STP分析--保险公司客户分类分析(采用SPSS进行分析)

文章目录

  • 研究目的:精准营销
  • 研究内容:客户分类维度
  • 数据获取与处理
    • 设计调查问卷及确定调研计划
    • 数据处理
  • 数据分析架构
    • 客户细分
    • 目标客户选择
    • 目标客户定位
  • 数据分析与输出结果
    • 确定分类维度
    • 分类维度的消减
      • 适应性检验
      • 因子提取
    • 因子旋转
    • 因子命名
    • 计算因子得分
    • 设置因子变量
    • 分类维度的数据转化
    • 细分方法的选择
  • 聚类分析
    • 确定类别数
    • 保存聚类成员
    • 聚类效果检验
    • 细分客户命名
  • 目标客户选择
    • 计算客户吸引力
    • 计算企业竞争力
    • 绘制矩阵图
    • 目标客户定位
      • 目标客户特征描述
      • 目标客户需求定位

研究目的:精准营销

“集中优势兵力,打击一点”,通过对车险客户分类调研,开展精准营销,以便建立起自身的相对优势。

研究内容:客户分类维度

客户分类维度共五种:
自然属性因素一一客户作为自然人的性别、年龄、地域等属性,
社会特征因素一一客户作为社会人的收入、职业、教育程度等属性
行为特征因素一客户在购买过程中对媒体、渠道、产品、服务、价格、品牌的选择,以及购买数量和购买频次等行为特征。
态度偏好因素一客户的心理需求、购买动机、使用习惯、使用体验与态度倾向等
生活状态与个性因素一客户的生活方式、价值观与个性特点等
其中,前三类属于事前分类维度:后两类属于事后分类维度
在这里插入图片描述

数据获取与处理

设计调查问卷及确定调研计划

数据处理

录入数据,数据编码、清洗无用数据,重复数据,不合理数据,错误数据。
在这里插入图片描述

数据分析架构

客户细分

客户细分又分三步
首先,明确从哪个维度对客户进行分类。若选择多个分类维度,则往往还要对这些维度进行处理。若维度间有相关性,则要做因子分析;若维度间量纲不同,则要做标准化处理。
然后,选择合适的细分方法。
最后,用所选定的细分方法对客户进行聚类。聚类过程需要解决4个问题:
客户要聚成几类(即确定类别数)?
每个客户具体属于哪一类(即保存聚类成员)?
聚类结果是否有效(即聚类效果检验)?
聚类出的各类客户各自具有什么特征(即细分客户命名)?

目标客户选择

目标客户选择也分三步。
首先,明确按什么标淮选择目标客户,即确定衡量客户吸引力和企业竞争力的指标
然后,根据各细分客户在这些指标上的表现,计算出客户吸引力和企业竞争力的得分。
最后,采用矩阵分析,找出吸引力和竞争力较好的细分客户作为保险公司的目标客户。

目标客户定位

目标客户选出来了,接下来就要针对目标客户开展精准营销,这就是目标客户定位。因此,目标客户定位需要解决两个问题:

  1. 目标客户长什么样,和其他细分客户相比,有哪些显著的特征?
  2. 目标客户有哪些偏好,和其他细分客户相比,有哪些不同的需求?
    第一个问题即目标客户的特征描述问题。分析思路是先通过方差分析判断目标客户在哪些特征上与其他客户存在显著性差异,然后利用对应分析方法对这些特征进行描述。
    第二个问题即目标客户的需求定位问题,分析思路是先通过方差分析判断目标客户在哪些需求上与其他客户存在显著性差异,然后利用交叉分析、比较均值方法对这些需求进行描述,并结合需求特点,提出营销组合策略。

数据分析与输出结果

确定分类维度

由于事后分类维度优于事前分类维度,因此选择表达客户生活状态的九个语句作为第一个分类维度(细分维度1);接触到细分客户才能落地精准营销方案,因此选择保费金额作为第二个细分维度(细分维度2)

分类维度的消减

细分维度1中各选项间具有相关性,这种相关性会造成重叠信息的扩大化,增加分类偏差,因此需要剔除语句间的相关性:

适应性检验

检验原始维度间是否具有相关性,无相关性则不适合做因子分析
在这里插入图片描述
在这里插入图片描述
KMO>0.7,显著性Sig<0.05,适合做因子分析。

因子提取

提取的因子对这九个语句的解释度均超过60%,说明所提取的因子对原始维度具有一定的解释力。
在这里插入图片描述
从解释的总方差可知,按照特征值>1的标准,应提取前四个因子。前四个因子的累积方差贡献率为69.712%,说明这些因子能够解释总体信息量的69.7125。
在这里插入图片描述

因子旋转

在这里插入图片描述
上表中的数值称为因子载荷,表示因子对维度(即9个语句)信息的解释程度
从上表可知,因子1解释了“买衣服都买便宜的”这个维度54.1%的信息,而因子2解释了该维度490%的信息,54.1%与49.0%数值相近,表明因子1和因子2都具有该维度的特征,具有相关性。同理,该表还显示出因子1和因子2都具有“喜欢独自享受安静的生活”“下班后尽快回家”维度的特征,因子1和因子4都具有“为享受而产生的浪费是必要的”维度的特征。如前所述,因子分析的目的就是剔除相关性,使各个因子具有差异化的特征,而目前的成分矩阵没有达到既定效果,因此需要进行因子旋转。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

因子命名

整理出各因子的因子载荷及维度特征如下表:

享受型因子(1)居家型因子外向型因子自信型因子
维度特征买房子前要有车0.831买衣服都买便宜的0.671休息时经常进行户外活动0.870对自己的生活很满意0.824
维度特征不惜金钱和时间装修房子0.835喜欢独自享受安静的生活0.783尝试生活充满变化0.783为享受而产生的浪费是必要的
维度特征下班后尽快回家0.741

计算因子得分

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

设置因子变量

在这里插入图片描述
2,3,4一样的方法。
在这里插入图片描述

分类维度的数据转化

在这里插入图片描述
在这里插入图片描述

细分方法的选择

由于细分维度一个是分类变量,一个是连续变量,所以此次选择层次聚类方法。

聚类分析

确定类别数

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
初步判断聚成五类。

保存聚类成员

在这里插入图片描述
在这里插入图片描述

聚类效果检验

在这里插入图片描述
在这里插入图片描述
显著性<0.05,聚类效果良好

细分客户命名

在这里插入图片描述
在这里插入图片描述
由于保费金额为数值型数据,因此使用比较均值来刻画各类客户在消费档次上的差异:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

目标客户选择

将客户划分成几类细分客户后,接下来要做的是选择目标客户。
如何选择目标客户?需要考虑两个问题:

  1. 客户吸引力如何,值不值得你去做
  2. 企业竞争力如何,你能不能做得来?
    刻画客户吸引力的指标有客户规模、增长率、利润空间、生命周期等;刻画企业竞争力的指标有企业的市场份额、品牌口碑、资源实力等。
    在这里插入图片描述

计算客户吸引力

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

计算企业竞争力

在这里插入图片描述
在这里插入图片描述

绘制矩阵图

在这里插入图片描述

目标客户定位

保险公司的目标客户是中端外向型客户,找出他们与其他细分客户的明显不同。

目标客户特征描述

在这里插入图片描述
在这里插入图片描述
可知,在年龄,城市,家庭月收入,性别,购买车险的汽车价格上存在明显差异。
在这里插入图片描述
权重分别为5,2,3,7,5,4,即相对应题目的选项个数在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
可以得到以下结论:
低端居家型客户的年龄多在18-30岁之间,家庭月收入多在1万元以下,多集
中在成都和西安,家用轿车的价位多在10万元以下,并具有明显的女性特征。
高端享受型客户上海居多,家庭月收入多超过1.5万元,家用轿车的价位多在30万元以上。
中端享受型客户的家庭月收入多为1-1.5万元,在广州和沈阳居多
中端自信型客户的年龄偏大,多为41-55岁,家用轿车的价位多为10-20万元。
而甲保险公司的目标客户一中端外向型客户的年龄多为31-40,多集中在北京,在武汉的分布比例也比其他细分客户高,家用轿车的价位多在20-30万元之间,并具有明显的男性特征。

目标客户需求定位

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
甲保险公司目标客户:中端外向型客户对甲保险公司认同度最高
在这里插入图片描述
各类客户满意度整体不高,甲保险公司的目标客户并不满意,可进行进一步调研,找出为什么不满意。
在这里插入图片描述
甲保险公司的目标客户更关注亲朋推荐。
在这里插入图片描述
在这里插入图片描述
甲保险公司目标客户在2500-3000之间,更关注保险产品的个性化。
由于其他需求特征不存在显著性差异,所以不需要进行对比分析,只需分析中端外向型客户即可。
第一步选择只分析中端外向型客户
在这里插入图片描述
在这里插入图片描述
第二步通过频数统计来描述中端外向型客户在决策时间、是否收集信息、信息收集渠道、投保渠道及索赔经历上的需求特征
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/474870.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

详解Objective-C消息传递机制

Objective-C获取消息工作机制是本文要介绍的内容&#xff0c;看name mangling的时候&#xff0c;也讲到了Objective-C的name mangling&#xff0c;于是又重新读了一下Objective-C 2.0 programming Language以及Objective-C 2.0 Runtime Reference里的相关内容,自己归纳一下 。…

vuedraggable示例_vuedraggable快速入门

value和list这两个都可以给一个draggable注入数据源&#xff1a;/*value注入数据源*/export default {data() {return {list:[{name:aaa,id:1,},{name:bbb,id:2,}]};}}/*list注入数据源头*/export default {data() {return {list:[{name:aaa,id:1,},{name:bbb,id:2,}]};}}它们的…

LeetCode MySQL 1468. 计算税后工资

文章目录1. 题目2. 解题1. 题目 Salaries 表&#xff1a; ------------------------ | Column Name | Type | ------------------------ | company_id | int | | employee_id | int | | employee_name | varchar | | salary | int | ----------…

ETL详解

ETL是将业务系统的数据经过抽取、清洗转换之后加载到数据仓库的过程&#xff0c;目的是将企业中的分散、零乱、标准不统一的数据整合到一起&#xff0c;为企业的决策提供分析依据。 ETL是BI项目重要的一个环节。 通常情况下&#xff0c;在BI项目中ETL会花掉整个项目至少1/3的时…

博客园

为更好的分享本人的博客&#xff0c;本人在博客园地址&#xff1a;http://www.cnblogs.com/blogyuan/&#xff0c;里面也有博文&#xff0c;本博客将不定期将两个博客上的博文同步&#xff0c;欢迎转载&#xff01; 转载于:https://www.cnblogs.com/blogyuan/archive/2012/11/0…

LeetCode MySQL 1421. 净现值查询

文章目录1. 题目2. 解题1. 题目 表: NPV ------------------------ | Column Name | Type | ------------------------ | id | int | | year | int | | npv | int | ------------------------ (id, year) 是该表主键. 该表有…

apache大师+伪静态_Apache开启伪静态示例

Apache开启伪静态示例环境&#xff1a;系统 WindowsApache 2.2加载Rewrite模块&#xff1a;在conf目录下httpd.conf中找到LoadModule rewrite_module modules/mod_rewrite.so这句&#xff0c;去掉前边的注释符号“#”&#xff0c;或添加这句。允许在任何目录中使用“.htaccess”…

从入门到深入Fiddler 2 (二)

AutoResponder 快速引用 今天我们来看一下Fiddler的AutoResponder选项卡的强大功能。 Fiddler的AutoResponder 选项卡允许你使用本地硬盘的文件来作为返回内容&#xff0c;而不是把请求发往服务器。 创建AutoResponder 规则。 使用AutoResponder选项卡&#xff0c;你可以创建一…

探索性数据分析EDA及数据分析图表的选择

文章目录一、探索性数据分析EDA二、数据分析图表的选择一、探索性数据分析EDA 探索性数据分析(Exploratory Data Analysis&#xff0c;简称EDA)&#xff0c;指对数据分析的过程中尽量不加入先验假设&#xff0c;而是通过作图表和统计等方式来探索数据结构和规律。 在EDA中你可…

LeetCode MySQL 608. 树节点

文章目录1. 题目2. 解题1. 题目 给定一个表 tree&#xff0c;id 是树节点的编号&#xff0c; p_id 是它父节点的 id 。 ---------- | id | p_id | ---------- | 1 | null | | 2 | 1 | | 3 | 1 | | 4 | 2 | | 5 | 2 | ---------- 树中每个节点属于以下三种类…

xshell 打开文件跳转到最后_如何在Xshell中打开Xftp

Xftp作为远程文件传输软件&#xff0c;与Xshell终端模拟器同属于Xmanager&#xff0c;这两款软件经常配合使用&#xff0c;用来给远程服务器上传文件非常方便。那么在使用Xshell的时候怎样打开Xftp呢&#xff1f;下面就来给大家介绍具体操作技巧。如果安装了一、XShell中打开如…

网络资源-深入剖析Binding2(学习)

WPF Binding WPF里分三种Binding&#xff1a;Binding&#xff0c; PriorityBinding, MultiBinding,这三种Binding的基类都是BindingBase&#xff0c;而BindingBase又继承于MarkupExtension Binding&#xff1a; 提供对绑定定义的高级别访问&#xff0c;绑定将绑定目标对象&…

LeetCode MySQL 1045. 买下所有产品的客户

文章目录1. 题目2. 解题1. 题目 Customer 表&#xff1a; ---------------------- | Column Name | Type | ---------------------- | customer_id | int | | product_key | int | ---------------------- product_key 是 Product 表的外键。Product 表&#xff1…

统计学中常用的数据分析方法汇总

文章目录一、描述统计二、假设检验三、信服分析四、列联表分析五、相关分析六、方差分析一、描述统计 描述统计是通过图表或数学方法&#xff0c;对数据资料进行整理、分析&#xff0c;并对数据的分布状态、数字特征和随机变量之间关系进行估计和描述的方法。描述统计分为集中…

java组装树状结构数据集合_JAVA构建List集合为树形结构

package com.zving.tree;import java.util.ArrayList;import java.util.List;/*** 树形结构实体类* author clove*/public class Node {private int id;private int pid;private String name;private String type;private List children new ArrayList<>();public Node(…

过拟合(overfitting)和欠拟合(underfitting)出现原因及如何避免方案

文章目录欠拟合一、什么是欠拟合&#xff1f;二、欠拟合出现原因三、解决欠拟合(高偏差)的方法过拟合一、什么是过拟合&#xff1f;二、过拟合出现原因三、解决过拟合(高方差)的方法欠拟合 一、什么是欠拟合&#xff1f; 欠拟合是指模型不能在训练集上获得足够低的误差。换句…

斯坦佛编程教程-Unix编程工具(五)

Unix Shell 这个部分是总结一下在Unix shell中使用的大多数的命令。 文件命令 cd directory 改变路径&#xff0c;如果directory没有指明&#xff0c;那么就返回home目录。 pwd 显示当前路径。 ls 显示目录下的内容&#xff0c;ls -a会显示以点开头的文件&#xff0c;ls…

LeetCode MySQL 612. 平面上的最近距离

文章目录1. 题目2. 解题1. 题目 表 point_2d 保存了所有点&#xff08;多于 2 个点&#xff09;的坐标 (x,y) &#xff0c;这些点在平面上两两不重合。 写一个查询语句找到两点之间的最近距离&#xff0c;保留 2 位小数。 | x | y | |----|----| | -1 | -1 | | 0 | 0 | …

数据库开发设计规范及表结构设计原则

文章目录一. 命名规范二. 库表基础规范三. 字段规范四. 索引规范五. SQL设计①.正规化表设计原则②.SQL设计③.“三少原则”六. 行为规范一. 命名规范 1.库名、表名、字段名必须使用小写字母&#xff0c;并采用下划线分割 (1)MySQL有配置参数lower_case_table_names1&#xff…

python离散点的线性回归_用python玩点有趣的数据分析——一元线性回归分析实例...

http://python.jobbole.com/81215/本文参考了博乐在线的这篇文章&#xff0c;在其基础上加了一些自己的理解。其原文是一篇英文的博客&#xff0c;讲的十分通俗易懂。本文通过一个简单的例子&#xff1a;预测房价&#xff0c;来探讨怎么用python做一元线性回归分析。1. 预测一下…