张煦

（西华大学，四川 成都610039）

图1

利用训练样本对BP 神经网络进行迭代训练，当MSE1<0.01时，输入检验样本进行网络检验，当检验样本的输出误差MSE2满足误差要求时，结束对网络的训练；当其不满足时，继续对网络进行训练。重复该过程，直到检验样本的输出误差满足误差要求。[4]训练完成后的网络可以进行客户续保率的预测，本文利用了约2100 组客户记录进行测试，通过统计分析得到了该BP神经网络的总体误差分析（见图2、图3）。

图2

对训练样本、检验样本和测试数据分别计算实际输出与期望输出的误差（MSE），见表1。

表1

由于篇幅原因，本文详细展示该BP 神经网络对10 个客户续保概率的预测和他们实际的续保情况（见表2），其中保单号是随机抽取的。

表2

同时，对参与预测的约2100 组数据的实际输出的误差整体分布进行统计比对（见图3），可知该网络的性能较好，实际输出的误差基本均在可接受范围内，对客户的续保率预测较为准确，该网络得到的续保率预测结果可以作为下一步销售侧重点的参考。

图3

4 结论

BP 神经网络有很强的非线性映射能力，非常适合解决有大量样本数据的非线性问题。客户续保率与诸多因素有关，且因素间存在相互影响，属于内部机制复杂的非线性问题，所以采用构建BP 神经网络的方法进行预测可以该预测的准确性，得到的续保率可以对下一步的营销计划产生积极的指导意义。

在实际营销中，对客户续保率的预测是十分有必要的，一方面便于企业制定更加适合客户的保险方案，另一方面便于企业了解市场需求，精确制定营销策略和产品方案。