
[19] 謝耀龍，壽險行銷，第三版，台北： 華泰文化，2004。
[20] 保險事業發展中心，投資型保險商品業務員訓練教材，2007
[21] 保險事業發展中心網址，http：//www.tii.org.tw
[22] 行政院經濟建設委員會景氣指標查詢系統， http://index.cepd.gov.tw/
[23] 行政院經濟建設委員會網站http://www.cepd.gov.tw/
[24] 簡彬任，「消費者購買投資型保險商品之評估準則關鍵因素─層級分析法應用」，東海大學/企業管理學系碩士論文，2008。
[25] 吳鴻麟，「投資型保險在傳統通路與銀行通路行銷策略之研究--以A人壽保險公司為例」，國立台北大學/國際財務金融系碩士論文，2005。