跳到主要內容

臺灣博碩士論文加值系統

(18.97.9.175) 您好!臺灣時間:2024/12/10 16:32
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:謝晴伃
論文名稱:應用資料採礦技術於壽險產業客戶行為之探討
指導教授:鄭宇庭鄭宇庭引用關係
指導教授(外文):Su-Fen Yang
學位類別:碩士
校院名稱:國立政治大學
系所名稱:統計研究所
學門:數學及統計學門
學類:統計學類
論文種類:學術論文
論文出版年:2003
畢業學年度:91
語文別:中文
論文頁數:71
中文關鍵詞:資料採礦契約失效附加保險關聯規則C 4.5
相關次數:
  • 被引用被引用:2
  • 點閱點閱:213
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:2
近年來壽險產業競爭激烈,各壽險公司莫不希望對其顧客有更進一步的了解。事實上,壽險公司所累積的完善資料庫中蘊藏著相當豐富的資訊,若能從中萃取出壽險產業客戶行為訊息,則可提供壽險業者作為行銷決策依據,以增加利潤,減少損失。
以往文獻在壽險產業客戶消費現象的探討上,鮮少採用資料採礦作為發掘工具。因此本研究將嘗試利用資料採礦技巧,先為壽險公司分析客戶不正常解約的失效行為發生原因,進一步探索顧客群中會購買附加保險的群體其行為特徵,並輔以實際保險觀念相互驗證。最後針對有購買附約之傾向的客戶,為其找出主約附約搭配銷售的各種最佳設計,並且對該公司附約產品的推銷方案提出建議,企盼所找出的訊息對於壽險產業實質上的行銷活動設計有所助益。
目 錄
第一章 緒論 1
第一節 研究動機 1
第二節 研究目的 2
第三節 本文架構 3
第二章 文獻探討 5
第一節 資料採礦介紹 5
第二節 資料採礦軟體介紹 23
第三章 研究方法與流程 29
第一節 資料來源與內容 29
第二節 資料重新編碼 32
第三節 資料採礦分析方法 37
第四節 資料分析流程圖 38
第四章 實證研究 39
第一節 失效模型的建立 39
第二節 附約模型的建立 50
第三節 附約搭售規則 59
第五章 結論與建議 66
第一節 結論 66
第二節 改進與未來研究方向 68
參考文獻 70
附錄一 I
附錄二 IV
附錄三 VII

表 目 錄
【表2 — 1】資料採礦的進化歷程 5
【表2 — 2】各類分析所採用的統計方法與資料採礦技術比較 11
【表2 — 3】範例交易記錄 19
【表2 — 4】所有項目集的支持度、是否被選為頻繁項目集 19
【表2 — 5】達到要求的關聯規則與信心度 21
【表2 — 6】打籃球與喝可樂交叉表 22
【表2 — 7】可進行C4.5或關聯規則的軟體一覽表 23
【表3 — 1】變數定義及代碼解釋對照表 30
【表3 — 2】地區重新編碼表 35
【表3 — 3】主約種類重新編碼表 36
【表3 — 4】附約種類重新編碼表 36
【表4 — 1】契約起始年與是否失效交叉表 41
【表4 — 2】各水準下所得失效模型正確率(%) 44
【表4 — 3】契約失效模型正確率 46
【表4 — 4】契約起始年與是否購買附約交叉表 51
【表4 — 5】各水準下所得附約模型正確率(%) 54
【表4 — 6】附約模型 55
【表4 — 7】一個起始節點與一個末端節點的關聯規則 60
【表4 — 8】多項附約的關聯規則 63

圖 目 錄
【圖1 — 1】 本文研究程序 4
【圖2 — 1】 知識發現(KDD)流程 7
【圖2 — 2】 Subtree Raising 15
【圖2 — 3】 Clementine 6.5 24
【圖2 — 4】 Affinium Model 26
【圖2 — 5】 STATISTICA 6.0 27
【圖3 — 1】 資料分析流程圖 38
【圖4 — 1】 失效與未失效顧客結構圖 39
【圖4 — 2】 各年度失效與未失效者已保險年度比較圖 40
【圖4 — 3】 契約失效模型 45
【圖4 — 4】 附約模型 55
□ Berry, M. J. A., and Linoff, G. S. (1997), Data Mining Techniques: for Marketing, Sales, and Customer Support. John Wiley & Sons Inc, New York.
□ Berry, M. J. A., and Linoff, G. S. (2000), Mastering Data Mining Techniques, The Art & Science of Customer Relationship Management. John Wiley & Sons Inc., New York.
□ Dunham, M. H. (2003), Data Mining: Introductory and Advanced Topics. Pearson Education Inc., Upper Saddle River, New Jersey.
□ Freund, Y., and Schapire, R. E. (1996), “Experiments with a New Boosting Algorithm”. Machine Learning: Proceedings of the Thirteenth International Conference.
□ Friedman, J., Hastie, T., and Tibshirani R. (1998), Additive Logistic Regression: a Statistical View of Boosting,
□ John, F. E., and Dean,W. A.(1998)” A Comparison of Leading Data Minig Tools”
□ Michel, A. K. and John, F. E.(1998)”Evaluation of Fourteen Desktop Data Mining Tools”
□ Terano, T., Liu, H., and Chen, A. L. P. (2000), Knowledge Discovery and Data Mining: Current Issues and New Applications. Springer-Verlag, Berling, Germany.
□ Witten, I. H., and Eibe, F. (2000), Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations. Morgan Kaufmann Publishers, San Francisco, California.
□ 于還莒,應用資料探勘技術於一對一行銷系統,台灣大學資訊工程學研究所碩士論文,2001。
□ 陳怡伶,KDD系統 ─ 以民國八十三年至八十八年之死亡資料庫為例,政治大學統計研究所碩士論文,2001。
□ 陳雲中,人壽保險的理論與實務,台北三民書局股份有限公司,1983。
□ 楊雅媛,迴歸分析與類神經網路預測能力之比較,政治大學統計研究所碩士論文,2002。
□ 謝邦昌,資料採礦入門及應用 ─ 從統計技術看資料採礦 ,台北資商訊息顧問股份有限公司,2001。
□ 羅家蓉,資料採礦之簡易系統 ─ 以流行病學為例,政治大學統計研究所碩士論文,2001。
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊