客户信息采集影响因素与智慧化应对研究——以车险数据为例

[目的/意义]随着信息技术的不断发展,为实现客户信息的真实采集与信息价值的有效挖掘,探究金融科技背景下客户信息智慧化采集的新模式对推进相关金融行业的发展具有重大意义。[方法/过程]以车险数据为例,通过扎根理论的方法探究客户信息采集的影响因素,并结合信息技术提出智慧化应对方案。根据信息共享原则从客户端、企业方、监管部门三个角度出发构建智慧化信息采集架构,针对各影响因素提出差异化解决方案。[结果/结论]从理论上客户端构建覆盖广精度深的信息采集网、企业数据集中以完成核心业务系统的搭建与管理并推进交管线上交流平台的建设。最终得到车险客户信息智慧分析平台架构模型。

中国新能源车险发展探究——基于特斯拉车险发展的经验和启示

新能源汽车市场发展飞速,但我国新能源汽车保险发展仍处于初级阶段,存在新能源汽车理赔成本偏高、车险定价偏高、保障范围偏窄等问题。文章通过对特斯拉在车险市场的竞争优势、发展历程、车险特色等方面进行研究,为国内新能源汽车保险的发展提出快速融入汽车生态圈,降低理赔成本丰富利润来源、深入挖掘车险数据价值,实现车险差异化精准定价、丰富车险保障及增值服务,满足客户多样化需求等建议。

基于车险索赔数据的GAMLSS模型研究

关于均值参数、尺度参数和形状参数的广义可加模型(GAMLSS),由广义线性模型(GLM)拓展而来。对索赔频率模型主要用泊松分布、负二项分布以及对应的零截断分布,对索赔强度模型采用伽马和逆高斯分布,依次创建GLM和GAMLSS模型。通过对比分析发现,零截断负二项分布下的GAMLSS模型更适合用于索赔频率的建模,逆高斯分布下的GAMLSS模型更适合对索赔强度的建模;基于所有参数建立的GAMLSS模型较常见的GLM模型有更好的表现。

过度离散型数据的统计模拟与分析

针对车险索赔次数数据经常出现的过度离散问题,采用数值模拟的方法,分别使用泊松模型(Poisson)、负二项回归模型(NB)以及广义泊松模型(GP)对不同程度的过度离散车险索赔次数数据进行拟合,并用均方误差、偏差以及AIC和BIC准则对Poisson、NB、GP三种模型的优良性进行比较分析,得到了不同条件下三种模型的优良性,并针对不同的条件给出了模型选择的建议.

关联规则向量化挖掘算法及其在车险精算中的应用

本文首先回顾了关联规则的基本概念和传统的Apriori算法,然后利用关联规则的数据库是布尔型数据库的特点,在计算关联规则的支持度和置信度的时候引进向量数乘和向量内积的概念,得到关联规则向量化挖掘算法ARVDA,避免全数据库逐条记录模式匹配和属性分层,提高算法的速度．最后,本文利用提升度量关联规则的重要性,采用单独追踪和对比分析方法,衡量车险精算中风险因子的有效性．结果表明把车辆使用性质作为车险定价的分级因素是比较合理的,对于非运营车辆需要合理的费用附加．