分享到:
计算机应用 最近更新
讨论未来电商发展趋势论文提纲
浅谈自媒体对现代生活的影响
论文范文:网络发展对青少年心理发展的影响
论我国电子商务应用中的支付问题
电子商务模式研究
中小型企业客户关系管理系统的开发与应用
中石油浙江销售分公司信息管理系统设计
图书馆管理系统分析与设计
物流师职业资格认证报名管理系统
销售管理系统的开发与设计
酒店客房管理系统
财务管理系统的实现
餐饮管理系统设计与实现
社区卫生服务管理系统
汽车营销企业的客户关系管理系统
明道管理咨询有限公司客户关系管理系统设计与开发
企业订单管理系统开发
基于WEB的CRM信息系统的开发与研究
高校科研工作量统计系统的开发与设计
基于Struts的连锁店管理系统
论基于数据挖掘技术的保险行业决策分析

摘要:本文针对目前保险行业信息管理的现状,提出数据挖掘技术对保险行业的重大影响,简要说明了“保险行业决策系统V1.0”项目及其对挖掘算法的改进等。并通过实验论证了改进算法的优势,通过分析结果展示了数据挖掘技术能使保险行业有效地利用现有数据实现经营目标,预测保险业的发展趋势,进而在激烈的竞争中赢得先机。
  关键词:数据挖掘;关联分析;Apriori
  
  1 引言
  随着数据库技术的迅速发展以及数据库管理系统的广泛应用,各行各业积累的数据越来越多。日益剧增的数据背后隐藏着许多重要的信息,人们希望能够对其进行更高层次的分析,以便更好地利用这些数据。目前的数据库系统可以高效地实现数据的录入、查询、统计等功能,但无法发现数据中存在的关系和规则,无法根据现有的数据预测未来的发展趋势。缺乏挖掘数据背后隐藏的知识手段,导致了“数据爆炸但知识贫乏”的现象。
  随着计算机及网络技术的发展,获得某一行业有关资料已切实可行。而对于数量大、涉及面广的数据,依靠传统的简单汇总、按指定模式去分析的统计方法无法完成对数据的分析。因此,一种智能化的信息分析技术——“数据挖掘”(Data Mining)应运而生。
  数据挖掘(Data Mining)是从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。通过挖掘数据仓库中存储的大量数据,从中发现有意义的新的关联模式和趋势的过程。数据挖掘是一种新的商业信息处理技术,是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模型化处理,从中提取辅助商业决策的关键性数据。从而使企业在激烈的市场竞争中获得先机。就保险行业而言,目前具有广阔的市场需求。
  
  2 项目说明
  本项目开发了“保险行业决策系统V1.0”。本系统操作主界面利用ASP编程实现:数据预处理、客户购买险种分析、客户购买习惯分析、分析结果输出等功能;后台数据库利用Sql Server 2005网络数据库实现;挖掘工具采用SPSS Clementine 11.0;在研究实验阶段,针对Apriori算法存在的“存储复杂度”及“大量冗余规则”两大缺点进行了算法改进,通过利用一个模式树结构来降低Apriori算法的存储复杂度,并同时减少冗余规则的出现。
  本系统共分:数据预处理、客户购买险种分析、客户购买习惯分析、分析结果输出等主要功能模块。
  (1)“数据预处理”模块包括:上传、数据平台、数据处理、统计、生成数据集等功能。
  ● 上传:可完成保险总公司下设所有分公司数据的上传。
  ● 数据平台:在数据上传前允许对数据平台进行选择。
  ● 数据处理:对数据进行清理、格式转换等操作。
  ● 统计:对经过预处理的数据进行分析,提取有效性数据。
  ● 生成数据集:将统计过程提取的有效数据生成数据集,为数据挖掘提供较高质量的数据源。
  (2)“客户购买险种分析”模块包括:数据导入、参数设定、结果分析等功能。
  ● 数据导入:在此操作界面上,可通过选择不同数据平台将经过“数据预处理”生成的数据集分别导入。
  ● 参数设定:在此操作界面上设定“支持度”“置信度”等参数,对有效数据集中有分析价值的数据记录范围进行筛选。
  ● 结果分析:在此操作界面上可将“客户购买险种分析”的最终分析结果以“报表”、“图表”形式展示,此分析结果为行业提供了“同一客户购买本公司多种(次)保险”的客户信息,进而为行业提供了“可争取客户”的决策依据。
  (3)“客户购买习惯分析”模块包括:数据导入、参数设定、结果分析等功能。
  ● 数据导入:此操作同(2)“客户购买险种分析”模块中的“数据导入”。
  ● 参数设定:在此分别设定“输入参数”(包括:年龄、性别、职业等客户基本信息)及“输出参数”(客户购买的险种信息)。
  ● 结果分析:通过此操作界面可展示出客户购买习惯的分析结果,进而为行业提供了“可保持客户”的决策依据。
  (4)“分析结果输出”模块包括:“客户购买险种分析”“客户购买习惯分析”等分析结果的打印输出功能。
  
  3 项目中改进的快速算法
  由于Apriori算法存在时间空间复杂度高及产生大量冗余规则两大缺陷。因此本项目通过利用一个模式树结构来降低Apriori算法的存储复杂度,并同时减少冗余规则的出现。
  3.1 一个模式树的结构
  root是一个标为“null”的根结点,root以下是作为根结点的孩子的项目前缀子树集合,以及项目头表组成;树中的每一结点包含四个域user_id,count,node_link,node_next。其中,user_id为user的标记(唯一标识一个user),count为该父结点到达该结点的路径的数目,node_link指向树中具有相同的user_id的下一个结点的下一结点,当下一个结点不存在时,node_link为null,node_next指向树中其子结点;项目头表的每一表项包含三个域:user_id,count,head of node,user_id与树中的定义相同,count为树中所有相同user_id之和,head of node指向树中具有相同user_id值的首结点的指针。
  3.2 建立模式树
  算法如下:
  设事务数据库为A,其中的一个项集为Ai。
  算法:Patterntree(tree,p),构造模式树
  输入:用户事务数据库A
  输出:用户模式树
  Procedure Patterntree(T,p)
  {create_ tree (T);//创建Pattern-Tree的根节点,以“null”标记
  t=T; //t为当前结点
  While A<>null do
  {读入一个事务数据库项集Ai
  while p !=null
  do
  {if p.user_id==t的祖先n.user_id
  then
  { n.count=n.count+l;
  t=n;
   }
   Elseif p.user_id==T的孩子c.user_id
  then
   { c.count=c.count+ l;
  t=c ;
  }
   else
  insert_Patterntree(T,p) ;//把p作为新结点插入树中,作为当前结点的孩子结点
  p=p.next;
  }
  }
  }
  3.3 对模式树进行剪枝
  模式树建立后,可能存在大量的冗余的分枝,为了保证数据挖掘结果不被这些冗余分枝产生的噪声所影响,因此需要对树进行剪枝,剔除噪声信息。
  算法:SPT(Tree,a),通过调用此算法对模式树进行剪枝
  //SPT为支持度模式树,即Supported Access Pattern Tree;a为项目头表
  输入:模式树PatternTree,Min_Sup(模式树的最小支持度)
  输出:经过修剪后的支持度模式树SPT,模式B={bi|i=1,2,3……n}
  SPT(Tree,a)
  { i=1;
  While(ai!= null) // 为项目头表的某一项
  {
  if(ai.count>= Min_Sup)
  then
   {
  模式bi= ai.head of node ;

随机推荐
Apache+Php+Mysql在Linux下的安装与配置
事务存储结构的实现
基于ROR的网络订餐系统的设计与实现
NetWare与UNIX的互联方法与实现
基于移动技术的高校财务信息查询系统
用RMI开发基于Java的企业分布式应用
MD5算法的快速硬件实现
嵌入式MP3解码器中Huffman算法的硬件加速
NET中对象序列化方法
基于AVR单片机的灭火机器人设计与实现

设为首页 | 关于我们 | 广告联系 | 友情链接 | 版权申明

Copyright 2009-2014 All Right Reserved [粤ICP备05100058号-11]