基于數(shù)據(jù)挖掘的重大疾病保險客戶風(fēng)險預(yù)測及細分

辛凱琪 湯金鳳 遼寧大學(xué)金融與貿(mào)易學(xué)院

一、引言

根據(jù)我國第七次人口普查結(jié)果，我國人口老齡化程度進一步加深，已經(jīng)接近深度老齡化。通常，老齡人口隨著年齡增大，身體各項機能開始退化，從而發(fā)生重疾的可能性會增大。2020年11月，中國保險行業(yè)協(xié)會與中國醫(yī)師協(xié)會聯(lián)合發(fā)布《重大疾病保險的疾病定義使用規(guī)范（2020 年修訂版）》，優(yōu)化了重疾分類，并且引入了輕度疾病的分類，擴大了重疾險承保范圍。伴隨著重疾險保障范圍的擴大，也會增加經(jīng)營重疾險的保險公司面臨的賠付風(fēng)險。外部環(huán)境的變化給經(jīng)營重疾險的保險公司帶來挑戰(zhàn)，保險公司在承擔(dān)較高賠付風(fēng)險后其經(jīng)營效益和償付能力勢必會受到影響。然而，機遇與挑戰(zhàn)并存，這一形勢下，保險公司如能適應(yīng)外部形勢變化，采取適當(dāng)?shù)膽?yīng)對策略，則可以化挑戰(zhàn)為競爭力。

為了增強經(jīng)營的穩(wěn)健性和競爭性，保險公司需要對投保重疾險的客戶進行風(fēng)險預(yù)測并作出客戶細分。本文的重點即聚焦投保重疾險的客戶風(fēng)險評估。重大疾病的內(nèi)涵包含三個方面特征：治療費用高昂、治療周期長、發(fā)生后會嚴重影響家庭經(jīng)濟狀況。該險種創(chuàng)立的初衷是，當(dāng)一個人遭遇重大疾病時，由醫(yī)生來挽救其身體，由保險來保證其在經(jīng)濟上不遭受毀滅性打擊，以免發(fā)生人走財空或人在財空的悲慘結(jié)果。保險公司作為經(jīng)營這一風(fēng)險的主體，勢必要根據(jù)客戶自身的身體特征、經(jīng)濟特征以及消費特征等作出風(fēng)險預(yù)測，并且有針對性地進行產(chǎn)品設(shè)計與營銷，以保證其充足的賠付能力。

當(dāng)下，重疾險產(chǎn)品同質(zhì)化嚴重，各保險公司的重疾險產(chǎn)品所承擔(dān)的責(zé)任差異不大，主要依靠與其他產(chǎn)品相結(jié)合來提升自身競爭力，如豁免保費權(quán)益、年金權(quán)益、健康打卡等方式。未來，商業(yè)保險公司若要增強自身競爭力，應(yīng)當(dāng)聚焦于責(zé)任的細分。由于不同群體面臨的風(fēng)險不同，保險公司可通過對客戶自身風(fēng)險及其個體特征的精準定位，更加有針對性地開發(fā)產(chǎn)品，以滿足投保人多樣化的投保需求，同時提高自身經(jīng)營的效益。因此，進行客戶風(fēng)險評估及細分，對于商業(yè)保險公司具有重要的實踐意義。

本文以A 保險公司的客戶基礎(chǔ)信息為例，運用logistics 回歸分析和決策樹算法，分析影響重疾發(fā)生可能性的主要因素以及各因素間的交互作用，最后對經(jīng)營重疾險的保險公司提出有關(guān)精準營銷的合理建議。

二、理論基礎(chǔ)及研究方法

（一）理論基礎(chǔ)

客戶細分理論最早由美國學(xué)者史密斯于1956年提出，他以客戶的多樣化需求為細分標準，按照每一類客戶特征制定營銷策略。隨后Jennifer Drayton在1987年進一步提出以地理、人口、心理或行為等特征劃分不同市場，并通過采取針對性營銷策略提高營銷效率。后來這一理論不斷完善發(fā)展。我國學(xué)者綦欣德（2013）在過往靜態(tài)描述性模型的基礎(chǔ)上，引入了多維度細分、動態(tài)性細分和預(yù)測性細分視角。隨著計算機技術(shù)的進步以及大數(shù)據(jù)發(fā)展，諸多學(xué)者開始將數(shù)據(jù)挖掘模型引入客戶細分領(lǐng)域。趙萌、齊佳音（2014）運用RFM模型對客戶終身價值進行評估，并以此作為客戶細分的依據(jù)。原慧琳、杜杰等（2021）將改進K-means 算法引入客戶細分領(lǐng)域，找出了客戶細分的科學(xué)路徑。

根據(jù)前人研究可以看出，客戶細分理論基本原理是，根據(jù)客戶的文化觀念、經(jīng)濟收入、消費習(xí)俗、生活方式等的不同細分新的類別，企業(yè)根據(jù)客戶的不同類別制定品牌推廣戰(zhàn)略和營銷策略，將資源針對目標客戶集中使用?？蛻艏毞种型ǔＲ紤]三方面的因素：內(nèi)在屬性、外在屬性及消費者行為。內(nèi)在屬性通常包含客戶的年齡、性別、收入等；外在屬性包括地域?qū)傩?、環(huán)境屬性等；消費者行為包含消費頻率、消費額等。只有充分考慮影響客戶消費的諸多特征，才有可能對客戶實施精準劃分。

客戶細分在實際操作中應(yīng)當(dāng)包含以下流程：1.確定需要收集的數(shù)據(jù)以及如何收集；2.將不同類別的數(shù)據(jù)整合在一起，以便于尋找其內(nèi)在關(guān)聯(lián)；3.選擇算法或模型對數(shù)據(jù)進行分析，將此分析結(jié)果作為客戶細分的基礎(chǔ)；4.將分析結(jié)果傳達至企業(yè)各部門與層級，使其能夠完成細分后所要達到的目標。

該理論在現(xiàn)代企業(yè)營銷中的應(yīng)用極其廣泛，在保險領(lǐng)域的價值更是至關(guān)重要。保險產(chǎn)品作為一種無形的商品，在營銷過程中更加依賴對于客戶特征的精準把握，在此基礎(chǔ)上，才能讓營銷人員選擇恰當(dāng)?shù)臓I銷途徑、有針對性的保險產(chǎn)品滿足客戶需求。

（二）研究方法

在對龐大的客戶數(shù)據(jù)進行分析的過程中，國內(nèi)外學(xué)者采取了諸多數(shù)據(jù)挖掘的方法。數(shù)據(jù)挖掘是從大型數(shù)據(jù)庫中提取數(shù)據(jù)驅(qū)動的信息。通常，在保險領(lǐng)域應(yīng)用的數(shù)據(jù)挖掘方法包括分類、聚類、回歸、關(guān)聯(lián)等方法。Marisa S.Viveros（1996）利用關(guān)聯(lián)規(guī)則對醫(yī)療保險信息數(shù)據(jù)進行挖掘，發(fā)現(xiàn)不同病理學(xué)醫(yī)生的相互組合會產(chǎn)生意料之外的效果。管紹賢（2008）研究了決策樹方法在保險客戶風(fēng)險分析中的作用，采取決策樹C4.5算法，首先計算每個屬性的信息增益率，得到根節(jié)點，最后對得到的決策樹進行修建，從而得到風(fēng)險分析模型。劉曉葳（2013）采取logistic回歸、決策樹模型、Aprior算法對保險公司所提供的客戶數(shù)據(jù)進行綜合挖掘，首先對比logistic回歸與決策樹模型的準確性，隨后用Aprior 算法進行驗證，最終得到風(fēng)險貢獻矩陣。過往學(xué)者數(shù)據(jù)挖掘方法大致可分為三類：1.分類算法，包含決策樹、神經(jīng)網(wǎng)絡(luò)等方法，主要適用于對客戶進行分類；2.回歸算法，包含線性回歸與非線性回歸，此類算法主要目的是做預(yù)測；3.關(guān)聯(lián)規(guī)則，包含Apriori、FP-growth 等，主要目的是發(fā)現(xiàn)關(guān)聯(lián)性。

通過對過往學(xué)者數(shù)據(jù)挖掘方法的比較以及本研究所擁有的數(shù)據(jù)特點，本文決定采取logistic 回歸對重疾發(fā)生的影響因素進行分析，該模型雖然考慮到了主效應(yīng)的影響，但是并未考慮交互效應(yīng)，因此，還需要引入決策樹模型，進行因素間交互效應(yīng)的分析。

三、數(shù)據(jù)準備與描述性統(tǒng)計

（一）數(shù)據(jù)來源與處理

本研究以A 保險公司主力產(chǎn)品的37 萬條相關(guān)保單承保數(shù)據(jù)和理賠數(shù)據(jù)樣本作為數(shù)據(jù)源。數(shù)據(jù)內(nèi)容為該公司所承保的重大疾病保險的客戶資料，客戶分布于全國各個城市。

依據(jù)研究目標，發(fā)現(xiàn)原始數(shù)據(jù)存在賦值不規(guī)范、存在缺失值及個別變量相關(guān)性低等問題，建模分析前首先對原始數(shù)據(jù)做預(yù)處理。具體采用以下方法：（1）相關(guān)分析，去除與理賠無關(guān)或相關(guān)性較小的變量。本文剔除原始數(shù)據(jù)庫中的保單生效年月、省級行政機構(gòu)、市級行政機構(gòu)、保障年限、出險日期、理賠日期等六個變量。（2）缺失值處理，剔除缺失值過多的變量。（3）為了更加科學(xué)地預(yù)測客戶風(fēng)險，依據(jù)客戶保單年限，本文從2018年統(tǒng)計年鑒查詢了人均GDP、人均可支配收入兩項指標，從梅斯醫(yī)學(xué)借鑒了各省份醫(yī)療水平排名，用以體現(xiàn)地區(qū)經(jīng)濟發(fā)展水平、居民收入水平、醫(yī)療水平等級。（4）變量重新賦值與分類。對各變量統(tǒng)一重新賦值，去除不同量綱。（5）數(shù)據(jù)平衡化處理。經(jīng)過對變量的初步分析，發(fā)現(xiàn)變量存在非平衡性特征，從未發(fā)生理賠事件的客戶有361368例，占總數(shù)的97.49%。為保證分析準確性，對數(shù)據(jù)做重抽樣平衡處理。本文采取過采樣法，抽取17224條數(shù)據(jù)，處理后從未發(fā)生理賠與曾發(fā)生過理賠行為的客戶分別占總數(shù)的51.03%和48.97%。

?表1 變量名稱選取及賦值情況

（二）描述性統(tǒng)計

1.因變量

本案例以重疾險是否出險作為因變量，重疾險出險的范圍包括保險公司經(jīng)辦的特定重大疾病，如惡性腫瘤、心肌梗死、腦溢血等。當(dāng)被保險人達到保險條款所約定的重大疾病狀態(tài)后，保險公司根據(jù)保險合同約定給付保險金。本文從數(shù)據(jù)庫中抽取變量中發(fā)生理賠的占49%。

2.自變量

內(nèi)在屬性：從性別角度看，女性發(fā)生重大疾病概率高于男性；從年齡段看，16—25歲人群中，出險人群遠低于未出險人群，可見在這一年齡段發(fā)生重疾概率較低；在26—35歲人群中，發(fā)生重疾人群與未發(fā)生重疾人群幾乎相等；在36 歲以上人群中，出險人數(shù)已經(jīng)超過未出險人數(shù)。由此得出初步結(jié)論，隨著年齡增加，重疾發(fā)生率也在增加。

外在屬性：城市線、人均可支配收入、人均GDP 反映出在地區(qū)經(jīng)濟發(fā)達且收入相對較高人群中，生活于新一線城市和二線城市的出險人數(shù)遠遠高于一線、三線、四線和五線城市；醫(yī)療水平排名反映出在醫(yī)療水平較發(fā)達地區(qū)，參保人數(shù)遠高于醫(yī)療水平欠發(fā)達地區(qū)，且重疾發(fā)生率也高于欠發(fā)達地區(qū)。

消費者行為：基本保額段、繳費年限、保單件數(shù)反映出，在這些因素下，重疾發(fā)生與否未呈現(xiàn)出顯著的差異。因此，假設(shè)基本保額段、繳費年限、保單件數(shù)不同不會對重疾發(fā)生產(chǎn)生顯著影響；而在出險年齡方面，可以看出，出險年齡主要集中在34—45 歲，其次是26—33 歲、46 歲以上、18—25 歲；重疾險理賠中，重癥占到90%以上，而輕癥、中癥的發(fā)生比例偏低。

四、基于數(shù)據(jù)挖掘的客戶風(fēng)險的識別與分類

（一）單因素分析

在對數(shù)據(jù)進行預(yù)處理后，選取顯著性水平為0.05時的單因素分析發(fā)現(xiàn)，被保險人性別、投保年齡段、城市線、繳費年限、人均可支配收入、人均GDP、醫(yī)療水平排名對于重疾的發(fā)生有影響，且具有統(tǒng)計學(xué)意義。本文對于上述因素展開多因素logistic回歸分析。

（二）多因素分析

根據(jù)上述單因素分析，選取是否發(fā)生理賠為被解釋變量，被保險人性別、投保年齡段、城市線、繳費年限、人均可支配收入、人均GDP、醫(yī)療水平排名作為解釋變量，進行二元logistic回歸分析。

1.共線性診斷

對顯著變量進行共線性診斷，若VIF≥10，則表明變量間存在嚴重的共線性。經(jīng)過對模型進行共線性檢驗，發(fā)現(xiàn)模型中七個變量的VIF 值均集中在1.0~1.9 之間，遠低于10。因此，認定變量間無共線性存在，可以進行多因素二元logistic回歸。

2.多因素logistic回歸

本文采用SPSS24.0 進行數(shù)據(jù)分析，對于上述檢驗通過的被保人性別、投保年齡段、城市線、繳費年限、人均可支配收入、醫(yī)療水平排名、人均GDP進行二元logistic 回歸。為避免編碼數(shù)值的影響，將投保年齡、城市線、人均可支配收入、人均GDP、醫(yī)療水平排名設(shè)置為啞變量，結(jié)果如表2所示。

將是否理賠作為因變量進行二元logistic回歸發(fā)現(xiàn)，被保險人性別、投保年齡段、城市線、繳費年限、人均可支配收入、醫(yī)療水平排名是影響是否索賠的顯著性因素。被保險人性別反映出，女性重疾賠付率比男性高，這一分析結(jié)果與上文描述性統(tǒng)計結(jié)果一致；投保年齡段反映出，投保年齡較高人群重疾賠付率也會增大，這一結(jié)果與上述描述性統(tǒng)計結(jié)果相符；城市線數(shù)據(jù)反映出，發(fā)達地區(qū)重疾發(fā)生率高于欠發(fā)達地區(qū)；繳費年限反映出繳費年限較長的客戶重疾賠付率較高；人均可支配收入反映出，收入增加帶來重疾賠付率減少；醫(yī)療水平反映出，醫(yī)療水平欠發(fā)達地區(qū)重疾賠付率較高；人均GDP 反映出，發(fā)達地區(qū)重疾賠付率較高。

?表2 二元logistic回歸分析結(jié)果

3.決策樹分析

將是否進行重疾賠付的影響因素進行CRT 算法分析，規(guī)則如下：（1）因變量為是否理賠，自變量為logistic回歸中分析出影響較大的被保險人性別、投保年齡段、城市線、繳費年限。（2）最大樹深度為3，父節(jié)點中最小個案數(shù)100，子節(jié)點中最小個案數(shù)50，如果節(jié)點上的樣本量達不到此要求，則該節(jié)點為終末節(jié)點，不再進行分割樣本。（3）驗證方式為拆分樣本，選取50%樣本作為訓(xùn)練樣本，其余50%為檢驗樣本。

針對研究問題，選取發(fā)生理賠的客戶特征樣本較多的節(jié)點分析，尤其是“是否理賠”=1 的情況。對符合要求各葉節(jié)點信息匯總生成圖1。

?圖1 決策樹分析圖

根據(jù)葉節(jié)點向根節(jié)點的推進方式可以發(fā)現(xiàn)，根據(jù)投保年齡數(shù)據(jù)，可以看出投保年齡越高發(fā)生理賠的概率越高。節(jié)點1 中，26歲以上人群發(fā)生理賠者達到3907人，占比達到54%，遠高于16—25 歲人群中的21.5%。進一步結(jié)合城市線數(shù)據(jù)，對比節(jié)點9 和節(jié)點10 發(fā)現(xiàn)，年齡增加帶來的重疾發(fā)生率在三、四、五線城市尤為顯著，35 歲以上人群重疾發(fā)生率比26—35 歲人群高了14.4 個百分點。根據(jù)城市線數(shù)據(jù)可以看出，在各個年齡段，發(fā)達地區(qū)的重疾發(fā)生率都要高于欠發(fā)達地區(qū)，這一現(xiàn)象的出現(xiàn)印證了上文描述性統(tǒng)計中分析的發(fā)達地區(qū)人口保險意識較強，投保人數(shù)多，且發(fā)達地區(qū)生活壓力大導(dǎo)致該地區(qū)人口健康問題嚴重的結(jié)論。根據(jù)被保險人性別數(shù)據(jù)可以看出，女性重疾發(fā)生率要遠高于男性重疾發(fā)生率，這一現(xiàn)象著重體現(xiàn)在低齡人群中，由此可以推斷低齡女性身體健康狀況值得引起人們關(guān)注。繳費年限主要反映了被保險人的經(jīng)濟狀況信息，低收入者通常愿意購買繳費年限較長的重疾險產(chǎn)品，以減輕每年的保費負擔(dān)。由該數(shù)據(jù)可以看出，選擇較長繳費年限的人群發(fā)生重疾概率要高于選擇繳費期較短的人群，從側(cè)面反映了高收入人群的重疾發(fā)生率偏低。

（三）兩個模型的比較分析

以logistic 回歸模型與決策樹模型的預(yù)測值作為狀態(tài)變量，分別繪制ROC 曲線，如圖2 所示，logistic 回歸的ROC 曲線位于決策樹ROC 曲線上方，且logistic 回歸的ROC 曲線更加光滑，可見，logistic 回歸效果好于決策樹。同時，根據(jù)表3 所示，logistic 回歸的ROC 曲線下面積為0.726，決策樹的ROC 曲線下面積為0.662，這一結(jié)果表明兩模型的診斷效果都比較好，且可以通過顯著性檢驗，因此，本文分別借鑒logistic回歸的主效應(yīng)與決策樹模型的交互效應(yīng)展開分析。

五、結(jié)論與建議

（一）結(jié)論

本研究顯示，決策樹和logistic 回歸都表明投保年齡段、城市線、被保險人性別、繳費年限是與重疾險理賠關(guān)聯(lián)最緊密的因素，結(jié)合ROC曲線評估效果，可以看出logistic回歸預(yù)測效果較優(yōu)，在借鑒其分析的主效應(yīng)同時，為使分析更加全面，本文結(jié)合決策樹表現(xiàn)出的交互效應(yīng)對影響重疾險理賠與否的因素進行全面的分析。

?圖2 logistic回歸與決策樹模型的ROC圖

?表3 logistic回歸與決策樹模型分類效果比較

年齡越大的人群，隨著自身身體機能的退化、生活壓力的加大，發(fā)生重大疾病的可能性也隨之上升。通過上述分析也可以看出，26歲以上保險客戶發(fā)生重疾概率是26歲以下客戶的兩倍之多，同時低齡客戶在總客戶數(shù)中占比最大，表明保險公司在客戶選擇方面，比較愿意針對低齡客戶提供更優(yōu)惠的費率，進而吸引年輕客戶加入重疾險。

城市線代表了地區(qū)發(fā)達程度。根據(jù)上文的logistic回歸分析，本文發(fā)現(xiàn)發(fā)達地區(qū)重疾賠付率遠高于欠發(fā)達地區(qū)，這表明發(fā)達地區(qū)中產(chǎn)階級存在較大生活壓力，身體健康狀況值得擔(dān)憂。結(jié)合決策樹分析結(jié)果可以看出，在不同年齡段下，這一結(jié)論仍然成立，在高齡人群中，這一結(jié)論尤其顯著。

性別對于重疾賠付率影響也比較顯著，logistic 回歸表現(xiàn)出女性發(fā)生重疾的概率高于男性，決策樹中不同年齡段、城市線的居民也在一定程度上表現(xiàn)出女性重疾發(fā)生率高于男性這一現(xiàn)象，且在發(fā)達城市尤其明顯。

繳費年限越長的客戶通常意味著自身收入可能相對偏低或者選擇了較高的保額，這一類客戶自身的風(fēng)險狀況可能偏高，logistic 回歸表明選擇繳費期間在20—30 年間的客戶風(fēng)險遠高于選擇10—19年的客戶；結(jié)合決策樹中的交互效應(yīng)也可以看出，在不同年齡段、城市線以及性別下，繳費期較長客戶發(fā)生重疾賠付的比例都高于繳費期較短的客戶。

同時，上述分析也體現(xiàn)出人均可支配收入、醫(yī)療水平排名、人均GDP 會影響重疾賠付，但是影響效果相對較小。通過logistic回歸分析可以看出人均可支配收入與重疾賠付率呈負相關(guān)關(guān)系，醫(yī)療水平排名與重疾賠付率呈正相關(guān)關(guān)系，人均GDP與重疾賠付率呈正相關(guān)關(guān)系。在一線與新一線城市的26—35 歲人群中，人均可支配收入較高者出現(xiàn)重疾比例較高，這一現(xiàn)象的出現(xiàn)表明，在大城市中，剛參加工作的青年人面臨著巨大的壓力，壓力讓這一人群的健康風(fēng)險也在增加；一線與新一線城市的36 歲以上居民，生活在醫(yī)療條件較好地區(qū)的居民重疾發(fā)生率高于較差地區(qū)，考慮到交互效應(yīng)，可能是由于較大的年齡帶來自身疾病風(fēng)險的增加；一線與新一線城市的女性當(dāng)中，人均GDP 較高地區(qū)的女性發(fā)生重疾賠付可能性要高于人均GDP 較低地區(qū)，這表明在發(fā)達城市中，女性所承擔(dān)的壓力正在增加，女性承擔(dān)了照顧家庭以及工作雙重壓力，發(fā)達城市中女性健康狀況需要引起人們的關(guān)注。

（二）建議

1.基于年齡差異的產(chǎn)品定價策略

根據(jù)統(tǒng)計分析結(jié)果，低齡人口重疾發(fā)生率相對較低，在制定營銷策略時，應(yīng)當(dāng)針對年齡在25 歲以下人群制定更加有吸引力的產(chǎn)品與營銷策略。在產(chǎn)品定價方面，考慮到這一群體中有一大部分為學(xué)生或者是剛步入社會的職場新人，他們的收入水平相較于社會總體水平而言較低，可以制定較低的費率，在繳費年限上適當(dāng)延長。同時，數(shù)據(jù)也顯示，重大疾病的發(fā)生逐漸出現(xiàn)低齡化趨勢。長期以來，民眾普遍認為重大疾病主要發(fā)生在60 歲以上的群體，但近年來，隨著低齡人群的重疾發(fā)生率提升，重大疾病呈年輕化趨勢，且這一趨勢在加劇，需要引起社會的關(guān)注。年輕人即使保費預(yù)算有限，也可以從較短保障年限、較低保額的產(chǎn)品入手，再逐步為自己增加保障。

2.基于地區(qū)差異的欠發(fā)達地區(qū)推廣策略

保險作為金融行業(yè)的重要組成部分，在發(fā)展過程中往往主要集中于發(fā)達地區(qū)與城市。本文實證研究表明，經(jīng)濟發(fā)達城市相比于經(jīng)濟欠發(fā)達城市，癌癥的地區(qū)發(fā)生率更高；但心腦血管類疾病，例如腦中風(fēng)后遺癥，則一般是欠發(fā)達城市的發(fā)生率會高于發(fā)達城市。究其原因，對于醫(yī)療水平更高的發(fā)達城市來說，消費者有更充裕的資金和更好的醫(yī)療資源去降低嚴重后遺癥的發(fā)生。這給欠發(fā)達地區(qū)人群的投保提供了一個啟示，投保時可優(yōu)先選擇帶有輕、中癥責(zé)任，且包含腦中風(fēng)后遺癥的重疾險。保險公司在重疾險發(fā)展策略中，應(yīng)當(dāng)關(guān)注三、四、五線城市的客戶，這些地區(qū)客戶的增加對于保險公司經(jīng)營效益會產(chǎn)生巨大的貢獻潛力。保險公司可以通過開展三、四、五線城市的保險分公司業(yè)務(wù)、增加代理人數(shù)量等手段，提高這類地區(qū)的重疾險覆蓋率。

3.基于性別差異的女性健康問題

考慮到性別對于重疾險的影響，保險公司在產(chǎn)品設(shè)計與營銷時應(yīng)當(dāng)考慮到性別差異。本文研究的樣本群體均在60歲以下，根據(jù)保險行業(yè)的經(jīng)驗數(shù)據(jù)，男性和女性在60歲之前患重疾的概率有所差異，其中，男性約為16%，女性約為14%，男性風(fēng)險高于女性。然而本文研究發(fā)現(xiàn)，女性重疾發(fā)生概率高于男性，這一現(xiàn)象在一、二線城市尤其顯著，因此，可以認為在發(fā)達地區(qū)的女性開始承受更多的壓力。保險公司在設(shè)計與銷售產(chǎn)品時，不能根據(jù)過往大范圍的經(jīng)驗數(shù)據(jù)盲目定價，應(yīng)當(dāng)考慮到地區(qū)發(fā)展程度為女性帶來的風(fēng)險，針對一、二線城市的白領(lǐng)女性，在核保時應(yīng)當(dāng)更為嚴謹，體檢單等核保項目應(yīng)該作為費率制定時著重考慮的因素。

4.基于經(jīng)濟差異的低收入人群健康監(jiān)測

鑒于低收入人群風(fēng)險較高這一分析結(jié)論，保險公司一方面要對被保險人普及定期體檢的必要性，并加大對其體檢和健康評估的力度，收集被保險人更為全面的健康信息，建立更為詳實的個人電子健康檔案；另一方面，保險公司可以通過加強與醫(yī)療服務(wù)機構(gòu)之間的合作，并利用當(dāng)下大數(shù)據(jù)的優(yōu)勢，建立被保險人身體健康信息動態(tài)監(jiān)管系統(tǒng)，從而降低公司的長期賠付風(fēng)險和經(jīng)營效率。

5.基于協(xié)同銷售的保險營銷團隊建設(shè)

根據(jù)客戶細分理論，在進行客戶細分分析后，為了使其細分結(jié)果能夠得到有效落實，保險公司需要建立專業(yè)成熟的團隊，上下一心，向著客戶細分目標努力。首先，在保險公司內(nèi)部，從上層領(lǐng)導(dǎo)到基層營銷人員，人人都應(yīng)該明確其主要目標客戶群體，并且建立協(xié)同一體的行動方略。其次，保險營銷方式和渠道的選擇，應(yīng)當(dāng)以客戶群體類型特征為重要參考。由于年輕人群體是重疾險銷售中的優(yōu)質(zhì)客戶，加之當(dāng)今社會數(shù)字化程度如此之高，重疾險營銷應(yīng)當(dāng)加大線上銷售渠道的投入。最后，在代理人團隊建設(shè)中，要注重代理人團隊成員的個人能力培養(yǎng)，基層營銷人員是實現(xiàn)客戶細分的一線團隊，這一團體的建設(shè)決定了前期客戶細分戰(zhàn)略能否落實。