车险理赔客户体验数据挖掘：解析保险中介前沿问题

1. 基于CRISP-DM方法论的数据挖掘

本项目的研究采用跨行业标准数据挖掘方法论CRISP-DM（Cross- industry Standard Process for Data Mining）。它强调的是数据挖掘在商业中的应用，解决商业中存在的问题，而不是把数据挖掘局限在研究领域^[1]。它将数据挖掘分成六个步骤：商业理解、数据理解、数据准备、建立模型、模型评估和模型发布。

（1）商业理解

确定本数据挖掘的业务目标是：分析消费者在车险理赔过程中，形成不满意体验的影响因素，研究消费者对车险理赔服务水平进行不满意评价的潜在关键点，从而找到保险公司车险理赔服务目前最迫切的改进点和“理赔难”的瓶颈点，提出有针对性的车险理赔政策改进建议，争取高效率地提高车险理赔消费者体验水平，提升车险消费者的满意度和忠诚度，做好车险消费者保护工作。

（2）数据理解

在某保险公司组织进行了车险消费者体验调研，首先进行文献研究和定性调研，通过走访消费者，总结了车险消费者体验的影响因素；再根据影响因素，编制调研问卷，进行定量调研。本次数据挖掘所需要的车险“客户理赔体验研究”，包含在调查问卷中（问卷中相关的具体内容详见本章附录B），本项目以此作为数据挖掘的基础数据。通过对数据和问卷问题项的分析和观察，问卷问题项之间存在关联关系，所以本次数据挖掘初步选用因子分析法。

问卷中的b016项问题，反映的是消费者对于理赔服务总体的体验，根据该问题消费者回答的数据，将该问题项选择数值大于4的消费者，列为“A类：理赔服务体验良好消费者”（以下简称A类消费者），该问题项选择数值小于4的消费者，列为“B类：理赔服务体验不良消费者”（以下简称B类消费者）。考虑到本次数据挖掘研究的主要目的是找到车险理赔消费者体验最迫切的改进点，也就是主要研究其不满意点，因此只对B类消费者的数据重点进行后续研究。

（3）数据准备

首先进行尝试性因子分析，将B类消费者的因素b001至因素b015的问卷数据进行尝试性因子分析，得到B类消费者的旋转因子载荷阵表，如表4-5所示：

表4-5　旋转因子载荷阵表

然后进行因子推断，参照上表，对不良体验车险理赔消费者的影响因素推断如下。

①F1因素可以理解为“理赔人员”体验

当发生不良体验时，消费者对理赔服务有如下体验：“态度不积极”、“服务人员不专业”、“对消费者不关心”、“解释不耐心”、“对消费者的疑问关注不够”、“查勘到场不及时”。针对F1因子，保险公司宜考虑加强理赔人员的培训，在提供理赔服务过程中，加强对消费者心理方面的安抚，并且积极耐心地向消费者提供相关的理赔服务信息，提高理赔服务人员的专业水平。同时对于因特殊原因不能及时到达事故现场的，应主动向消费者道歉并解释，求得消费者谅解。

②F2因素可以理解为“理赔便利”体验

当发生不良体验时，消费者对于理赔相关材料提交的便利性、就近上门的便利性产生了不良感觉。保险公司宜考虑在资源允许的情况下，适度地提高车险理赔便利性。

③F3因素可以理解为“信息充分”体验

当发生不良体验时，消费者对于保险公司提供的理赔信息不满意，保险公司宜及时通知消费者理赔相关事项，或提供多样的理赔进度查询，保证消费者对于理赔服务的进展状况的了解，使消费者安心。

④F4因素可以理解为“沟通速度”体验

当发生不良体验时，消费者对理赔咨询、理赔投诉的处理及时性有一定的不良感受。因此保险公司宜考虑在资源允许的情况下，尽量缩短理赔咨询、理赔投诉的处理时间，提高服务效率，减少不良体验。

（4）建立模型

首先建立因子分析模型，使用因子分析法，分别得到B类消费者理赔体验因素的方差分解主成分提取分析表（total variance explained）和初始因子载荷矩阵（component matrix），如表4-6所示。

表4-6　方差分解主成分提取分析表

从表4-6可以看出，模型累计解释能力（Cumulative %）达到71.534%，一般而言，模型的解释能力超过60%，就表明调研表具有良好的结构效度，因此B类不良体验消费者宜作为本次数据挖掘的重点对象，所提取四个主成分可以基本代替原来的15个因素变量，如表4-7所示。

表4-7　初始因子载荷阵表（Component Matrix）

参照表4-6和表4-7，可以计算四个主成分的影响因素的系数（以初始因子载荷阵的数据除以主成分特征根的平方根）。得到的四个主成分后，进行加权汇总，即可得到综合得分模型如下：

YB＝0.152×b001+0.144×b002+0.156×b003+0.197×b004

+0.151×b005+0.198×b006+0.148×b007

+0.178×b008+0.098×b009+0.196×b010

+0.224×b011+0.206×b012+0.235×b013

+0.201×b014+0.210×b015

综合得分模型中，每个影响因素的系数就是该影响因素对于综合评分的解释能力，反映了其重要性。

然后建立均值偏离水平模型，为了度量各影响因素需要进行改进的迫切程度，需要构造均值偏离水平模型，将各因素的重要程度和消费者满意度、二者平均水平的欧几里得距离，作为改进迫切程度的评价标准，具体公式为：

式中，zi表示均值偏离水平；xi表示各影响因素的满意度；表示平均满意度；yi表示各影响因素权重；表示平均权重。

由上式计算，可得到B类不良体验消费者均值偏离水平表，如表4-8所示。

表4-8　均值偏离水平表

续表(www.xing528.com)

均值偏离水平为负值的影响因素，显示消费者对该影响因素的满意度低于消费者对所有影响因素的平均满意度。均值偏离水平为负值的影响因素共8项，分别用各负项均值偏离水平与所有负项均值偏离水平之和进行比较，就得到各影响因素的负项均值偏离程度占比，详见负项均值偏离水平占比表（表4-9）。

表4-9　负项均值偏离占比表

由表4-9可以看出，b015、b012、b013三项影响因素的负值均值偏离占比较高，是最迫切、最关键的车险理赔服务改进点，保险公司需要重点投入资源加以改进。

（5）模型评估

首先进行统计学评估，为了对分析结果的稳定性进行评估，进行KMO检验和巴特莱特检验，具体结果如表4-10所示。

表4-10　KMO和巴特莱特检验表

由表4-10可以看出，B类消费者模型的KMO检验值＞0.9，属于“非常适合”的水平，结果解释能力极强，说明研究样本和模型结论之间的关系是稳定的。

然后进行业务评估，理赔服务本身体现的是专业、效率和便利，这是达到消费者良好体验的重要组成部分。

模型中，A类良好体验消费者未能明确细分各影响因素，这与“晕轮效应”理论是相一致的。晕轮效应（the halo effect），又称“光环效应”，属于心理学范畴，指人们对事物的认知判断首先是从关键点出发，形成总体判断，然后再从这个判断推论出认知对象的其他品质的现象。如一事物最初被认定是好的，则它的其他品质也都被认为是偏好的，有“爱屋及乌”的原理。由于A类消费者认为保险公司理赔服务整体较好，所以就会不自觉地推论各理赔服务子项目也较好。考虑到这种晕轮效应具有对事实的扭曲性，本次数据挖掘重点分析B类不良体验消费者。

数据挖掘的模型证实B类消费者没有受到晕轮效应的影响，成功细分了理赔服务的影响因素，是符合业务实际的。因此，此模型通过业务评估。

（6）模型发布

模型发布，又称为模型部署（Deployment），通常，模型的创建不是数据挖掘项目的结束。模型的作用是从数据中找到知识，但从中获得的知识需要以便于用户使用的方式重新组织和展现。根据不同的应用需求，模型发布阶段通常有三种可能采用的形式，形式一是提交数据挖掘报告，其中包含数据挖掘的结论和政策建议；形式二是在数据库系统中植入一个比较复杂的、可重复的数据挖掘过程；形式三是重新开发一套基于数据挖掘模型的外接应用系统。本案例中，模型发布采用了第一种形式。

2. 车险客户理赔体验数据挖掘的结论和政策建议

（1）数据挖掘的图示和结论

由数据可计算每个影响因素的消费者满意度平均分，以每个影响因素的消费者满意度平均分为横轴，以每个影响因素的权重为纵轴，绘制B类不良体验消费者满意度指标权重象限图，如图4-4所示。

图4-4　消费者满意度指标权重象限图

根据图4-4，首先圈定b15、b13、b12、b14、b11、b10、b06七项因素是优先改进因素，再结合表4-9，b15项负项偏离占比36.3%，b13项负项偏离占比20.2%，b12项负项偏离占比19.9%，b15、b13和b12项，负项偏离占比合计76.4%。这意味着，如将b15项（咨询和投诉处理速度）、b13（车险理赔速度）项和b12项（车险理赔查询）改进到平均水平，将能使总的消费者理赔体验负项偏离减少76.4%，这三项是保险公司车险理赔工作的最迫切改进点。

（2）数据挖掘的政策建议

第一项建议：理顺投诉处理流程，清除理赔沟通障碍

通常情况下，保险公司领导和员工认为，车险理赔两件事最重要：一是抓速度；二是抓质量。理赔咨询和投诉处理（b015）原本是理赔的派生工作，并不是理赔的核心工作，因此并不被特别重视，一般也不属于理赔部门管理，但数据挖掘的结论颠覆了传统观念：从消费者的理赔体验反馈而言，此项工作的改进需求比理赔工作本身更为迫切。

理赔消费者与保险公司沟通的障碍，主要来源于以下两个方面：

一是保险公司咨询投诉处理部门，往往只是窗口部门，对车险理赔的投诉，无法直接处理，还要转给车险理赔部门来处理。而保险公司对车险理赔部门的考核，往往偏重于赔付率、赔付速度、案均赔款、欺诈防范等指标，这就使得车险理赔投诉处理的内生动力不足，使理赔投诉处理速度偏低。

二是保险公司对咨询、抱怨和投诉进行专业化划分，对理赔咨询，只进行信息的查询和反馈，不进行心理安抚；对理赔抱怨，只进行心理安抚，不进行实质性的处理；对理赔投诉，进行心理安抚，然后派发工单转车险理赔部门处理。但消费者一般不具备保险专业知识，很难分清保险公司对咨询、抱怨和投诉的划分，一旦其投诉或咨询的意图未清晰表达，就会被归入抱怨的范畴，问题长期无法得到处理。

由于目前车险理赔职能和车险理赔的咨询投诉处理职能分属不同的部门，建议进行组织架构的合理化工作，需要建立起一套有效的机制来协调和解决车险消费者咨询和投诉处理速度的问题。

第二项建议：查询平台集中化，方便理赔查询

车险理赔查询问题（b012），保险公司领导和员工认为也不是重要问题，在保监会要求下，保险公司在理赔进度查询方面已经作了一定努力，但从数据挖掘的结论来看，“方便查询”仍是车险理赔消费者体验急需解决的三大诉求之一。

理赔查询不便的主要原因在于保险业务查询平台的分散化。由于历史原因，保险公司的业务系统架构并不是以客户为中心的，保险公司一般拥有很多业务系统，比如某公司就有31套系统都涉及消费者的业务信息，这样每个业务系统，都会形成一个业务查询平台，无法提供统一的查询入口，结果导致查询服务人员必须不断切换登录系统，查询效率低下，同时，对消费者而言，根本没有能力分清并记住众多的查询入口，车险理赔自助查询往往“找不到北”。

建议保险公司建立客户信息基础库，实现客户的统一视图；有些保险公司已经建立了客户信息基础库，建议投入资源，对客户信息基础库进行实时化升级，然后以客户信息基础库为核心，提供统一的查询入口，彻底解决业务查询的底层问题，为查询服务人员和消费者提供方便、快捷、一站式的综合查询平台。

更进一步，建议保险监管机关和保险行业协会，建设行业统一的车险理赔自助查询平台，要求各保险公司实时地、全面地开放和对接车险理赔数据，使所有车险消费者得到一个唯一、易记、互联、共享的数据查询平台，这将不但终极性地解决车险理赔查询问题，还将对车险反欺诈、车险合理定价等起到重大的促进作用。

第三项建议：继续提高车险理赔速度

保险公司虽然采取了各种措施加快了车险理赔速度，如从“异地通赔”到“三维通赔”；从“三日赔付”到“当日赔付”；从“通知赔款”到“赔款划账”等，但从消费者理赔体验来看，理赔速度问题（b013）仍然是影响车险理赔消费者体验的三大问题之一。建议从以下三方面采取措施：第一，保险公司仍需要扩大这些理赔便捷措施的适用范围，而不是局限于小额赔案；第二，保险公司应狠抓这些政策措施的落实，而不能是“不告不究”；第三，对个别疑难案件，不能搞例外，往往是保险公司对这些“老大难”案例的处理态度，严重影响了消费者的体验，严重影响了保险行业的声誉，造成“千夫所指”的现实局面。

3. 车险客户理赔体验数据挖掘的小结和评测

保险公司传统认为，车险理赔影响消费者体验的最主要因素，就是理赔速度和理赔质量，而理赔质量主要是指理赔换件政策、是否允许4S店修车、理赔定损、现场查勘等方面。因此，传统上，保险公司把资源集中投入到这两个方面。

但数据挖掘的研究揭示出，消费者总体上更关注理赔沟通和理赔速度，这两方面的改进需求最为迫切。车险理赔咨询、理赔投诉处理速度（b015）和车险理赔查询问题（b012）都属于理赔沟通的问题，这两项的负项偏离占比达到56.2%，远远大于理赔速度（b013）的负项偏离占比（20.2%），因此，保险公司应将传统投入车险理赔速度和理赔质量工作的一部分增量资源，重新分配到车险理赔咨询和理赔投诉处理速度提升，以及车险理赔查询方面。根据边际生产率理论，在已经进行了大量投入的领域，其边际生产率较低，而长期很少进行投入的领域，其边际生产率较高，因此，增量资源优化分配到理赔咨询、理赔投诉处理速度和车险理赔查询上，其产生的效率提高将大大高于理赔速度和理赔质量的效率提高。这样重新配置增量资源，在增量投入不变的情况下，消费者的满意度和保险公司、保险行业的美誉度都将能够整体上获得更大的提高。但是目前，由于这三个部分的边际生产率数据无法获得，因此这种配置改变提升效率的程度，无法进行准确测量。

但即使不考这种边际生产率差异带来的消费者体验提升，假设三个部分的边际生产率相同，本项目所建议的车险理赔增量资源重新配置，也能提高资源的配置效率，假设原来的两项主要理赔资源投入和目前的三项理赔改进方面的资源投入都是平均分配的，效率的提升度（新增量资源配置下对消费者体验负项偏离的降低，与旧增量资源配置下对消费者体验负项偏离的降低之比）也将达到2.51倍，即

((36.3%+20.2%+19.9%)÷3)÷(20.2÷2)＝2.51

保险消费者保护工作关系到保险公司的长期竞争力，决定了保险行业的社会声誉和金融地位，是保险行业长期发展的关键因素。但保险消费者保护，不是看投入量，而是要看效果，其实质就是看保险消费者的体验。因此固守传统的保险经营方式，拍脑袋，拼投入，其改进效果难以达成预期；而通过数据挖掘等科学方法定量分析，发现影响保险消费者体验的关键改进点，继而进行有针对性的定点投入，才能取得最佳的效果。“智慧分析型”消费者保护，是做好保险消费者保护工作的必由之路。