[發明專利]保單續期收費難度預測方法和裝置

在審

• 申請號: 201710087320.9
• 申請日: 2017-02-17
• 公開（公告）號: CN107798615A
• 公開（公告）日: 2018-03-13
• 發明（設計）人: 劉行行
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06Q40/08
• 分類號: G06Q40/08;G06Q10/06
• 代理公司: 廣州華進聯合專利商標代理有限公司44224
• 代理人: 謝曲曲

1.一種保單續期收費難度預測方法，所述方法包括：

獲取預設時間段內的保單信息，所述保單信息包括保單續期繳費信息；

根據所述保單續期繳費信息將保單在寬限期內是否續期繳費作為目標變量，從所述保單信息中提取所有可能影響該目標變量的特征因素；

計算提取的每個特征因素對所述目標變量的影響度，根據所述影響度的大小篩選出影響所述目標變量的目標特征因素；

根據所述目標特征因素建立續期收費難度識別模型，所述續期收費難度識別模型用于預測目標保單的續收難度值。

2.根據權利要求1所述的方法，其特征在于，所述續期收費難度識別模型用于預測目標保單的續收難度值的步驟包括：

獲取待預測的目標保單數據，根據所述續期收費難度識別模型計算與目標保單對應的續收難度概率值；

根據計算得到的所述續收難度概率值確定與所述目標保單對應的續收難度值。

3.根據權利要求1所述的方法，其特征在于，所述計算提取的每個特征因素對所述目標變量的影響度，根據所述影響度的大小篩選出影響所述目標變量的目標特征因素的步驟包括：

計算每個特征因素對所述目標變量的影響權重；

根據所述影響權重計算得到每個特征因素對應的影響度；

根據所述影響度的大小篩選出對所述目標變量有影響的目標特征因素。

4.根據權利要求1所述的方法，其特征在于，所述根據所述目標特征因素建立保單續期收費難度識別模型的步驟包括：

將所述目標特征因素作為入模變量建立邏輯回歸模型；

將獲取的所述預設時間段內的保單信息作為所述邏輯回歸模型的訓練數據，通過訓練學習得到保單續期收費難度識別模型。

5.根據權利要求1-4任一所述的方法，其特征在于，在所述根據所述目標特征因素建立續期收費難度識別模型的步驟之前還包括：

采用逐步回歸的方法從所述目標特征因素中查找出引起多重共線性的因素；

將查找到的引起多重共線性的因素從所述目標特征因素中刪除。

6.一種保單續期收費難度預測裝置，其特征在于，所述裝置包括：

獲取模塊，用于獲取預設時間段內的保單信息，所述保單信息包括保單續期繳費信息；

提取模塊，用于根據所述保單續期繳費信息將保單在寬限期內是否續期繳費作為目標變量，從所述保單信息中提取所有可能影響該目標變量的特征因素；

篩選模塊，用于計算提取的每個特征因素對所述目標變量的影響度，根據所述影響度的大小篩選出影響所述目標變量的目標特征因素；

建立模塊，用于根據所述目標特征因素建立續期收費難度識別模型，所述續期收費難度識別模型用于預測目標保單的續收難度值。

7.根據權利要求6所述的裝置，其特征在于，所述裝置還包括：

計算模塊，用于獲取待預測的目標保單數據，根據所述續期收費難度識別模型計算與目標保單對應的續收難度概率值；

確定模塊，用于根據計算得到的所述續收難度概率值確定與所述目標保單對應的續收難度值。

8.根據權利要求6所述的裝置，其特征在于，所述篩選模塊包括：

權重計算模塊，用于計算每個特征因素對所述目標變量的影響權重；

影響度計算模塊，用于根據所述影響權重計算得到每個特征因素對應的影響度；

因素篩選模塊，用于根據所述影響度的大小篩選出對所述目標變量有影響的目標特征因素。

9.根據權利要求6所述的裝置，其特征在于，所述建立模塊包括：

模型建立模塊，用于將所述目標特征因素作為入模變量建立邏輯回歸模型；

訓練學習模塊，用于將獲取的所述預設時間段內的保單信息作為所述邏輯回歸模型的訓練數據，通過訓練學習得到保單續期收費難度識別模型。

10.根據權利要求6-9任一所述的裝置，其特征在于，所述裝置還包括：

查找模塊，用于采用逐步回歸的方法從所述目標特征因素中查找出引起多重共線性的因素；

刪除模塊，用于將查找到的引起多重共線性的因素從所述目標特征因素中刪除。