数据仓库和数据挖掘技术在保险公司中的应用

第２１卷第６期　２０１１年６月　计算机技术与发展　ＣＯＭＰＵＴＥＲ　ＴＥＣＨＮＯＬ０ＧＹ　ＡＮＤ　ＤＥＶＥＬＯＰＭＥＮＴ　Ｖｏ１．２１　Ｎｏ．６　Ｊｕｎｅ　２０１１　数据仓库和数据挖掘技术在保险公司中的应用　杨　杉　，何跃　（１．四川大学锦城学院，四川成都６１１７３１；　２．四川大学工商管理学院，四川成都６１００６４）　摘要：随着我国保险市场的开放，我国保险业的垄断格局被打破，竞争也日趋激烈。保险业作为传统数据处理密集型行　业之一，已经积累的大量业务数据。如果能够根据保险公司的实际情况，构建数据仓库平台，利用数据挖掘技术挖掘其中　蕴涵的知识和信息，就能有效地制定市场策略，以及时把握市场机会。结合Ａ人寿保险公司的实际情况，详细设计和实现　了Ａ人寿保险公司的数据仓库，接着以该数据仓库为数据源，分别实现了客户流失挖掘模型和客户理赔风险模型，利用直　观的图表方式将数据挖掘的结果展示出来。最后给出了模型的验证与评价方法，得出了有价值的结论，可以为保险公司　的决策层提供参考。　关键词：数据挖掘；人寿保险；客户流失；客户理赔　中图分类号：ＴＰ３１　１　文献标识码：Ａ　文章编号：１６７３—６２９Ｘ（２０１　１）０６—０１５７—０４　Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　Ｄａｔａ　Ｗａｒｅｈｏｕｓｅ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ　ｔｏ　Ｌｉｆｅ　Ｉｎｓｕｒａｎｃｅ　Ｃｏｍｐａｎｙ　’　ＹＡＮＧ　Ｓｈａｈ　，ＨＥ　Ｙｕｅ　（１．Ｊｉｎｃｈｅｎｇ　Ｃｏｌｌｅｇｅ　ｏｆ　Ｓｉｃｈｕａｎ　Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ　６１　１７３１，Ｃｈｉｎａ；　２．Ｂｕｓｉｎｅｓｓ　Ｍａｎａｇｅｍｅｎｔ　Ｃｏｌｌｅｇｅ，Ｓｉｃｈｕａｎ　Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ　６１００６４，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｗｉｔｈ　ｔｈｅ　ｏｐｅｎｎｉｎｇ　ｏｆ　ｄｏｍｅｓｔｉｃ　ｉｎｓｕｒａｎｃｅ　ｍａｒｋｅｔ，ｆｏｒｅｉｇｎ　ｉｎｓｕｒｎｃｅ　ｃｏｍｐａｎｉａｅｓ　ｅｎｔｅｒｅｄ，ｗｈｉｃｈ　ｂｒｅａｋ　ｈｅ　ｍｏｎｏｐｏｌｔｉｚａｔｉｏｎ　ｏｆ　ｄｏ・　ｍｅｓｔｉｃ　ｉｎｓｕｒａｎｃｅ．Ｔｈｅ　ｃｏｍｐｅｔｉｔｉｏｎ　ｂｅｔｗｅｅｎ　ｉｎｓｕｒｎｃｅ　ｃｏｍｐａａｎｉｅｓ　ｉｓ　ｉｎｔｅｎｓｅ．Ｉｎｓｕｒａｎｃｅ　ｉｓ　ａ　ｔｒａｄｉｉｔｏｎａｌ　ｉｎｄｕｓｔｒｙ　ｗｈｉｃｈ　ｆａｃｅｓ　ｌｏｔｓ　ｏｆ　ｂｕｓｉｎｅｓｓ　ｄａｔａ　ｅｖｅｒｙｄａｙ．Ｉｆ　ｔｈｅ　ｉｎｓｕｒａｎｃｅ　ｃｏｍｐａｎｉｅｓ　Ｃａｎ　ｃｏｎｓｔｒｕｃｔ　ｄａｔａ　ｗａｒｅｈｏｕｓｅ　ａｃｃｏｒｄｉｎｇ　ｔＯ　ｔｈｅ　ａｃｔｕａｌ　ｓｉｕａｔｔｉｏｎ　ａｎｄ　ｓｃｏｏｐ　ＯＵｔ　ｉｎｆｏｒｍａｔｉｏｎ　ｆｒｏｍ　ｉｔ，ｔｈｅｎ　ｔｈｅｙ　Ｃａｎ　ｅｆｉｃｉｆｅｎｔｌｙ　ｍａｋｅ　ｍａｒｋｅｔｉｎｇ　ｔａｃｔｉｃｓ　ａｎｄ　ｓｅｉｚｅ　ｏｐｐｏｒｔｕｌｉｔｉｅｓ．Ｆｉｒｓｔｌｙ，ｄｅｓｉｇｎｅｄ　ｔｈｅ　ｄａｔａ　ｗａｒｅｈｏｕｓｅ　ｏｆ　Ａ　Ｌｉｆｅ　Ｉｎｓｕｒａｎｃｅ　ｉｎ—　ｄｕｓｔｒｙ　ｄｅｔａｉｌｅｄｌｙ．Ｓｅｃｏｎｄｌｙ　ｔｏｏｋ　ｔｈｅ　ｄａｔａ　ｗａｒｅｈｏｕｓｅ　ａｓ　ｄａｔａ　ｓｏｕｒｃｅ，ｄｅｓｉｎｇｅｄ　ａｎｄ　ｒｅａｌｉｓｅｄ　ｍｏｄｅｌｓ　ｏｆ　ｃｕｓｔｏｍｅｒ　ｃｈｕｍ　ｐｒｅｄｉｃｔｉｏｎ　ａｎｄ　’”ｓ－　ｔｏｍｅｒ　ｃｏｍｐｅｎｓａｔｅ　ｒｉｓｋ　ｐｒｅｄｉｃｔｉｏｎ．Ｆｉｎａｌｌｙ，ｖｅｒｉｆｉｅｄ　ａｎｄ　ｅｖａｌｕａｔｅｄ　ｔｈｅ　ｍｅｔｈｏｄｓ　ｎｄ　ａｇａｖｅ　ｏｕｔ　ｖａｌｕａｂｌｅ　ｃｏｎｃｌｕｓｉｏｎｓ　ｗｈｉｃｈ　Ｃａｎ　ｐｒｏｖｉｄｅ　ｅｎｃｅ　ｔＯ　ｔｈｅ　ｍａｎａｇｅｍｅｎｔ　ｌｅｖｅｌｓ　ｏｆ　Ｌｉｆｅ　Ｉｎｓｕｒａｎｃｅ　ｃｏｍｐａｎｉｅｓ．　Ｋｅｙ　ｗｏｒｄｓ：ｄａｔａ　ｍｉｎｉｎｇ；ｌｉｆｅ　ｉｎｓｕｒａｎｃｅ；ｃｕｓｔｏｍｅｒ　ｃｈｕｍ；ｃｕｓｔｏｍｅｒ　ｃｌａｉｍ　ｒ＿　Ｏ　引　言　随着外资公司不断涌人中国保险市场，国内保险　市场的竞争愈发激烈，给中国寿险带来了巨大冲击。　假如保险公司无法有效利用积累的内部业务数据，就　的业务系统和不同地点的计算机中。如果能够利用数　据仓库…和数据挖掘　技术，将这些零散的数据集中　起来，并挖掘出有价值的信息，将大大提高管理层的决　策能力，从而提供更好的产品和服务，赢得更多客户。　很难获取有价值的信息或规律，也就很难把握市场机　会，规避市场风险。　中国人寿保险股份有限公司Ａ分公司（简称“Ａ　１保险公司数据仓库的设计　保险公司分支机构较多，地域分布较广，数据仓库　的数据来源于总部及各个地理位置分散的分公司。　１．１数据仓库的概念模型设计　人寿保险公司”）是文中研究的具体实例。该公司内　部使用的计算机业务处理系统已大大提高了工作效　率，但这些数据并没有系统集中，而是分散在不同地点　收稿日期：２０１０—１０—２８；修回日期：２０１１—０１—３Ｏ　在本保险业数据仓库系统中，主要是分析与客户　相关的信息，因此只关心与客户密切相关的四个主题：　基金项目：国家自然科学基金资助项目（７０７７１０６７）　作者简介：杨杉（１９８３一），女，四川成都人，硕士，研究方向为数据　客户个人信息、承保信息（新投保信息、续保信息）、退　保信息和理赔信息。　１．２数据仓库的逻辑模型设计　挖掘、管理信息系统、决策技术；何跃，博士，副教授，研究方向为　管理信息系统、数据挖掘、决策支持系统。　数据仓库中广泛使用的多维模型主要有星型模　・１５８・　计算机技术与发展　第２１卷　型　（Ｓｔａｒ　Ｓｃｈｅｍａ）和雪花模型…（Ｓｎｏｗｆｌａｋｅ　Ｓｃｈｅｍａ）　（ｍａｒｉａｌ—ｓｔａｔｕｓ）、收入（ｉｎｃｏｍｅ）、教育程度（ｅｄｕｃａｔｉｏｎ）、　两种，文中采用“星型模型”。将退保主题和理赔主题　作为中心的星型数据模型，由一个事实表、五个维表组　成。事实表中的每条记录含有指向每个维表的指针，　职业（ｏｃｃｕｐａｔｉｏｎ）、机构（ａｇｅｎｔ—ｎａｍｅ）、险种（ｐｒｏｄｕｃｔ—　ｎａｍｅ）、缴费方式（ｐａｙｔｙｐｅ—ｎａｍｅ）、总保费（ｔｏｔａｌ—ｐｒｅｍｉ—　ｕｎ１）、退保金额（ｑｕｉｔ—ｍｏｎｅｙ）、退保原因（ｑｕｉｔ—ｒｅａｓｏｎ）。　从而将多维数据连接起来，如图１、图２所示。　客　信息维表　退保事实表　险种维表　客Ｊ’。１Ｄ　保　号　险种ＩＤ　性别　１Ｌ　　客户ＩＤ　广｛　●　年龄　健康保险　婚姻状况　意外保险　平均年收入　险种ｌＤ　一　一　终身或　教育程度　伞类保险　　ｌ机构ｌＤ　１　缴费方式ＩＤ　机构维表　缴费方式维表　退保时问　，－ｑ　机构ＩＤ　缴费方式ＩＤ●一　退保金额　成都　趸交　绵阳　１０☆１　退保蟓　德『ｊ¨　…　２Ｏ　ｆ：　…　．一　…　图１　以退保信息为主题的星形模型　ｌ客，　信息维表　理赔事实表　险　｝『　表　ＩＤ＇｜　保单号　．．　１玲种ｌＤ　ｒ　别　客户ｌＤ　健康保险　年龄　Ｌ＿　意外保险　婚娴状况　险种１Ｄ　终身或两　一　平均年收入　全类保险　教育程度　机构ＩＤ　职业　机构维表　缴赞方式ＩＤ　＇　机构ＩＤ　缴费方式维表　案件号　成都　缴费方式ＩＤ＿　理赔费用　绵阳　德刚　１０　趸交　ｑ：　…险原因　…　２０｛卜　…　…　－　…　ｌ　图２　以理赔信息为主题的星形模型　２保险公司数据挖掘实证研究　在本章中，将利用数据仓库系统，从中抽样提取Ａ　人寿保险公司业纡数据（包括退保信息、理赔信息），　经过对数据的预处理，来分别建立客户流失　、客户理　赔风险　模　，并应用数据挖掘工具Ｃｌｅｍｅｎｔｉｎｅ　进　行ｒ模型的验征。　２．１数据处理流程　Ａ人寿保险公司的业务数据在建模之前，必须经　过一系列的处理流程，分别包括：选取口标数据集和数　据预处理过程。　２．１．１　选取目标数据集　客户流失分析所需字段组成数据集“ｌｏｓｔ—ｓｅｔ”：客　户号（ｃｌｉｅｎｔ—ｉｄ）、性别（ｓｅｘ）、年龄（ａｇｅ）、婚姻状况　客户理赔风险分析所需字段组成的数据集“ｃｏｎ—　ｐｅｎｓａｔｅ—ｒｉｓｋ—ｓｅｔ”：客户号（ｃｌｉｅｎｔ—ｉｄ）、性别（ｓｅｘ）、年龄　（ａｇｅ）、婚姻状况（ｍａｒｉａｌ—ｓｔａｔｕｓ）、收入（ｉｎｃｏｍｅ）、教育　程度（ｅｄｕｃａｔｉｏｎ）、职业（ｏｃｃｕｐａｔｉｏｎ）、机构（ａｇｅｎｔ—　ｎａｍｅ）、险种（ｐｒｏｄｕｃｔ—ｎａｍｅ）、理赔金额（ｃｏｎｐｅｎｓａｔｅ—　ｍｏｎｅｙ）　文中选取了２００７．０１．Ｏ１—２００８．１１．３０时间段内的　６万条数据，分别是：３．３万条退保数据以及相应的客　户信息数据、２．７万条理赔客户数据以及相应的客户　信息数据，这些数据均从设计好的保险数据仓库中提　取，以便为数据挖掘提供分析数据源。　２．１．２数据预处理　保险公司采用ＳＱＬ　Ｓｅｒｖｅｒ２０００来建立数据仓库，　数据库表的属性大部分采用ｖａｒｃｈａｒ类型。数据挖掘　算法在处理这些数据的时候速度比较慢而且资源消耗　比较大，为了解决这个问题，在建立模型之前，需要对　所选择的建模属性值进行数字离散化　。进行客户　流失分析和客户理赔风险分析时，只需将各个字段的　连续值离散化为“０，ｌ，２，…”或“Ｆ，Ｍ”这类集合。　２．２模型验证与评价　２．２．１客户流失模型　利用Ｃｌｅｍｅｎｔｉｎｅ工具中Ｃ５．０决策树算法　对客　户流失进行特征分析，随机选取现有３．３万条数据的　６６％作为训练集，剩下３４％作为验证集。将客户退保　原因分为“经济原因退保一０”和“险种或服务不理想～　ｌ”两类，作为输出属性，承保人的性别、年龄、婚姻状　况、收人、教育程度、职业、承保险种作为输入属性，从　而分析哪些属性值导致两类退保原凶的出现。　１）挖掘结果（如图３所示）。　ｌ　璺Ｉ壅塑＿＿ｊ　图３客户流失挖掘规则集模型　第６期　杨杉等：数据仓库和数据挖掘技术在保险公司中的应用　从图３可以看出：共产生６个规则，其中规则ｌ、规　则２是有效的规则集。从以上规则集中可以看出：客　户选择的缴费方式是影响客户退保的一个关键因素，　同时客户选择的险种也是影响客户退保的主要因素。　２）模型的验证和评估。　理赔风险特征进行分析。将现有２．７万条数据分成两　部分，其中，随机选取的６０％作为训练集…，剩下　４０％作为验证集　。　客户风险可以分为“低风险一０”和“高风险一ｌ”两　类，作为输出属性；险种、年龄、性别、婚姻状况作为输　入属性。从而分析哪些属性值导致客户理赔高风险，　哪些属性值导致客户理赔低风险。　把用于分析的数据分成两部分，随机抽取６０％作　为训练集，剩下４０％作为验证集。训练集与验证集的　收益表如图４、图５所示。　厂　］厂　目输出字段ｑｕｉｔ＿ｒｅａｓｏｎ的结果　：岛总结果　白比较￥ｃ—ｑｕｉＬｒｅａｓｏｎ与ｑｕｉＬｒｅａｓｏｎ　ｒ正橱一…～１一黼～　ｊ　茸　ｌ锚溴　３．６８５　１　６　５６％ｌ　！ｆ总计　２２．２５０　ｆ　自￥ｃ—ｑｕｉＬｒｅａｓｏｎ的符台矩阵（行表示实际值）　一　隧　戆錾　整鲤鬻　《麓瀚　　整　１　２．９６５　…—　！　一　！曼旦旦ｌ２　ｌ　　ｉｔ＿ｒｅａｓｏｎ，按字段ｑｕｉＬｒｅａｓｏｎ分割　Ｅ　ｑｕｉＬｒｅａｓｏｎ＝０　：　岛比较￥ｃ—ｑｕｊＬｒｅ　ｆ正确ｒ一～…一１　硬ｉ一～Ⅷ百峥　ｌ锚误　２６　０．２％ｌ　：ｌ总计　１　２．９９１　　ｌ自￥ｃ—ｑｕｌｔ　ｒｅａｓｏｎ的符台矩阵（行裹示实际值）　图４客户流失挖掘训练集收益表　输出字段ｑｕｉＬｒｅａｓｏｎ的结果　离总结果　Ｆｊ比较￥ｃ—ｑｕｉＬｒｅａｓｏｎ与ｑｕｉ－ｔｒｅａｓｏｎ　ｆ正祸……一…一＿ｆ　；丐…一百３　葺　６］　Ｉ锚　是　３．６８５　１６　５６９６ｌ　：ｌ总计　２２．２５０　｝　白￥ｃ—ｑｕＩＬｒｅａ￣ｓＯｎ的符合矩阵（行表示衮际值）　目输出享段ｑｕｉＬｒｅａｓｏｎ，按字段ｑｕｉＬｒｅａｓｏｎ分剖　国　Ｅ较￥ｃ—ｑｕｌＬｒｅａｓｏｎ与ｑｕｌ－ｔｒｅａｓｏｎ　：ｒ正＿确一　一　一…一Ｔ　芎一一　百？ｌ闻　ｌ睾毒ｌ’溴　２６　０．２％ｌ　；Ｌ枣吐一………～堡里旦　………Ｊ　由￥Ｃ－ｑｕｌ－ｔｒｅａｓｏｎ的符合矩阵（行表示实际值）　；；　　…隧　殛　翮　！　！　…～　剑　熊醛臻　Ｅ－Ｊ　ｑｕＩＬｒｅａｓｏｎ＝１　岛比较￥ｃ—ｑｕｌｔ　ｒｅ＝￣ｓｏｎ与ｑｕｉ－ｔｒｅａｓｏｎ　￥ｃ—ｑｕｌＬｒｅａｓｏｎ的犄旨矩阵（行裹示实际值）　…　蹙　繇麓瓢　髅　鼷嘲　３．６５９　５．６００　图５客户流失挖掘验证集收益表　从上图可以看出，在训练集和验证集上的错误率　分别是１６．５６％和１６．６８％，即正确率分别是８３．４４％　和８３．３２％，这说明本研究中客户流失特征模型的正　确率是比较令人满意的。　２．２．２客户理赔风险模型　利用Ｃｌｅｍｅｎｔｉｎｅ工具中Ｃ＆Ｒ　Ｔｒｅｅ算法　对客户　１）挖掘结果（如图６所示）。　单　规则用于０一包含２个规则　白规则１用于０．０（１　３．９５５；０　９９７）　；ｉｆ　Ｐｒｏｄｕｃｔ　ｈａｍｅｉｎｆ＿－Ｂ…一Ｆ‘】　　ｉ…ｔｈｅｎ　０．０００　ｉ岛规则２用于０　０（４４６：０　７２）　ｉｆ　ｐｒｏｄｕｃｔ　ｎａｍｅｉｎ【．．８．…　‘１　ａｎｄ　ａｇｅＩｎ【３　０Ｏ０　４．Ｏ００】　ａｎｄ　ａｇｅｉｎ【４．Ｏ００】　ｔｈｅｎ　０．０００　岛岛　规则用于１一包含２个规则　自规则１用千１　０（２．２９８；０　７１　８）　ｉ　ｉｆ　ｐｒｏｄｕｃｔｎａｍｅ　ｉｎ【．．Ｓ…。　。】　ａｎｄ　ｅｇｅｉｎ【０．Ｏ００１　０Ｏ０　２　Ｏ００１　ｌ　ｔｈｅｎ　１　Ｏ００　白规则２用于１　０（１。０８４：０　５０３）　ｉ　ｉｆ　ｐｒｏｄｕｃｔｈｅｍｅ　ｉｎ【．．８…。　。】　ｉ　ｅｎｄ　ａｇｅｉｎｆ　３　０００　４．０００】　ａｎｄ　ａｇｅｉｎ【３　Ｏ００１　ｔｈｅｎ　１　Ｏ００　图６客户理赔风险挖掘规则集模型　从上图结果中可以看出：共产生４个规则，其中规　则１是有效的规则集。　从规则１可以看出：客户选择的险种是影响客户　理赔风险的一个关键因素，同时客户的年龄也是影响　客户理赔风险的一个主要因素。　２）模型的验证和评估。　将现有数据分成两部分，其中，随机选择６０％作　为训练集，剩下的３０％作为验证集，训练集与验证集　的收益表如图７、图８所示。　日输出字段ｎｅｗ＿ｃｏｎｐｅｎｓａｔｅ—ｍｏｎｅｙ的结果　自总结果　分割　岛比较ＳＲ．ｎｅｗ＿ｃ０ｎｐｅｎｓａｔｅ—ｍｏｎｅｙ－￣－ｎｅｗｃｎｎｐｅｎｓａｔｅ＿＿ｍｏｎｅｙ　锚误　１　６０　６　７９％　总计　２．３５５　ＳＲ－ｎｅｗ＿ｃｏｎｐｅｎｓａｔｅ—ｍｏｎｅｙ的符合矩阵（行袁示实际值）　；圈　…豳黼攒　鬓　霸　礴鼹彝嘲　—　—　图７客户理赔风险挖掘训练集收益表　・１６０・　客　目晰鑫（　镩鼹开　计算机技术与发展　第２ｌ卷　理依据。　参考文献：　［１］　闰娜娜，刘锋，李锡娟，等．支持ＣＲＭ分析的数据仓库　多维房动模型［Ｊ］．计算机技术与发展，２００８，１８（５）：２】一　２２．　日输出宰段ｎｅｗ　ｃｏｎｐｅｎｓａｔｅ　ｍｏｎｅｙ的结果　岛总结果　自比较ＳＲ—ｎｅｗ＿ｃｏｎＤｅｎｓａｔｅ　ｍｏｎｅｙ与ｎｅｗ＿ｃｏｎｐｅｎｓａｔｅ＿ｍｏｎｅｙ　礴＿＿＿…ｌ锚头　ｌ总计　　＿＿—１　稠　１．３４７　７　５７％ｉ　１　７．７８３　ｌ　自￥Ｒ－ｎｅｗ　ｃｏｎｐｅｎｓａｔｅ—ｍｏｎｅｙ的符合矩阵（行表示实际值）　［－］输出字段ｎｅｗ　ｃｏｎｐｅｎｓａｔｅ　ｍｏｎｅｙ，按字段ｎｅｗ＿ｃｏｎＤｅｎｓａｔｅ＿ｍｅｈｅｙ分割　岛ｎｅｗ＿ｃｏｎＤｅｎｓａｔｅ—ｍｏｎｅｙ＝０　［２］　于红蕾，华庆一，刘燕玲，等．数据仓库在电信统计分析中　的应用［Ｊ］．计算机技术与发展，２００７，１７（８）：５９—６０．　自比较ＳＩＲ—ｎｅｗ　ｃｏｎＤｅｎｓａｔｅ＿ｍｏｎｅｙ与ｎｅｗ＿ｃｏｎＤｅｎｓａｔｅ—ｍｏｎｅｙ　ｆ厦两—一］　矿鳓　｛复生　：！！！！！　，　—：　７．６９％Ｉ　　ｌｍｏｎｅｙ的符台矩阵（行表示实际值）　［３］　张宁，贾自艳，史忠植．数据仓库中ＥＴＬ技术的研究　凤，蔡家媚．数据仓库中的数据提取［Ｊ］．计算　［Ｊ］．计算机工程与应用，２００２（２４）：２１４—２１５．　［４］　连立贵，金机工程，２００１（９）：６１—６２．　Ｂ￥Ｒ－－－ｅｗ　ｃｏｎｐｅｎｓａｔｅ圈　圈　辫　黼　嘲　麟濑　圈豳　躐霞嘲鲤暨一一！垡　…一一＿！　自ｎｅｗｃｏｎＤｅｎｓａｔｅｍｏｎｅｙ＝１　＿日比较ＳＲ　ｎｅｗ＿ｃｏｎｐｅｎｓａｔｅ—ｍｏｎｅｙ－－￣－；ｎｅｗ＿ｃｏｏｐｅｎｓａｔｅ　ｍｏｎｅｙ　［＿］￥Ｒ－－－ｅｗｃｏｎｐｅｎｓａｔｅ＿—匿丽广～—一＿＿ｍ丁　一＿＿　＿Ｔ　。ｌ总计　２．　兰ｉ１　３５５　～　［５］Ｌｉｎｇａｎｄ　Ｒ，Ｙｅｎ　Ｄ　Ｃ．Ｃｕｓｔｏｍｅｒ　Ｒｅｌａｔｉｏｎｓｈｉｐ　Ｍａｎａｇｅｍｅｎｔ：Ａｎ　Ａｎａｌｙｓｉｓ　Ｆｒａｍｅｗｏｒｋ　ａｎｄ　Ｉｍｐｌｅｍｅｎｔａｔｉｏｎ　Ｓｔｒａｔｅｇｉｅｓ［Ｊ］，Ｊｏｕｒ－　ｎａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｙｓｔｅｍ，２００１（３）：８２—９７．　ｍｏｎｅｙ的符台矩阵（行表示套两　值）　：瞬　豳礴鳗　囊　嘲聪　瓣翮嘲…　！　　蚓　［６］　Ｒｕｇｇｉｅｒｉ　Ｓ．Ｅｆｉｆｃｉｅｎｔ　Ｃ４．５［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　ｋｎｏｗｌ—　ｅｄｇｅ　ａｎｄ　Ｄａｔａ　Ｅｎｇｉｎｅｅｒｉｎｇ，２００２，１４（２）：４３８—４４４．　图８　客户理赔风险挖掘验证集收益表　从上图可以看出，在训练集和验证集上的错误率　分别是７．５７％和７．６５％，即正确率分别是９２．４３％和　［７］梅强，张冬茉．数据挖掘在保险分析中的应用　Ｊ］．汁　算机工程，２００４（１２）：３７—３８．　９２．２１％，这说明本研究中客户理赔风险特征模型的正　确率是非常令人满意的。　［８］　桂现才，彭宏；王小华．基于决策树的保险客户流失分　析［Ｊ］．计算机工程与设计，２００５（８）：５９—６０．　［９ｊ马建红，王万森．基于数据仓库的保险管理系统的设计　实现［Ｊ］．微机发展，２００４，１４（７）：６４—６６．　３结束语　通过客户流失模型和客户理赔风险模型，从中得　出了客户流失的特征、客户理赔风险大小的特征等结　［１Ｏ］梁循．数据挖掘：建模、算法、应用和系统［Ｊ］．汁算机技　术与发展，２００６，１６（１）：８６～８７．　１１１］王爱平，王占凤，陶嗣干，等．数据挖掘中常用关联规则挖　掘算法［Ｊ］．计算机技术与发展，２０１０，２０（４）：１７—２０．　［１２］姚毓才，王本年．数据挖掘工具的分类与挖掘［Ｊ］．计算机　技术与发展，２００６，１６（８）：２５—２７．　论。在面向分析的数据仓库的基础上，可以利用数据　挖掘技术来设计险种绑定销售，制定挽留客户的措施，　并且控制保险公司理赔风险，为保险产品定价提供合　（上接第１５６页）　［５］　金毅，黄敏．基于旋律的音乐检索研究——旋律特征的表　计算简单，易于实现，适用于主旋律只布在一个音轨的　音乐。通过对５Ｏ多首ＭＩＤＩ音乐进行分析统计，　９２．８％都能准确地提取出主音轨。结果令人满意，同　达和提取［Ｊ］．信息检索技术，２００３，４：４９—５１．　［６］　杨军．ＭＩＤＩ消息和标准ＭＩＤＩ文件格式剖析及应用［Ｊ］．中　南民族大学学报（自然科学版），２００９，２２（Ｓｕｐ）：６２—６４．　［７］　刘嘉欣．嵌入式ＭＩＤＩ文件格式解析设计与实现［Ｊ］．微计算机　信息，２００６，２２（１１—２）：６６—６７．　时也表明了该方法的有效性及可行性，从而为音乐灯　光表演方案辅助设计系统的构建进行了很好前提准　备。　参考文献：　　ｌ１］Ｌｉｕ　Ｌｉ，Ｃａｉ　Ｊｕｎｗｅｉ，Ｗａｎｇ　Ｌｅｉ，ｅｔ　ａ１．Ｍｅｌｏｄｙ　Ｅｘｔｒａｃｔｉｏｎ　ｆｒｏｍ　Ｐｏ］一　［８］　秦丹．利用ｃ＃从ＭＩＤＩ文件中获取音乐旋律［Ｊ］．电脑知识　ｊ了技术，２００９（７）：４２８１—４２８４．　［９］　彭琼，支垮．计算机自动识别音乐情感的关键技术研究　ｆ　Ｊ］．电声基础，２００８，３２（４）：３５—３８．　［１　Ｏ］Ｚｈｕ　Ｂｉｎ．Ｍｕｓｉｃ　Ｆｅａｔｕｒｅｓ　Ｒｅｃｏｇｎｉｔｉｏｎ　ａｎｄ　ｉｔｓ　Ａｐｐｌｉｃａｔｉｏｎ　ｉｎ　Ｎａｔｉｏｎ—　ａｌ　Ｍｕｓｉｃ　Ｐｍｔｅｃｆｉｏｎ［Ｃ］／／Ｔｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　Ｏｉｌ　Ｃｏｍｐｕｌ—　ｅｒ—Ａｉｄｅｄ　Ｉｎｄｕｓｔｒｉａｌ　Ｄｅｓｉｇｎ　ａｎｄ　Ｃｏｎｃｅｐｔｕａｌ　Ｄｅｓｉｇｎ，２００６（ＣＡＩＤ—　ｙｐｈｏｎｉｃ　ＭＩＤＩ　Ｆｉｌｅｓ　Ｂａｓｅｄ　ｏｎ　Ｍｅｌｏｄｙ　Ｓｉｍｉｌａｒｉｔｙ［ｃ］／／２００８　Ｉｎｔｅｒ－　ｎａｔｉｏｎａｌ　Ｓｙｍｐｏｓｉｕｍ　ｏｎ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｅｎｇｉｎｅｅｒｉｎｇ　（ＩＳＩＳＥ　０８）．［Ｓ．１．］：［ｓ．ｎ．］，２００８：２３２—２３５．　［２］　赵芳，吴亚栋，宿继奎．基于青轨特征量的多音轨ＭＩＤＩ主旋　ＣＤ　Ｏ６）．［Ｓ．１＿］：［Ｓ．ｎ．］，２００６：１—６．　［１　１］Ｌｉ　Ｊｉａｎｇｔａｏ，Ｙａｎｇ　Ｘｉａｏｈｏｎｇ，Ｃｈｅｎ　Ｑｉｎｇｃａｉ．ＭＩＤＩ　ｍｅｌｏｄｙ　ｅｘｔｒａｃｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｉｍｐｒｏｖｅｄ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ『Ｃ　１／／２０ｏ９　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎ　律抽取方法［Ｊ　汁算机工程，２００７，３３（２）：ｊ６５一ｌ６７．　［３］　冯国杰，Ｅ占军．基于分层次聚类的ＭＩＤＩ旨乐主旋律提取方　法［ＪＪ．计算机工程与应用，２００９，４５（２６）：２３３—２３５．　ｆｅｒｅｎｃｅ　ｏｎ　Ｍａｃｈｉｎｅ　Ｌｅａｒｎｉｎｇ　ａｎｄ　Ｃｙｂｅｒｎｅｔｉｃｓ．［ｓ．１＿］：［Ｓ．ｎ．１，　２００９：１１３３　１１３８．　［４］　叶霖，李雄飞，刘丽娟，等．一种有效识别ＭＩＤＩ文件中主旋　［１２］孙即祥．现代模式识别［Ｍ　Ｊ．长沙：国防科技大学出版社，　２００１．４６－７０．　律音轨的方法［Ｊ］．计算机应用与软件，２０１０，２７（１）：４８—５Ｏ．