车险电销客户细分数据挖掘:研究成果

1. 基于决策模式的车险电销客户细分

此项目经过南通地区的车险电销客户的定性调研，根据受访客户本人提及的车险购买决策模式，加以提炼总结，设计量化调研问卷（相关部分问卷内容详见本章附录A），通过客户电话访问方式回收有效客户访问问卷，建立了基于客户购买决策模式的车险客户细分模型。

根据模型对客户数据进行处理后的结果，南通车险电销客户可细分为“敬业感动型”、“亲友追随型”、“适时择先型”、“满意续保型”、“信息对比型”五种类型。

敬业感动型客户的决策模式较为感性，如果保险公司或保险中介的坐席人员态度很好，他们往往不好意思拒接电话或粗暴挂断电话，倾向于选择电话拨打较多的保险公司或保险中介。

亲友追随型客户在选择保险公司或保险中介时以考虑自己的人际关系为主，根据与保险公司的关系选择亲近程度较高的那一家，往往本人或其亲人、亲密朋友就是保险公司或保险中介员工。

适时择先型客户的选择较为随机，他们认为保险公司都差不多，或者保险对他们不重要。因此，在大多数时间段内，他们选择不接保险营销电话，多数将保险营销电话设置为黑名单；而在决定购买保险的时间段内，他们才取消黑名单，此时，先打通电话的保险公司或保险中介会成为他们的选择对象。

满意续保型客户的忠诚度较高，如果对原保险公司、保险中介或4S店的服务满意，就会产生情感依赖和行为惰性，续保时就会继续选择该保险公司、保险中介或该4S店代理的保险。

信息对比型客户的决策模式较为理性，会收集各家公司车险信息并加以比较，根据比较结果选择保险公司或保险中介。

通过对电话访问回收的问卷进行统计分析，得到五种类型客户的分布情况，如表4-1所示。

表4-1　车险电销客户细分表

敬业感动型客户和适时择先型客户分别占比7.40%和5.03%，电销拨打行为对这两类客户影响较大，可以通过对坐席拨打时机、时间与时长的调整来提升营销效果。因此，坐席拨打行为本身的影响总能力为12.43%。

信息对比型客户占比为36.00%，要赢得这类客户，主要依靠公司品牌、产品特点、服务驱动和口碑传播，辅以相应的营销策略及话术。

敬业感动型客户、适时择先型客户和信息对比型客户，是营销活动可以影响的客户，我们定义为“可营销客户”，总客户占比为48.43%。

满意续保型客户占比35.93%，此类客户更换保险公司或保险中介的门槛较高，通过营销手段使其转换公司较为困难，只能等待其他保险公司、保险中介或4S店在服务上“犯错误”，客户由此产生不满意的感觉，才有可能提供营销机会。

亲友追随型客户占比15.18%，此类客户依据自己的人际关系选择保险公司或保险中介，除非将其关键关系人转换为公司员工，否则无法获得营销机会。

对于车险电销，我们将满意续保型客户和亲友追随型客户定义为“不可营销客户”。建议识别这两类客户后适当减少投入，节省成本。满意续保型和亲友追随型两类客户占比总和为51.11%，如果适当调整营销策略，在营销之前或者营销过程中尽早识别出这两类客户，将这51.11%的资源投入到其他细分客户身上，电销产能将有大幅度提升。

五种客户细分的决策模式及占比如图4-1所示。

图4-1　车险客户细分图

2. 车险电销客户细分判别模型

通过对五种客户细分的定义、统计及分析可以看出，客户细分的判别至关重要。如果能够识别出客户细分，对不同类型客户采取相应的营销策略，则会使营销效率有显著提升。根据模型和数据，我们提出车险电销客户细分判别表，如表4-2所示。

为了辅助坐席预判客户细分，我们还通过建立交叉分析表并应用Apriori算法建立关联规则模型对调研数据进行分析，用MODELER建模如图4-2所示。

表4-2　车险电销客户细分判别表

图4-2　MODELER建模辅助预判客户细分流

模型运行结果为图4-3（部分内容）。

图4-3　MODELER模型运算结果

根据模型运行结果，我们总结出一套辅助判别客户细分的方法：GATP法。此方法根据客户性别、年龄、购车时间以及车价等信息测算出客户属于何种类型并给出预测准确率，帮助销售人员对客户进行细分预判。由于此方法以此次调研数据为依据，在模型输入字段及数据量方面均有限，存在过度拟合风险，目前不建议正式使用。

未来如能做到客户细分判别落地，与客户接触过程中大量标识客户细分类型，在应用中不断回馈结果对模型进行修正，模型预测能力将更加精准，本辅助判别模型才可达到应用级水平，具体如表4-3所示。

表4-3　车险电销客户细分辅助判别表(www.xing528.com)

3. 车险电销客户细分的政策建议

根据数据挖掘结论，我们提出车险电销细分客户的业务政策建议，主要有以下三个大的方面。

（1）车险电销细分客户的拨打策略建议

由于不同客户细分的决策模式以及信息收集方式等方面有差异，建议针对不同的客户细分采取不同的拨打策略，具体如表4-4所示。

表4-4　车险电销客户细分拨打策略表

敬业感动型客户的决策模式偏向感性，信息收集方式较为被动。针对此类客户，建议销售人员在不引起客户反感的前提下尽量延长通话时间、增加通话频率，具体的时长、频率可以结合销售行为数据进行进一步研究。

亲友追随型客户对保险公司的选择主要取决于自己的人际关系。此类客户营销难度大，建议在销售过程中尽早识别出此类客户，并减少资源投入。

适时择先型客户的决策较为冲动，信息收集方式也较为被动。针对此类客户，首拨时间、拨打时长及拨打次数均可以结合销售行为数据进行深入研究。

满意续保型客户的决策模式较为理性，同时客户黏性较高，影响其选择的关键点在于客户服务，建议在销售环节尽早予以识别，并放弃投入资源。

信息对比型客户在选择保险公司时表现出的决策模式偏于理性，对自身需求的确认、信息的收集、购买的可行性评估、购买决策的制定以及购买产品后的行为都有一定的主动性。针对这类客户，建议销售人员在给客户介绍产品时注意了解客户需求，重点突出产品的优势以及对客户需求的契合程度。

（2）建议设定“车险续保率零基”

在对客户细分的统计中，我们发现满意续保型客户占总体比率为35.93%，即有多于三分之一的客户在没有不满意的情况下不会更换保险公司或保险中介。这说明客户是有惰性的，更换保险公司或保险中介是有一定心理成本的。如果我们能够在客户服务中让客户基本满意，无需其他投入，客户就会主动留下来，由此可见，留住一个老客户的成本远远低于开发一个新客户。针对这个分析结果，建议设定车险续保率零基，将提升客户忠诚度、降低客户流失率作为我们工作的一个重点。

如在南通地区，就可以将35.93%作为续保率零基，这是续保零资源投入情况下应该达到的，否则就说明企业的车险客户服务工作没有达到基本标准。再结合公司在当地的续保投入、竞争态势、班子能力和上级公司要求等综合因素，就可以确定当地当年续保率考核值。

同时，续保率零基还可以用于构造南通续保资源投入的ROI测算模型，核心公式建议如下：

对全国各保险企业和各保险中介而言，车险续保率零基具有重大的推广意义，只要通过数据挖掘项目，计算各地的满意续保型客户占比，就可设置各地差异化的续保率零基和差异化的续保ROI模型阵。

（3）建议客户细分判别落地

客户细分判别是进行数据库营销、实现电销商业智能的第一步。在客户细分判别的基础上，可以针对不同类型的客户匹配不同的坐席、进行不同拨打行为的精准营销，可以优化资源配置、提升拨打成交率。建议在系统中植入客户细分判别，配合以后的拨打行为、坐席与客户匹配等一系列策略，实现商业智能。

建议在保险企业和保险中介能够予以较好控制的两个点上，进行客户细分差别：

首先是在电销过程中，要求坐席进行客户细分判别，并辅以客户细分的差异化拨打策略和差异化话术的支持，使坐席充分感受到因客户细分带来的成交率提高而促使自身收入提高的好处，以切身利益驱动坐席做好客户细分判别工作。

其次是在客户回访过程中，利用客户的行为进行客户细分判别的修正。比如，回访电话拨通时，客户表示“已经买了你们的保险，怎么又给我打电话”，就可以将该客户判定为敬业感动型客户。

目前客户数据的分类下发，往往依据的是客户数据的年份以及拨打的结束码。实践表明，这些分类方法对客户成交率的辨识准确性有很大的局限性，而且造成数据浪费（如较远年度的客户数据都被丢弃不用，而实际上适时择先型客户和敬业感动型客户基本上不受年度的影响）。

只要对客户细分进行标识和保存，就可以在复用数据时选择可营销客户，丢弃不可营销客户，从而大大提高成交率。从数据挖掘模型和数据来看，如果全面落实车险客户细分判别的各项相关建议，我们有信心将电销数据复用成交率提升一倍（提升度lift=2.06）。

4. 车险电销客户细分模型的应用风险

由于研究条件所限，车险电销客户细分数据挖掘的模型、结论和建议也存在如下三点风险和不足。

（1）地区局限和推广风险

由于本数据挖掘项目在南通地区试点，模型是基于南通的客户数据所建构，所以无法保证其他地区的参数适用性。在推广本模型时，建议应先在其他地区开展数据挖掘项目，进行模型系列化工作，才能找到各地区的差异化的适用参数，规避推广风险。

（2）高端客户应用风险

由于投入资源所限，很难吸引高端客户参加本次数据挖掘项目，因此，本数据挖掘的模型、结论和建议，可能根本无法适用于高端客户。根据业内经验，高端客户的参与门槛，投入资源应以10倍计，如有研究必要，应另以数据挖掘专项形式开展。

（3）客户细分五类未覆盖100%客户

本次数据挖掘项目过程中，除了发现五大细分客户群体之外，还发现了一些客户无法准确归入某一类客户群体，但客户占比较少，如南通地区，无法归入五大细分客户群体的客户总量占比仅为0.46%。对这部分客户，一方面，如需进一步研究和细分，目前的数据量不足，需要追加投入资源，扩大数据量；另一方面，由于这部分客户占比很小，考虑到保险企业和保险中介对其组织营销活动的意义也不大，因此，本次数据挖掘未对其作深入研究。