基于logistic回归模型的保险单续款预测研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.1.1 大数据时代的营销 | 第10页 |
| 1.1.2 保险业务现状 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 研究内容 | 第14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第2章 续款预测相关方法研究 | 第16-24页 |
| 2.1 保险单续款概述 | 第16页 |
| 2.2 预测挖掘对象 | 第16-17页 |
| 2.3 续款预测的过程 | 第17-19页 |
| 2.3.1 CRISP-DM标准 | 第17-18页 |
| 2.3.2 保险单续款预测流程 | 第18-19页 |
| 2.4 logistic回归介绍 | 第19-21页 |
| 2.4.1 logistic函数 | 第19-20页 |
| 2.4.2 logistic回归模型 | 第20页 |
| 2.4.3 logistic回归模型解释 | 第20-21页 |
| 2.5 客户关系管理 | 第21-22页 |
| 2.6 本章小结 | 第22-24页 |
| 第3章 保险单续款预测研究 | 第24-44页 |
| 3.1 预测模型架构设计 | 第24-25页 |
| 3.2 挖掘目标的提出 | 第25-26页 |
| 3.3 保单数据取样 | 第26-29页 |
| 3.4 数据探索和预处理 | 第29-35页 |
| 3.4.1 数据分布分析 | 第29页 |
| 3.4.2 数据清洗 | 第29-32页 |
| 3.4.3 数据变换 | 第32-34页 |
| 3.4.4 数据归一化 | 第34页 |
| 3.4.5 数据的相关性检验 | 第34-35页 |
| 3.5 挖掘建模 | 第35-38页 |
| 3.5.1 抽象预测模型 | 第35-36页 |
| 3.5.2 logistic回归建模步骤 | 第36-38页 |
| 3.6 模型评价 | 第38-39页 |
| 3.7 客户价值挖掘 | 第39-42页 |
| 3.7.1 保单预警安排 | 第39页 |
| 3.7.2 按需营销 | 第39-40页 |
| 3.7.3 交叉销售 | 第40-41页 |
| 3.7.4 划分客户群体 | 第41-42页 |
| 3.8 本章小结 | 第42-44页 |
| 第4章 保险单续款预测模型优化 | 第44-58页 |
| 4.1 模型存在的不足 | 第44-45页 |
| 4.2 提高预测准确率 | 第45-46页 |
| 4.3 共线性问题研究 | 第46-49页 |
| 4.3.1 多重共线性问题 | 第46页 |
| 4.3.2 多重共线性产生的原因 | 第46-48页 |
| 4.3.3 多重共线性的影响 | 第48页 |
| 4.3.4 多重共线性的诊断 | 第48-49页 |
| 4.4 共线性解决方法和缺陷 | 第49-50页 |
| 4.5 因子分析概述 | 第50-52页 |
| 4.5.1 基本概念 | 第50-51页 |
| 4.5.2 因子分析模型 | 第51-52页 |
| 4.6 基于因子分析的共线性解决方案 | 第52-56页 |
| 4.6.1 KMO检验 | 第52-53页 |
| 4.6.2 提取公因子 | 第53-54页 |
| 4.6.3 因子旋转和解释 | 第54-56页 |
| 4.6.4 共线性对比分析 | 第56页 |
| 4.7 本章小结 | 第56-58页 |
| 第5章 预测模型实验和分析 | 第58-64页 |
| 5.1 实验环境介绍 | 第58页 |
| 5.2 R中相关函数介绍 | 第58-59页 |
| 5.3 logistic回归结果分析 | 第59-61页 |
| 5.4 预测模型对比分析 | 第61-62页 |
| 5.5 本章小结 | 第62-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第70-72页 |
| 致谢 | 第72页 |
