从营销的角度看数据产生的价值。此部分报告是笔者曾经在新人班中，给新人做过的培训内容(产生一定的成效)。在此，作详细记录（考虑到部分敏感词汇，故而部分内容省略）。

一、背景分析及问题提出

1.背景分析

2.问题提出

二、用到的主要工具

三、用户画像解读

四、数据清洗

1.用Excel对数据进行预处理

2.查看是否存在缺失值

五、特征分析

1.客户区域分布

2.从手机号中提取运营商

3.性别分布

4.客户忠诚度分析

六、结论及总结

一、背景分析及问题提出

1.背景分析

随着市场竞争的日益加剧，传统销售行业员工面临着巨大的压力。而保险营销，处在营销领域的金字塔顶端更是如此。因而，为提高公司新人留存率，提高员工绩效，提升团队产能，实现企业利润的最大化，需要采取不同的营销策略，将有限的资源集中在"高价值"的客户上。

2.问题提出

通过分析客户购买数据,建立合适的评估模型，对客户进行分群，从而指定合适的销售策略。我们知道，正常的销售流程包括以下几个方面：约访、面见、沟通、递送计划书、促成、递送合同。尽管每个人都知道这个流程，但是，实际工作中，由于工作的特殊性，作为一名新人，效率往往却很低下。为提高团队产能，笔者收集了部分客户的购买数据，对其进行分析，从而支持销售决策。
主要思考几个问题：购买保险的客户都是哪些人？他们有什么特点？与所在区域有怎样的关系？与手机号有怎样的联系？各个年龄段有什么特点？与性别的关系是什么？各年龄段购买保险的偏好？以及客户的忠诚度怎样？

二、用到的主要工具

Python版本： Python3.6

Excel：对数据适当清洗

pandas：数据分析读取数据

matplotlib：绘图

rcParams：用来正常显示中文,并设置中文字体

三、用户画像解读

用户画像的定义:用户画像又称用户角色，作为一种勾画目标用户、联系用户诉求与设计方向的有效工具，用户画像在各领域得到了广泛的应用。我们在实际操作的过程中往往会以最为浅显和贴近生活的话语将用户的属性、行为与期待联结起来。作为实际用户的虚拟代表，用户画像所形成的用户角色并不是脱离产品和市场之外所构建出来的，形成的用户角色需要有代表性能代表产品的主要受众和目标群体。
用户画像的核心工作:是为用户打标签，打标签的重要目的之一是为了让人能够理解并且方便计算机处理，比如可以做分类统计：购买客户占比比较高的是哪些区域?男女性别差异导致的购买偏好?出生年月、人物性格、星座差异、家庭收入、消费水平、购物忠诚度、兴趣爱好、职业类别、消费习惯等
用户画像在保险业的应用

四、数据清洗

1.用Excel对数据进行预处理

原始数据包含客户姓名、性别、年龄、手机号、购买险种,其中购买险种种类数和多次购买两项为计算所得,用到的Excel函数有：
(1)统计购买险种种类数：SUMPRODUCT((LEN(F2)-LEN(SUBSTITUTE(F2,"险",""))))
(2)计算是否多次购买(大于2则标记为1)：IF(H2>=2,1,0)(此指标也可用来粗略衡量客户的忠诚度)

2.查看是否存在缺失值

import pandas as pd
dt=pd.read_excel("D:/baogao/kehu.xls")    #读取数据
df=dt.describe()    #输出描述统计量,判断缺失值的存在与否
print(df)

统计量描述：

序号年龄购买险种种类多次购买
count 111.000000 110.000000 111.000000 111.000000
mean 56.000000 43.781818 1.549550 0.513514
std 32.186954 12.949005 0.567911 0.502084
min 1.000000 2.000000 1.000000 0.000000
25% 28.500000 33.250000 1.000000 0.000000
50% 56.000000 46.500000 2.000000 1.000000
75% 83.500000 52.000000 2.000000 1.000000
max 111.000000 64.000000 3.000000 1.000000
由上表数据可以看出：原始数据共计111条,年龄项缺失111-110=1项。因考虑到数据量较少,故而采用中位数46作替换。
代码如下：
填充年龄缺失值为中位数46

import pandas as pd
dt=pd.read_excel("D:/baogao/kehu.xls")
age=dt["年龄"].fillna(value=46)
print(age)

五、特征分析

1.客户区域分布

为探索客户购买数据与地理区域的关系,在此用Python统计客户所在区的数量,并绘制饼图,如下：
统计各个区数量并绘制饼图：

import pandas as pd
import matplotlib.pyplot as plt
dt=pd.read_excel("D:/baogao/kehu.xls")
df=dt.describe()
print(df)  #输出统计量,查看数据缺失与否
count = dt['区域'].value_counts()
plt.rcParams['font.sans-serif']=['SimHri']  #用来正常显示中文标签
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei'] #指定默认字体,解决plot不能显示中文问题
plt.pie(count, labels = count.keys() ,labeldistance=1.4,autopct='%2.1f%%') #绘制饼图,设置格式
plt.axis('equal')  #使饼图压缩为正圆形
plt.legend(loc='upper left', bbox_to_anchor=(-0.1, 1))  #添加图例,并设置图例位置
plt.savefig('location.jpg')
plt.show()

由上图表可以看出,购买量最多的客户所在区域分别是栖霞区、鼓楼区、建邺区、白下区、玄武区、浦口区,占据比例达到75%以上。与区域有明显的聚集关系。
查阅相关资料了解到：老南京以前的主城区分别为玄武，鼓楼，老白下区（现在的秦淮区）,现在加一个新的富人区建邺区。从这些地方可以看得出来,除了建邺区外购买保险最多的客户都是老南京人，有保险意识，有一定的经济条件。像栖霞,浦口地区购买的也占一定比例,说明这些地区也不乏有一定经济条件和有保险意识的。

2.从手机号中提取运营商

通讯分电信，联通，移动三大公司。理论上讲每个时间段出来的号码都能代表某个年代的人,从手机号可以大体推断属于哪一类人。
用Python进行手机号前三位的提取：
手机号前三位代表运营商、4-7位手机号码是归属地、后面4位数是客户号码

import pandas as pd
import matplotlib.pyplot as plt
dt=pd.read_excel("D:/baogao/kehu.xls")
dt["手机号"]=dt["手机号"].astype(str)
newdt=dt["手机号"].str.slice(0,3)  #抽取手机号码的前三位数(运营商)
count = newdt.value_counts()
#print(count)
fig = plt.figure()
plt.bar(count.keys(),count)
plt.savefig('手机号.jpg')
plt.show()

从上面图表手机号统计中可以看出来：139、138、137、开头的手机号客户更倾向于购买保险。从上述数据统计,查阅相关资料基本可以推断139、138、137这种老移动的号段，有可能是本地人也有可能外地的年轻人,并在南京住了很多年。有一定的经济基础。

3.性别分布

import pandas as pd
import matplotlib.pyplot as plt
dt=pd.read_excel("D:/baogao/kehu.xls")
df=dt.describe()
#print(df)
count = dt['性别'].value_counts()
plt.rcParams['font.sans-serif']=['SimHri']  #用来正常显示中文标签
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei'] ## 指定默认字体：解决plot不能显示中文问题
plt.pie(count, labels = count.keys() ,labeldistance=1.4,autopct='%2.1f%%')
plt.axis('equal')  # 使饼图为正圆形
plt.legend(loc='upper left', bbox_to_anchor=(-0.1, 1))  #添加图例,并设置图例位置
plt.savefig('性别.jpg')
plt.show()

从上面比例可以得出结论：女性客户相比于男性客户有更大的可能性购买保险。

4.客户忠诚度分析

购买两次以上占比与购买1次的比值相差不大,说明客户忠诚度一般,这个是后期需要考虑的内容,提高服务水平,增加客户的粘合度,增加多次购买的客户数量。

六、结论及总结

客户购买保险有一定的聚集性。首先,女性(57%)比男性更倾向于购买保险,这也与女性所扮演的社会角色有关系；其次,139,138,137手机号的客户相比之下有更大的可能性购买保险；最后,南京的栖霞区,建邺区,鼓楼区,下关区,秦淮区(75%以上)的老南京客户更倾向于购买保险。

值得一提的是,在此文章发表之前的一段时间,此篇文章已收到一定的成效：在新人班中的培训中,收到领导一致好评,新人产能得到明显的提高,整个团队的绩效达成也有很大改善！

存在的缺陷：
1.文章中所摘取的数据量不够大,也可能会导致一定的偏颇性。
2.数据量的重复：比如投保人和被保人的同时统计
3.数据中存在未成年人,没有作为考虑因素

数据分析在保险销售中的应用相关推荐

生活在数据时代；聊聊数据分析在当今社会生活中的有趣应用
以下文章内容,来自草堂君的新书<人人都会数据分析-从生活实例学统计>.因为新书中增添和细化了很多知识点,所以草堂君会逐步将这些内容补充到统计基础导航页中来,帮助大家建立数据分析思维.限于篇 ...
司铭宇讲师:上海某汽车4S店《销售倍增-汽车4S店保险销售技巧提升》培训
司铭宇讲师:上海某汽车4S店<销售倍增-汽车4S店保险销售技巧提升>培训应上海某汽车4S店的邀请司铭宇讲师为其提供了<销售倍增-汽车保险销售技巧提升>内训项目,在前期的沟通了 ...
2022年保险保险销售从业资格考试每日一练及答案
题库来源:优题宝公众号 2022年保险保险销售从业资格考试每日一练及答案,由优题宝公众号根据最新保险保险销售从业资格考试大纲与历年保险保险销售从业资格考试真题汇总编写,包含保险保险销售从业资格考试常考 ...
期缴保险销售技巧--赵振东老师
期缴保险销售技巧理财经理保险销售提升课 [课程背景] 作为理财经理,经常有这样的的遭遇和困惑: 销售依旧是产品推销导向而不是客户需求导向,沟通成本高.客户感知差,成功率低! 客户貌似总是不太相信我们 ...
SAP SD 销售中的借贷项凭证
SAP SD 销售中的借贷项凭证 SAP系统中,正常与客户的应收款都能通过销售订单来实现. 但实际操作中,常有收款后发现价格有误或其他原因需退款客户或补收客户货款的情况,或者客户需要少量的材料,但不能 ...
python运用在大数据中精准生活_大数据分析技术在生活中的广泛应用
段雯琼++薛然++任亚丽摘要文章介绍了大数据技术的即时性.准确性和预测性,并将大数据技术与公共交通.医药领域.移动通信网络优化相结合,从而方便了人们的生活,提高了人们的生活质量. [关键词]大数 ...
数据分析在微博营销中的应用
微博营销的案例有许多,微博营销的概念也有不少,但是微博营销的讨论中很少看到有说服力的证据能够说明微博营销的全貌或特点,更没有把数据分析作为论述的手段或依据.事实上,微博平台很适合进行的数据分析,而且 ...
Python数据分析找出数组中每行（或每列）中指定的百分位数 numpy.percentile()
[小白从小学Python.C.Java] [Python-计算机等级考试二级] [Python-数据分析] Python数据分析找出数组中每行(或每列) 中指定的百分位数 numpy.percent ...
销售中提问的技巧 PPT培训资料
本文转载自:风云社区 https://www.scoee.com/1943/销售中提问的技巧-ppt培训资料下载地址:销售中提问的技巧.ppt

数据分析在保险销售中的应用

一、背景分析及问题提出

1.背景分析

2.问题提出

二、用到的主要工具

三、用户画像解读

四、数据清洗

1.用Excel对数据进行预处理

2.查看是否存在缺失值

五、特征分析

1.客户区域分布

2.从手机号中提取运营商

3.性别分布

4.客户忠诚度分析

六、结论及总结

数据分析在保险销售中的应用相关推荐

最新文章

热门文章