首页 理论教育 保险中介对客户的数据挖掘

保险中介对客户的数据挖掘

时间:2022-11-20 理论教育 版权反馈
【摘要】:图4-3展示了在保险客户的生命周期各阶段,数据挖掘可进行的若干分析主题:金融行业客户细分的目标是在最大程度降低风险的同时,使客户收益最大化。此外,客户细分也是进行进一步深入进行其它数据挖掘分析的基础。对老客户进行以交叉销售或二次销售为目标的数据挖掘,可以帮助保险中介企业选定最适合的交叉销售市场活动策略,包括最适合的产品选择、最容易接受的客户类型、成功可能性最大

第三节 保险中介对客户的数据挖掘

一、保险数据挖掘的主要领域

目前,国外许多保险企业已将数据挖掘技术引入了客户研究、营销管理和人力资源领域。法国的Natexis保险利用数据挖掘技术建立营销响应模型,降低了直邮销售成本,提高了直邮销售收入;韩国的Kyobo Life Insurance通过数据挖掘进行客户流失、代理人甄选和交叉销售分析,提高了客户和代理人留存率,同时提升了交叉销售成功率;澳大利亚Allianz Elementar保险公司、西班牙SPANISH INSURER保险公司和美国佛罗里达蓝十字蓝盾保险公司,均采用数据挖掘技术分析客户忠诚度,进行客户细分,支持客户保持工作,以降低客户流失率;美国ALLSTATE FINANCIAL保险公司采用数据挖掘工具,分析不同保险客户的行为特征,以客户为中心制订并执行差异化营销策略;安盛(AXA)法国通过数据挖掘系统,计算出针对某一客户的某保险险种的成交概率,并由系统自动下发工单通知总代理跟进。此外,国外很多保险公司建立了高效、完善的计算机网络系统和数据库系统,采用数据挖掘技术和工具开展客户信息的分析工作。

相比国外保险业,数据挖掘技术在国内保险行业中的研究以及数据挖掘工具在国内保险行业中的应用才刚刚起步。据了解,国内大多数保险公司目前还处在数据仓库建设、完善阶段,也有个别公司在以试点、项目的方式进行数据挖掘尝试,但是真正意义上把数据挖掘大规模、战略性地运用到决策中的保险公司,在国内还非常少见。

对保险中介而言,数据挖掘的作用更多地体现在客户研究方面。它能帮助保险中介更好地实现以客户为中心的经营战略,利用数据挖掘,保险中介可以定量地分析客户价值、客户之间的关联、消费者的保险消费习惯、消费者的成长趋势等方面,找到在客户识别、获取、交互以及客户保持等活动中的最佳策略。数据挖掘方法在保险中介的主要应用领域主要有客户细分、营销响应、交叉销售和二次销售、欺诈监测、客户流失预警和挽留、代理人甄选等,以下将分别进行简介。图4-3展示了在保险客户的生命周期各阶段,数据挖掘可进行的若干分析主题:

img290

图4-3 数据挖掘在保险客户生命周期中的应用

(一)客户细分

金融行业客户细分的目标是在最大程度降低风险的同时,使客户收益最大化。为了在激烈的市场竞争中占据优势,业界领先的金融服务机构纷纷采用数据挖掘技术,分析产品特征和客户特征,实现市场细分和客户细分,来获取有价值的客户,提高利润率。数据挖掘的客户细分可以帮助金融机构实现风险最小化和客户价值最大化之间的平衡;帮助金融机构有效辨识不同客户细分群体的独特金融需求,开发具有市场竞争力的金融产品;帮助金融机构拓展有价值的新客户、保持老客户并建立客户忠诚;数据挖掘预测分析技术能够利用分类和聚类等技术测算客户价值,发现细分客户群体的共同行为规律,预测客户群体的金融消费行为,使市场营销活动更具有客户群针对性,提高市场营销活动的响应率,优化配置市场营销资源和费用。此外,客户细分也是进行进一步深入进行其它数据挖掘分析的基础。

保险客户细分建模,按照客户的自然属性、经济特征、消费行为、业务活动、客户偏好等,把客户分成若干客户群。其目的是实现在同一客户分类内部,客户的特征非常相似,即客户有大致相同的产品、服务、消费或风险等偏好;而在不同客户类别之间,各类客户则差异较大,各客户类别之间较为独立。客户细分可以帮助保险中介锁定高价值客户,并对不同客户群体采取不同的销售服务策略;同时还可以帮助企业针对某些特定群体寻找市场空白和机会。更重要的,掌握本企业的客户分类情况,熟知各类客户的特征和偏好,是保险中介进行进一步客户数据挖掘的前提和基础。

(二)营销响应

进行营销响应分析和管理的目标是提高营销活动的响应率,降低营销成本。为了推广新的金融产品、发展新客户或进行金融客户的交叉销售,金融机构经常会策划各种营销活动,以吸引潜在客户,增加老客户的金融消费。然而,如果营销活动选择的目标客户群体不明确,营销活动往往成本高昂而实际效果不佳。高效率的营销活动,其关键在于选择高响应概率的客户群或准客户群,而不在于所涉及的客户数量,这也就是精准营销的的概念。金融行业进行精准营销不仅可以降低客户获取费用,增加营销活动投资回报率,直接带来金融机构利润的增加,而且可以提升金融客户的满意度,提高客户对金融机构的忠诚度。通过采用探索性数据挖掘方法,对金融客户的各种属性数据和客户行为数据进行分析,建立金融营销响应模型。

保险营销响应建模,通过对不同类型客户进行分析,预测哪类客户会对哪种产品或服务的营销活动进行响应的概率,帮助保险中介在合适的时间,通过合适的渠道,以一种合适的接触频率,对合适的客户开展活动,从而提高营销活动的响应率。营销响应不仅可用于吸引潜在客户,也适合于分析对现有客户交叉销售策略的选择。通过分析客户对某些营销活动可能的响应概率,选择响应概率高的客户进行营销活动,可大幅度降低保险推销成本,提高推销成功率,同时有针对性地进行销售活动,也可提高客户满意度。

(三)交叉销售和二次销售

交叉销售的目标是让老客户购买更多的产品。在金融行业中,交叉销售有助于企业避开饱和竞争市场,增加每位客户带给金融机构的利润。客户从金融机构那里购买的产品和服务越多,金融机构与客户的接触点也就越多,就越有机会深入地了解客户的偏好和购买行为,金融机构满足客户需求的能力,也随之比竞争对手更为有效。交叉销售也是培养客户对金融机构忠诚关系的重要工具。应用数据挖掘技术,可以从客户的自然属性数据和客户的交易数据中,寻找、选择最有可能捆绑在一起销售的金融产品和服务,发现有价值的金融产品和服务组合,从而有效地向客户提供额外的金融服务,提高金融机构收入,提升客户价值,通过提升金融客户的转移成本,提高客户忠诚度,降低客户流失率。

保险交叉销售建模,即根据不同类型客户的特征及这些客户持有不同产品之间的关联性进行分析,发现为已有客户提供新产品的销售机会。二次销售比交叉销售涵盖的内容更为广泛,除交叉销售所包含的向老客户销售新产品,还包括提升老客户对原有产品的购买。对老客户进行以交叉销售或二次销售为目标的数据挖掘,可以帮助保险中介企业选定最适合的交叉销售市场活动策略,包括最适合的产品选择、最容易接受的客户类型、成功可能性最大的销售策略等。对客户来说,交叉销售可一次性满足客户的多种需求,客户满意度也将因此提高。

(四)欺诈监测

随着金融行业的发展,金融诈骗犯罪的数量和涉案的金额也呈快速增长趋势,例如金融诈骗、不良信贷、骗保骗赔等等,银行业和保险业一直在努力抑制和减少欺诈行为。然而传统上,银行的信贷人员和保险核保师、核赔师等专业人员,过去都是靠经验和直觉来判断是否存在欺诈,并人为推断欺诈的种类、欺诈的特征和欺诈的概率等。传统方法不够科学和精确,而不诚实的客户却使用花样繁多的欺诈手段,技术手段的落后,使银行的信贷人员和保险核保师、核赔师花费很多的时间用于审核合法的记录,却漏过了大量欺诈记录。较高的犯罪率、极高的诈骗收益、较低的犯罪成本和极低的破获率,其共同的作用结果,就是金融诈骗愈演愈烈。据有关统计数据显示,国际上某些险种欺诈而导致的赔款支出最高可达保险费收入的50%,平均保险业务的欺诈损失在10%~30%左右。另据估算,美国保险行业每年因欺诈造成的损失达到300亿至500亿美元。

采用数据挖掘技术来改进对欺诈的侦测,金融机构可以更好地实现业务知识与反欺诈技术的结合,把已经获得的不良贷款数据、理赔数据等转化为对欺诈信息的理解,及时发现可能是欺诈的情况,发出必要的预警,提高重点审贷和重点核保、重点核赔等风险控制措施的精准性,提高金融诈骗的破获率,减少金融欺诈的损失。

对保险业来说,保险欺诈主要发生在理赔环节,欺诈监测主要指通过对过往理赔数据的挖掘,识别正常索赔与非正常索赔的差异,当有新赔案发生时,对其是否属于保险欺诈进行预判,并提示专业人员有针对性地重点调查高风险赔案,提升保险欺诈的破获概率。保险欺诈监测可以有效地帮助保险中介,尤其是保险公估公司,控制风险,防患未然,并极大地提高工作效率。

(五)客户流失预警与客户挽留

客户流失预警,是通过对客户一定时间段内的支付行为、业务行为及基本属性分析,揭示隐藏在数据背后的客户流失模式,预测客户在未来一段时间内的流失概率及可能的原因,指导客户挽留工作。企业对流失预警中找到的流失可能性高、且对企业价值亦较高的客户,针对其可能发生流失的原因,开展有针对性的客户挽留活动。

保险客户流失的原因大体上可归为两类:主动流失和被动流失。主动流失即客户主动与公司脱离业务关系,如客户生活环境发生变动、客户对目前购买的保险产品不再有需求、客户在其他公司投保等等;被动流失即客户非自愿地与公司脱离业务关系,通常是因为客户经济状况或支付能力发生改变造成的。通过客户流失预警风险,保险中介企业可发现那些最可能流失的客户以及这些客户最可能的流失原因,从而有选择性、有针对性地采取客户挽留措施。具体如图4-4所示。

img291

图4-4 保险客户流失与挽留示意图

(六)员工甄选

在中国现行的金融体制中,银行信用卡部、保险公司和证券公司往往聘用代理人、经纪人或其他聘用人员开展自身的业务,银行信用卡销售员、保险代理人和证券经纪人往往并不是银行、保险公司和证券公司的正式员工,只是以银行、保险公司和证券公司的名义开展业务,起到银行、保险公司和证券公司与客户之间的业务中介作用,代理人和经纪人的择优选用对于银行、保险公司和证券公司的业务开展有着十分重要的作用,是银行、保险公司和证券公司应当关注的要点之一。

员工甄选模型可以帮助金融机构选择合适的员工、代理人和经纪人,运用数据挖掘技术,可以分析员工、代理人和经纪人的业绩及其属性特征、思维习惯、业务行为之间的关系,为金融机构成功地甄选聘用合格的员工、代理人和经纪人提供决策依据。数据挖掘还可以帮助金融机构识别潜在的顶尖销售人才,发现顶尖销售人才的性格特征、行为规律和个性化需求,帮助金融机构设法招募、培养和留住优秀的销售和服务人才。

通过对代理人的业绩、自然属性、业务行为和思维习惯进行数据挖掘,可以帮助保险中介找到针对某一类客户、或针对客户某一生命周期阶段中最适合的保险销售人员或保险服务人员,从而提高销售成功率,提升客户服务满意度和忠诚度。

二、典型案例分析

(一)车险电销客户研究的目的

近年,车险电话销售成为保险公司和保险中介争相拓展的新销售渠道。在对部分车险电销客户进行的访谈中发现,目前消费者保险消费过程中主要考虑的因素为价格、公司品牌及服务(主要是理赔服务)水平,而保险公司和保险中介要打造本企业的核心竞争力,牢牢地留住客户,相对困难。同时我们也发现,市场上车险产品与服务的差异化并不明显,电话销售在各家保险公司和保险中介之间也没有形成特色,电话销售车险更是难以在短时间内打动客户。因此,应用科学方法,研究影响车险电销客户做出购买决策时的最迫切改进点,并提出针对性改进的政策建议,将可以提升保险公司和保险中介在车险电话销售中的成功率。

应用数据挖掘技术对车险电销客户投保体验进行客户专题研究有四个方面的意义:一是理论联系实际,找出车险电话销售过程中客户投保体验的最迫切改进点,并提出针对性的改进建议,提高保险行业的资源投入效率;二是改善保险电话销售的客户体验,提升客户满意度,进而提升保险行业信誉,改善行业形象;三是验证数据挖掘技术在保险行业的适用性,推动数据挖掘技术在中国保险行业的应用和推广,助力中国保险行业转型升级,打造保险业竞争优势新源泉。

(二)车险电销客户的数据挖掘

1.商业理解

本数据挖掘项目的业务目标是:分析客户在整个车险电话销售体验中关注因素的差异,研究客户对整个销售服务水平进行评价的关键点,从而找到车险电销目前最迫切的改进点,提出针对性建议,调整经营策略,争取以适度的投入,高效率地提高车险电销客户体验水平,进一步提升车险电销的成交概率。

2.数据理解

2010年4季度,我们在某保险公司组织进行了车险客户体验调研,首先进行文献研究和定性调研,通过走访客户,总结了车险客户体验的影响因素;再根据客户影响因素编制调研问卷,进行定量调研。我们在陕西、浙江和广东收集了部分车险客户的调查问卷,其中包括电销车险的专项调查,本次数据挖掘项目所需要的“电销车险客户销售体验研究”包含在调查问卷内容中,以此作为数据挖掘的基础数据,通过因子分析法,对问卷中提出的客户体验维度,进行了包括因子权重、体验维度的解释力等方面的探究。问卷中相关部分的具体内容请参见附录A。

此问卷要求客户对14个销售过程中的体验进行满意水平倾向选择,选择共分7个程度,1为非常不认同,7为非常认同。

问卷中的A53项问题,反映的是客户对于车险电话销售总体的认知。我们根据该项问题的客户回答值,将值大于等于4的客户数据列为“A类:销售体验良好客户”(以下简称A类客户);值小于4的客户数据列为“B类:销售体验不良客户”(以下简称B类客户)。在投保的客户中,销售体验良好的客户占比为88.32%,说明客户虽然最终选择了投保,但在销售环节的体验上存在一定比例的不良体验,在销售环节的服务有一定的提升空间。

通过对数据的观察和理解,这些问卷问题之间存在着一定的关联关系,因此本次数据挖掘项目采用因子分析法。因子分析是指从变量群中提取共性因子的统计技术,最早由英国心理学家C.E.斯皮尔曼提出。因子分析可在许多变量中找出隐藏的具有代表性的共同因子,将相同本质的变量归入一个因子,可减少变量的数目,还可检验变量间的关系。

3.数据准备

根据数据理解,我们进行如下数据整理:

(1)初步因子分析

我们针对A39-A52这14个因素进行初步因子分析,得到如下结果:

表4-1 旋转因子载荷阵表

img292

注1:此表为旋转后的因子载荷阵,其中F1,F2,F3分别表示一类共性因子。

注2:表中的数值(特征值)如果大于0.5认为这个变量的解释能力较强,依次从F1、F2到F3进行降序处理。

注3:“F1(50%)”中的50%为该类因子的解释能力指标,越大表示解释能力越强。

(2)因子推断和取舍

参照上表,结合调研问卷和商业理解,对于车险电销客户体验影响因子有如下推断:

①F1可以理解为“电话沟通”体验。客户在销售体验过程中,关注电话沟通中的“诚实”、“愉悦”、“亲和力”、“专业”、“承诺兑现”、“热情”、“安心”、“性价比”、“需求关注度”。可以看出F1的14个构成因素,比较侧重于电话销售是否有一个良好的沟通氛围。

②F2可以理解为“社会环境”体验。在销售人员营造的良好的沟通环境的基础上,客户会参考其社会环境的信息,比如“朋友的消费行为”、“口碑”、“信息获取是否方便”。

③F3可以理解为“保单售后”体验,包括客户对于后续的配送权的选择和简单快捷的体验,F3对整个销售体验的影响相对较弱。不同于F1和F2,F3属于“事后客户体验”,不影响客户的当期车险选择和消费,但会通过社会传播影响后期的公司口碑,从而通过影响后期的F2,来影响客户的后期购买倾向。因本次数据挖掘项目的目标是研究车险电销最急迫的改进点,因此我们将不对影响力较弱且较滞后的F3因子做重点分析。

4.建立模型

(1)建立因子分析模型

根据因子分析法,可以得到方差分解主成分提取分析表(Total Variance Explained,表4-2)和初始因子载荷矩阵(Component Matrixa,表4-3)。

表4-2 方差分解主成分提取分析表

img293

表4-3 初始因子载荷阵表

img294

主成分个数提取原则是:主成分对应的特征值大于1的前m个主成分,通过方差分解主成分提取分析表可知,应提取2个主成分,即m=2。从累计解释能力看(Cumulative%),累计解释能力为61.226%,说明客户销售体验研究中尚有因子未识别出来,需要后续研究进一步探讨。从模型检验上说,模型的解释能力超过60%就可以认为量表具有良好的结构效度。

从以上分析和检验可以看出,提取两个主成分可以基本反映全部指标的信息,所以决定用两个新变量来代替原来的14个变量。

参照上面的两个表,可以用初始因子载荷矩阵中的数据,除以主成分相对应的特征根开平方根,便得到两个主成分中每个指标所对应的系数。得到的两个主成分如下:

  F1=0.268×A39+0.288×A40+0.270×A41+0.268×A42+

    0.269×A43+0.302×A44+0.252×A45+0.189×A46+

    0.311×A47+0.247×A48+0.295×A49+0.290×A50+

    0.216×A51+0.249×A52;

  F2=-0.333×A39-0.275×A40-0.168×A41-0.297×A42-

    0.037×A43-0.126×A44+0.121×A45+0.083×A46-

    0.027×A47-0.048×A48+0.105×A49+0.084×A50+

    0.599×A51+0.527×A52

用第一主成分F1中每个指标所对应的系数,乘上第一主成分F1所对应的贡献率,再除以所提取的两个主成分的贡献率之和,然后加上第二主成分F2中每个指标所对应的系数,乘上第二主成分F2所对应的贡献率,再除以所提取的两个主成分的贡献率之和,即可得到综合得分模型:

  Y=0.182×A39+0.208×A40+0.208×A41+0.188×A42+

   0.225×A43+0.241×A44+0.233×A45+0.174×A46+

   0.262×A47+0.205×A48.+0.268×A49+0.261×A50+

   0.270×A51+0.289×A52

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,反映了该影响因素的重要性。

(2)建立均值偏离水平模型

为了反映各变量的偏离水平,以区分因素改进的迫切程度,我们将各变量的重要程度和客户满意度与总体平均水平的距离,作为改进迫切程度的评价标准,具体公式为:

均值偏离水平=sign(各影响因素的满意度-平均满意度)×

sqrt((各影响因素的满意度-平均满意度)^2+

(各影响因素权重-平均权重)^2)

由上式计算,可得到表4-4:

表4-4 均值偏离水平表

img295

均值偏离水平为负值的影响因素,显示客户对该影响因素的满意度低于客户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5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,详见表4-5:

表4-5 负项均值偏离占比表

img296

由表中的占比水平可以看出A51、A52,客户的满意度偏离平均水平较大,是需要投入资源进行改进的最迫切项目。

5.模型评估

(1)进行统计学评估

从结果的稳定性评估上,得到KMO检验值为0.923,属于“非常适合”的水平,结果解释能力强。具体结果如表4-6:

表4-6 KMO检验表

img297

(2)进行业务评估

电话销售是建立在信任基础上的,这是电话销售的基本原则之一。在数据理解的过程中,整个“电话沟通”环节的解释能力占到50%以上,说明如果想要客户有相对良好的销售体验,重点工作是要有一个良好的沟通。只有这样,客户才会建立基本信任,并在此基础上奠定良好的销售体验基础。对比最终模型中各个变量参数,可以看到,客户在购买电话车险的过程中最关注的是朋友的购买行为。说明客户在购买时,需要参考朋友行为,以此来建立基本信任。客户信任一方面来源于直接电话沟通,另一方面来源于社会环境因素,这是符合社会心理学原理的。因此,此模型也可用于进行业务评估。

(三)车险电销客户研究的结论

1.模型图示

由调研数据可计算每个影响因素的客户满意度平均分,以每个影响因素的客户满意度平均分为横轴,以每个影响因素的权重为纵轴,绘制象限图,模型图示如图4-5:

img298

图4-5 客户满意度指标权重象限图

2.初步划定改进区域

优先改进区:A44、A45、A50、A51、A52

高度优势区:A49、A47

适度维持区:A39、A40、A41、A42、A43、A46、A48

我们需要从A45、A44、A50、A51和A52五项中寻找最迫切改进点。

3.锁定最迫切改进点

朋友圈购买(A51项),负项偏离占比47.4%,朋友圈口碑(A52项),负项偏离占比37.4%,A51和A52项,负项偏离占比合计84.8%,这意味着:如将A51项和A52项改进到平均水平,将能使总的客户体验负项偏离减少84.8%,是车险电销最迫切的改进点。

(四)车险电销客户研究的业务建议

1.社区营销模式

所谓社区营销模式(或称为饱和营销模式),就是在一段时间内,对同一社交圈或朋友圈进行集中的电话开拓,在小环境中提高车险品牌的知晓度和购买率,从而提高准客户的朋友圈购买概率,形成示范效应,提升车险电话销售成交率。

目前,一般车险电话销售采用分散的客户营销模式,即保险公司或保险中介利用自身掌握的单个客户的数据拨打该个体,其间并不考虑该客户的社交圈子、兴趣爱好、亲威朋友、车型分布等因素。这种营销模式就如同“撒胡椒面”,每次拨打所对应的客户个体,都散落在整个社会中。而根据我们的数据挖掘结论,大多数受话个体都会在其各自的朋友圈子中征询朋友的意见,如果其朋友圈中购买该保险企业的人数较多,则受话个体就会产生较好的体验,购买该保险企业产品和服务的可能性将会大大提高,反之,则会产生较差的体验,进而抑制其购买冲动。在传统的电话销售模式下,如果保险公司或保险中介,其本身车险市场占有率较低,绝大多数准客户都面临着“朋友圈未购买该公司保险产品和服务”的较高概率,采用传统的电话销售模式更易造成客户负面体验,也不利于提高车险电话销售的成功率。

为解决这一问题,我们建议保险公司或保险中介采取饱和营销模式,以提升车险电话销售成交率。在饱和营销模式的具体实现上,从宏观的层面,保险公司或保险中介可以考虑将城市视为一个“大社区”,在一段时间内,集中在某一选定城市投放广告资源,同时集中调配经验丰富的电话销售人员,进行为期3个月的饱和营销,使保险公司或保险中介的车险品牌知晓度在该城市中迅速提升,并形成购买示范效应,提升电话销售效率。3个月后再进行另一城市的集中开发,如此逐一进行城市饱和营销的轮转式开发,其效果将明显好于各城市同时投放广告资源和电话销售资源的“撒胡椒面”模式。

从饱和营销的微观层面上考虑,保险公司或保险中介可以有选择性地对某些大型车友俱乐部的会员进行饱和营销,或对某些大型企业的员工进行饱和营销,也可以尝试对同一车型准客户进行饱和营销,或对某些同一兴趣爱好的群体成员进行饱和营销,这都可以起到在“朋友圈购买”体验不佳的大营销环境中,创造出较好的电话营销小环境的作用,使车险电话营销起到事半功倍的效果。

2.客户转介绍模式

一般车险电话营销的相关服务也是依托于保险公司统一提供的标准化服务,没有额外投入。这种模式下,已承保客户之间、已承保客户和准客户之间缺乏互动,客户在朋友圈内一般也不会主动分享自己购买车险的经验,而只是在被亲朋好友问及的时候,才进行被动分享,这无疑会制约车险品牌知晓度的提升,加剧车险电话销售“朋友圈购买”体验不佳的问题。

针对这一问题,建议保险公司或有实力的保险中介启动客户积分计划,即凡已承保的客户,如果推荐亲朋好友购买电话销售车险的,可以给予其一定额度的积分,积分可用来换购其他产品和服务,从而鼓励已承包客户将其接受车险的体验进行广泛传播。客户积分计划一方面有利于保险中介品牌的传播,通过提升“朋友圈购买”体验来提高销售的成交率;另一方面已承保客户的亲朋好友可以对比选择更好的车险服务,扩大准客户对保险产品、保险公司和保险中介的选择范围;再者已承保客户获得积分回馈,相当于获得了附加值服务。总之,保险公司、保险中介、准客户和已承保客户可通过客户积分计划实现共赢。

客户转介绍模式有利于在“朋友圈购买”体验不佳的大营销环境中创造较好的车险营销小环境,使朋友圈购买信息的流传由被动转为主动,从而降低车险市场的信息不对称性,有利于降低车险交易的搜寻成本,提高车险销售的交易效率,节约社会成本。

(五)车险电销客户数据挖掘的评测

车险电销客户体验和迫切改进点的数据挖掘属于“营销响应”类型的数据挖掘项目,其贡献主要体现在两个方面:

1.发现了客户关系网络波及效应对客户行为的重大影响作用

本项目的研究结论打破了保险行业的传统观念,从调查问卷的数据挖掘可以看出,对客户投保影响最重大、最需要迫切改进的因素,既不是价格(“性价比”,A049),也不是员工的专业性(A042)或快捷方便(A48),而是客户的关系网络对保险的评价(A052)和亲友的实际购买行动(A051)。在后续的研究项目中,我们又多次发现了同样或类似的消费者决策模式,这充分揭示了客户关系网络波及效应对保险消费者决策的重要作用和意义。

2.客户正确知识的挖掘提升了客户获取效率

客户获取是指企业收集潜在客户信息,分析并确定目标客户及其需求,并设法满足目标客户的需求,将其转化为企业新客户,从而增加企业收入和利润。简言之,客户获取就是企业获得新客户的过程,是企业生存的基础。通过市场营销和广告诱导的方法获取客户代价高昂但见效快,通过口碑和客户关系管理方法获取客户成本低但见效慢。

上述研究结论和建议对保险公司而言,可产生明显的“知识提升”效应,由于电话销售管理人员和销售人员掌握了客户真实的想法和偏好,因此自发地调整了工作方法和工作态度,在各种因素的共同影响之下,车险电话销售的成功率从3‰的低位逐渐提升到3%左右,总“提升度”为10倍左右。当然,由于其他因素也同时发生了变化,且知识存在外溢性,“知识提升”本身无法准确测度。纯粹由本项目带来的效率提升虽能明显感觉得到,但无法准确量化测度。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈