WEKA数据挖掘软件在车险业务应用中的分析

新视角

132 理论研究

WEKA 数据挖掘软件在车险业务应用中的分析

水静 张瑞

(兰州商学院信息工程学院,甘肃兰州730020)

摘要:本文通过分析利用开源WEKA 数据挖掘软件,尝试帮助中小企业进行保险业务欺诈行为挖掘预测,提升中小汽车保险企业业务分析管理水平。

关键词:数据挖掘;WEKA 软件;管理水平

0.行业背景介绍

我国汽车消费日趋旺盛,每年的汽车销售量大约以20%左右的比例增长。但最近几年车险市场的经营结果却并不能令人满意,这其中机动车保险欺诈是一个非常严重的影响因素。我国北京和上海的保险监管机构估测,我国的机动车保险约有20%的欺诈。主要的保险欺诈表现形式有故意伪造保险标的,骗取保险金;未发生保险事故而谎称发生保险事故骗取保险金;故意造成被保险人死亡、伤残或疾病等人身保险事故,骗取保险金和通过重复保险骗保。如何评价欺诈风险发生的可能性及控制欺诈风险的成本问题摆在了各个汽车保险公司面前。另一方面,汽车保险作为一种财产保险,与其他险种相比具有业务量较大,拥有大量客户信息、业务数据和财务数据的特点,这就为车险业务中应用数据仓库和数据挖掘技术创造了条件,目前我国汽车保险业务缺乏进行分析的技术支持和健全的数据统计体系,许多车险公司传统的数据库技术在预测知识的表达、综合和推理方面能力比较薄弱,难以满足日益提高的预测要求。同时,传统的方法无法满足运行效率、计算性能、准确率及存储空间的要求。在这种情况下,企业有必要利用数据挖掘技术来准确、及时地对欺诈风险进行监视、评价、预警和管理,在欺诈风险发生之前对其进行预警和控制,做好欺诈防范工作。

1.数据挖掘研究内容

数据挖掘可以从已构建的大型数据库中提取规则,为企业进行决策提供可靠的理论依据。数据挖掘技术包括关联规则挖掘、分类模型挖掘、特征分析和趋势分析预测等,它综合利用统计学、机器学习和人工智能的计算、分析和推理方法,将数据转化为知识。为提高保险企业决策支持水平,增进企业竞争力,就必须应用数据挖掘技术。应用于汽车保险企业的保险业欺诈行为数据挖掘主要步骤包括数据选择、数据预处理、数据转换、数据挖掘和数据分析。第一步,企业首先要明确数据挖掘的目的和解决问题的关键,根据企业的日常处理表单或数据库系统与数据仓库,找出客户特征、客户违约欺诈相关的数据,为挖掘建立数据保证。第二步,进行数据清理,主要包括的处理内容有空缺值、噪声数据和不一致数据。对有意义的属性进行保留,根据所要选择的算法对数据进行变换,例如,Apriori 算法就不接收数值属性。清理后的数据为进一步的挖掘工作奠定了可靠的基础。第三步,

根据不同的数据挖掘算法建立一个或者多个分析模型,要求能够准确的对数据集进行建模与描述。第四步,企业开始数据挖掘,在挖掘过程中必须针对自己的企业数据特点,选取最合适的数据挖掘算法。同时完成所有模式推导与知识的获取工作。第五步,在获取数据挖掘的结果之后,企业需要结合自己的实际情况对挖掘结果进行评估,最后,充分利用数据挖掘来指导日常的工作。

2.Weka 数据挖掘应用研究

目前,全世界有很多统计分析和数据挖掘软件可以进行数据挖掘,包括SAS 的企业挖掘者和IBM 的智能挖掘者、SPSS 的CLEM ENT INE 、M egaputer 的PolyA nalyst 等。这些产品几乎覆盖了所有可能盈利的商业应用领域,这些产品使用的分析方法包括有回归、决策树、神经网络、聚类分析等等。但这些产品使用成本过高,操作复杂,对于中小企业来说未必是最好的选择,而怀卡托智能分析环境Weka 是一个基于java 、用于数据挖掘和知识发现的开源项目,被公认是数据挖掘开源项目中最著名的一个,和其他数据挖掘工具的艰深复杂不同,使用w eka 软件的技术门槛很低。中小型保险企业完全可以充分利用软件的强大功能来实现本企业的数据挖掘工作。

在WEKA 平台上进行数据挖掘的第一步是数据准备,首先输入测试数据集,再对数据进行预处理,建立模型将处理完的数据集导入一种学习方案或模型中来预测未知的实例。在拥有了良好的源数据之后,用户就可以执行相应的数据挖掘工作。WEKA 的第一个功能选择项是分类,在车辆保险数据集中,选取是否索赔作为目标属性,其它属性作为条件属性。利用决策树生成工具对表所示的数据集生成一个决策树,根据决策树和投保人的详细信息,可以预测一段时间内索赔概率的大小,并相应制订某类投保人的保险费率。

我们测试数据来源于当地某一汽车保险公司管理系统中2003至2007年间的约6500条数据。针对 可能存在欺诈 为主题,经过数据的前期整理,得出1820条可用的数据样本集。其中判定对象属性包括有索赔人年龄、性别、索赔数额、有记录罚单数量和索赔先例结果六个。该样本集既含有离散型属性,又包含连续型属性,比较适合采用处理连续型属性的决策树算法来处理,这几个性能的比较实验都是采

新视角

理论研究133

用十字交叉的方式进行建模和预测的,实验情况分别见以下各表。由下表可以看出在对项目收集的汽车保险欺诈数据的分类算法检测时,在处理较大数据量的算法中,显示出SPRINT 算法对保险行业数据有较好的分类效果,平均预测准确率比其它算法略高,而且SPRIN T 和CART 算法有较好的建模速度和分析算法伸缩性。

表1 样本数据集:车险索赔

索赔人年龄

性别索赔数额有记录罚单数量

索赔先例

结果52男200001无欺诈38男180000无欺诈21女560012有欺诈!

!

!

!

!

!

表2 典型分类算法效率比较

SPRINT 算法

c4.5算法CART 算法NBT ree 算法分类准确率比较82.62%79.3482%78.42%80.71%建模速度比较

0.12563

0.31555

0.17555

4.27555

WEKA 的第二个功能选择项是聚类,欺诈识别聚类算法面向的是未分组数据,是一个将数据集划分为若干组或类的过程,它使用自动方式将数据放入各组中,同一组内的数据对象具有较高的相似度,机器发现数据之间的相似性的过程是一个机器学习的过程,对于车险来说,欺诈的目标行为就是骗取保险金,而与此对应的行为就是索赔。因此,在进行欺诈识别聚类分析时,应以骗保情况作为目标变量。对上述的保险实例数据,我们选择K 均值聚类分析方法进行聚类分析,结果如表3,可以看出所有的数据被分解为两类,骗保的占33%,无欺诈行为的占67%。通过聚类可以确定可能的伴随行为,比如投保人接受罚单比较多等事实。观察聚类结果,找出离群类别或数据,然后,反向查询这些类别或数据用于预测和识别的特征取值。对于多种可能的伴随行为进行分析,综合聚类结果以及异常类的特征,结合车险业务的实践经验,得出对于欺诈识别具有指导意义的规则或模型。

WEKA 的第三个功能选择项是关联规则挖掘,就是从大量的数据中挖掘出有价值描述数据项之间相互联系的有关知识。关联规则是数据挖掘的一种主要形式,而且它也是与大多数人想象的数据挖掘过程最为相似的一种数据挖掘形式。关联规则挖掘工具对个人索赔信息表进行挖掘,就可以得到一系列的关联规则。通过关联规则的挖掘,可以发现投保人中索赔的具有什么特征,不索赔的具有什么特征,这样保险公司就可以有针对性地对潜在客户开展工作,从而减少风险,提高公司盈利能力。通过分类模型进行风险分析,保险销售不再是一个盲目的行为,本文把数据挖掘中产生关联规则算法应用于保险公司客户信息管理系统中,取得很好的效果,根据挖掘的结果,保险公司可以对不同的消费人群,采取不同的营销策略,同时根据这些购买险种的关系,保险公司可以开发相对应的新的险种来适合对应的人群。如何能更快、更有效的产生频繁项目集是进一步研究的重点。在w eka 软件的本实验中,选择H opSpot 算法,结果表4所示,规则从投保人的年龄、索赔金额方面具体剖析了投保人的行为模式,揭示了导致或影响这些保险欺诈行为的各种因素,

其中一些能够为汽车保险企业提供决策上的支持。

表3 K 均值聚类算法结果图

表4 H otS pot 关联规则算法结果图

3.结束语

随着我国保险体制改革的深化,我国保险业的竞争日趋激烈。谁能正确地挖掘与分析隐含这些数据中的知识,谁就能更好地控制客户理赔风险,同时又可以向客户提供更好的保险产品与服务。目前普遍认为不存在某种方法能适合各种特点的数据,只有根据数据的特点来选择合适的算法,本文介绍的WEKA 挖掘软件系统功能比较完善,而且使用的技术门槛比较低,同时它包含了常用的数据挖掘算法和方法,完全可以保障汽车保险企业,特别是中小保险企业的数据挖掘需求,另外,企业还可以根据自己企业的需要选择数据、设置算法的参数,最后根据挖掘出来的结果,进行分析,提高业务绩效,但是,作为数据挖掘工具,WEKA 还存在着一些问题,比如它所集成的大部分算法对于大数据集的挖掘效率低,WEKA 系统所集成的算法并没有反映出新兴的研究成果,作者项目就是针对WEKA 数据挖掘算法的二次开发,对W EKA 进行了适当的补充,提升了该软件的适用性和针对性。

[注]本文系甘肃省教育厅2008年科研项目(0807B-04)和

兰州商学院2008重点项目阶段性成果。作者简介:

1.水静,硕士,兰州商学院信息工程学院讲师,研究方向:数据挖掘、CRM 。

2.张瑞,硕士,兰州商学院信息工程学院讲师,研究方向:数据挖掘。