本發(fā)明涉及數(shù)據(jù)評估技術(shù)領(lǐng)域，特別是一種投保等級分析方法、服務(wù)器及終端。

背景技術(shù)：

目前，很對保險公司開發(fā)了許多針對團體客戶的險種，在對待承保的團體客戶進行承保評估時，通常是保險公司工作人員根據(jù)個人經(jīng)驗分析待承保的團體客戶的承保風險，準確性和及時性難以保證，同時，這種評估方式耗費很大的人力、物力。

技術(shù)實現(xiàn)要素：

鑒于以上內(nèi)容，有必要提供一種投保等級分析方法、服務(wù)器及終端，可以快速分析投保團體的等級數(shù)據(jù)，避免傳統(tǒng)人工評估所耗費的大量人力、物力。

一種投保等級分析方法，包括：

基于多個已投保團體的投?？蛻舻耐侗?shù)據(jù)，按照預(yù)設(shè)的模型生成規(guī)則，生成一個分析預(yù)測模型；

在收到新的投保團體等級分析指令時，獲取待分析的投保團體的投保數(shù)據(jù)；

根據(jù)預(yù)設(shè)分析規(guī)則，對獲取的待分析投保團體的投保數(shù)據(jù)種類進行分析處理，以獲取該待分析投保團體的各個預(yù)設(shè)種類數(shù)據(jù)的分析數(shù)據(jù)；及

將所述待分析的投保團體的分析數(shù)據(jù)代入上述生成的分析預(yù)測模型中，分析出該分析的投保團體的等級。

優(yōu)選地，所述分析預(yù)測模型為支持向量機模型。

優(yōu)選地，所述預(yù)設(shè)的模型生成規(guī)則為：將所述多個已投保團體的投保數(shù)據(jù)中預(yù)設(shè)種類數(shù)據(jù)根據(jù)預(yù)設(shè)分析規(guī)則進行分析處理，獲得已投保團體的各個預(yù)設(shè)種類數(shù)據(jù)的分析數(shù)據(jù)；對各個已投保團體按照預(yù)設(shè)判斷規(guī)則進行等級劃分，將不同等級的分析數(shù)據(jù)分放到不同的文件夾里，從不同的文件夾下各提取第一預(yù)設(shè)比例的各個預(yù)設(shè)類型的分析數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，以進行分析預(yù)測模型的訓(xùn)練，再從不同文件夾下各剩下的第二預(yù)設(shè)比例的各個預(yù)設(shè)類型的分析數(shù)據(jù)對應(yīng)的分析數(shù)據(jù)作為測試數(shù)據(jù)，用以評估模型的分類識別效果；若生成的分析預(yù)測模型準確率小于等于預(yù)設(shè)準確率，則增加已投保團體的投保數(shù)據(jù)的獲取數(shù)量，重復(fù)上述模型的生成過程，直到生成的分析預(yù)測模型準確率大于預(yù)設(shè)準確率。

優(yōu)選地，所述預(yù)設(shè)分析規(guī)則包括：對于連續(xù)數(shù)值的數(shù)據(jù)種類計算平均值，對于非為連續(xù)數(shù)值的數(shù)據(jù)種類進行占比計算。

優(yōu)選地，所述預(yù)設(shè)判斷規(guī)則包括：投保利潤大于第一閾值且利潤率大于第二閾值的投保團體為優(yōu)質(zhì)團體；投保利潤小于第三閾值且利潤率小于第四閾值的投保團體為較差團體；其他情況為一般團體，進行等級劃分。

鑒于以上內(nèi)容，還有必要提供一種適用于上述方法的服務(wù)器，其可以快速分析投保團體的等級數(shù)據(jù)，避免傳統(tǒng)人工評估所耗費的大量人力、物力。

一種適用于上述方法的服務(wù)器，該服務(wù)器包括存儲設(shè)備以及處理器，其中：

所述存儲單元，用于存儲一個投保等級分析系統(tǒng)；

所述處理器，用于調(diào)用并執(zhí)行所述投保等級分析系統(tǒng)，以執(zhí)行如下步驟：

基于多個已投保團體的投?？蛻舻耐侗?shù)據(jù)，按照預(yù)設(shè)的模型生成規(guī)則，生成一個分析預(yù)測模型；

在收到新的投保團體等級分析指令時，獲取待分析的投保團體的投保數(shù)據(jù)；

根據(jù)預(yù)設(shè)分析規(guī)則，對獲取的待分析投保團體的投保數(shù)據(jù)種類進行分析處 理，以獲取該待分析投保團體的各個預(yù)設(shè)種類數(shù)據(jù)的分析數(shù)據(jù)；及

將所述待分析的投保團體的分析數(shù)據(jù)代入上述生成的分析預(yù)測模型中，分析出該分析的投保團體的等級。

優(yōu)選地，所述預(yù)設(shè)的模型生成規(guī)則為：將所述多個已投保團體的投保數(shù)據(jù)中預(yù)設(shè)種類數(shù)據(jù)根據(jù)預(yù)設(shè)分析規(guī)則進行分析處理，獲得已投保團體的各個預(yù)設(shè)種類數(shù)據(jù)的分析數(shù)據(jù)；對各個已投保團體按照預(yù)設(shè)判斷規(guī)則進行等級劃分，將不同等級的分析數(shù)據(jù)分放到不同的文件夾里，從不同的文件夾下各提取第一預(yù)設(shè)比例的各個預(yù)設(shè)類型的分析數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，以進行分析預(yù)測模型的訓(xùn)練，再從不同文件夾下各剩下的第二預(yù)設(shè)比例的各個預(yù)設(shè)類型的分析數(shù)據(jù)對應(yīng)的分析數(shù)據(jù)作為測試數(shù)據(jù)，用以評估模型的分類識別效果；若生成的分析預(yù)測模型準確率小于等于預(yù)設(shè)準確率，則增加已投保團體的投保數(shù)據(jù)的獲取數(shù)量，重復(fù)上述模型的生成過程，直到生成的分析預(yù)測模型準確率大于預(yù)設(shè)準確率。

優(yōu)選地，其中：

所述預(yù)設(shè)分析規(guī)則包括：對于連續(xù)數(shù)值的數(shù)據(jù)種類計算平均值，對于非為連續(xù)數(shù)值的數(shù)據(jù)種類進行占比計算；及

所述預(yù)設(shè)判斷規(guī)則包括：投保利潤大于第一閾值且利潤率大于第二閾值的投保團體為優(yōu)質(zhì)團體；投保利潤小于第三閾值且利潤率小于第四閾值的投保團體為較差團體；其他情況為一般團體，進行等級劃分。

鑒于以上內(nèi)容，還有必要提供一種適用于上述方法的個人終端，其可以快速分析投保團體的等級數(shù)據(jù)，避免傳統(tǒng)人工評估所耗費的大量人力、物力。

一種適用于上述方法的終端，該終端包括存儲設(shè)備以及處理器，其中：

所述存儲單元，用于存儲有一個投保等級分析系統(tǒng)；

所述處理器，用于調(diào)用并執(zhí)行所述投保等級分析系統(tǒng)，以執(zhí)行如下步驟：

所述存儲單元，用于存儲一個投保等級分析系統(tǒng)；

所述處理器，用于調(diào)用并執(zhí)行所述投保等級分析系統(tǒng)，以執(zhí)行如下步驟：

基于多個已投保團體的投?？蛻舻耐侗?shù)據(jù)，按照預(yù)設(shè)的模型生成規(guī)則，生成一個分析預(yù)測模型；

在收到新的投保團體等級分析指令時，獲取待分析的投保團體的投保數(shù)據(jù)；

根據(jù)預(yù)設(shè)分析規(guī)則，對獲取的待分析投保團體的投保數(shù)據(jù)種類進行分析處理，以獲取該待分析投保團體的各個預(yù)設(shè)種類數(shù)據(jù)的分析數(shù)據(jù)；及

將所述待分析的投保團體的分析數(shù)據(jù)代入上述生成的分析預(yù)測模型中，分析出該分析的投保團體的等級。

優(yōu)選地，所述預(yù)設(shè)的模型生成規(guī)則為：將所述多個已投保團體的投保數(shù)據(jù)中預(yù)設(shè)種類數(shù)據(jù)根據(jù)預(yù)設(shè)分析規(guī)則進行分析處理，獲得已投保團體的各個預(yù)設(shè)種類數(shù)據(jù)的分析數(shù)據(jù)；對各個已投保團體按照預(yù)設(shè)判斷規(guī)則進行等級劃分，將不同等級的分析數(shù)據(jù)分放到不同的文件夾里，從不同的文件夾下各提取第一預(yù)設(shè)比例的各個預(yù)設(shè)類型的分析數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，以進行分析預(yù)測模型的訓(xùn)練，再從不同文件夾下各剩下的第二預(yù)設(shè)比例的各個預(yù)設(shè)類型的分析數(shù)據(jù)對應(yīng)的分析數(shù)據(jù)作為測試數(shù)據(jù)，用以評估模型的分類識別效果；若生成的分析預(yù)測模型準確率小于等于預(yù)設(shè)準確率，則增加已投保團體的投保數(shù)據(jù)的獲取數(shù)量，重復(fù)上述模型的生成過程，直到生成的分析預(yù)測模型準確率大于預(yù)設(shè)準確率。

本發(fā)明所述投保等級分析方法、服務(wù)器及終端，通過建立分析預(yù)測的評估模型，快速分析投保團體的等級數(shù)據(jù)，避免傳統(tǒng)人工評估所耗費的大量人力、物力。

附圖說明

圖1是本發(fā)明投保等級分析系統(tǒng)第一實施例的硬件環(huán)境圖。

圖2是本發(fā)明投保等級分析系統(tǒng)第二實施例的硬件環(huán)境圖。

圖3是本發(fā)明投保等級分析系統(tǒng)較佳實施例的功能模塊圖。

圖4是本發(fā)明投保等級分析方法較佳實施例的方法實施流程圖。

具體實施方式

參閱圖1所示，是本發(fā)明投保等級分析系統(tǒng)第一實施例的硬件環(huán)境圖。

本實施例所述投保等級分析系統(tǒng)2可以安裝并運行于一臺服務(wù)器1中。所述服務(wù)器1可以通過通訊模塊(未圖示)與至少一臺個人終端3通訊連接，所述個人終端3可以是個人電腦、智能手機、平板電腦等設(shè)備。所述個人終端3包括輸入設(shè)備30及顯示設(shè)備31。

所述服務(wù)器1可以包括有處理器以及存儲設(shè)備(未圖示)。所述處理器是服務(wù)器1的運算核心(coreunit)和控制核心(controlunit)，用于解釋計算機指令以及處理計算機軟件中的數(shù)據(jù)。所述存儲設(shè)備可以是一個或者多個非易失性存儲單元，如rom、eprom或flashmemory(快閃存儲單元)等。所述存儲設(shè)備可以內(nèi)置或者外接于服務(wù)器1。

本實施例中，所述投保等級分析系統(tǒng)2可以是一種計算機軟件，其包括計算機可執(zhí)行的程序指令代碼，該程序指令代碼可以存儲于所述存儲設(shè)備中，在所述處理器的執(zhí)行下，實現(xiàn)下述功能：從與所述服務(wù)器1連接的數(shù)據(jù)庫4中獲取多個已投保團體的投?？蛻舻耐侗?shù)據(jù)，基于所述已投保團體的投保數(shù)據(jù)，按照預(yù)設(shè)的模型生成規(guī)則，生成一個分析預(yù)測模型。

所述預(yù)設(shè)的模型生成規(guī)則為：將所述多個已投保團體的投保數(shù)據(jù)中預(yù)設(shè)種類數(shù)據(jù)，例如，年齡、性別、職業(yè)、職位、所屬企業(yè)性質(zhì)，包括政府機關(guān)單位、國企、民企、外企等，根據(jù)預(yù)設(shè)分析規(guī)則進行分析處理，獲得已投保團體的各個預(yù)設(shè)種類數(shù)據(jù)的分析數(shù)據(jù)。對各個已投保團體按照預(yù)設(shè)判斷規(guī)則進行等級劃分，將不同等級的分析數(shù)據(jù)分放到不同的文件夾里，從不同的文件夾下各提取第一預(yù)設(shè)比例，例如，70％，的各個預(yù)設(shè)類型的分析數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，以進行分析預(yù)測模型的訓(xùn)練，再從不同文件夾下各剩下的第二預(yù)設(shè)比例，例如，30％，的各個預(yù)設(shè)類型的分析數(shù)據(jù)對應(yīng)的分析數(shù)據(jù)作為測試數(shù)據(jù)，用以評估模型的分 類識別效果；若生成的分析預(yù)測模型準確率小于等于預(yù)設(shè)準確率，例如，99％，則增加已投保團體的投保數(shù)據(jù)的獲取數(shù)量，重復(fù)上述模型的生成過程，直到生成的分析預(yù)測模型準確率大于預(yù)設(shè)準確率，例如，99％。

所述預(yù)設(shè)分析規(guī)則進行分析處理包括，例如，對于連續(xù)數(shù)值的數(shù)據(jù)種類，例如，“年齡”計算平均值；對于非為連續(xù)數(shù)值的數(shù)據(jù)種類，例如，“性別”、“職業(yè)”、“職位”、“所屬企業(yè)性質(zhì)”按預(yù)設(shè)處理邏輯給出對應(yīng)的運算結(jié)果。預(yù)設(shè)處理邏輯為：對非為連續(xù)數(shù)值的數(shù)據(jù)種類進行占比計算，例如，投保團體中男性占比、管理職占比、國企工作占比等、研發(fā)人員占比等。因此，所得到的預(yù)設(shè)種類數(shù)據(jù)的分析數(shù)據(jù)包括，例如，年齡的平均值、性別的占比、職位的占比、所屬企業(yè)性質(zhì)的占比等。

所述預(yù)設(shè)判斷規(guī)則包括，例如，投保利潤大于第一閾值且利潤率大于第二閾值的投保團體為優(yōu)質(zhì)團體；投保利潤小于第三閾值且利潤率小于第四閾值的投保團體為較差團體；其他情況為一般團體，進行等級劃分，得到等級包括優(yōu)質(zhì)團體、較差團體、及一般團體。

本實施例中，所述分析預(yù)測模型為支持向量機(supportvectormachine，svm)模型。所述支持向量機是建立在統(tǒng)計學(xué)習(xí)理論的vc維(vapnik-chervonenkisdimension)理論和結(jié)構(gòu)風險最小原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性(即對特定訓(xùn)練樣本的學(xué)習(xí)精度)和學(xué)習(xí)能力(即無錯誤地識別任意樣本的能力)之間尋求最佳折衷，以期獲得最好的推廣能力。

在收到個人終端3的用戶通過其輸入設(shè)備30發(fā)出的新的投保團體等級分析指令時，所述投保等級分析系統(tǒng)2獲取待分析的投保團體的投保數(shù)據(jù)，根據(jù)上述預(yù)設(shè)分析規(guī)則，對獲取的待分析投保團體的投保數(shù)據(jù)種類，如例如，年齡、性別、職業(yè)、職位、所屬企業(yè)性質(zhì)，進行分析處理，以獲取該待分析投保團體的各個預(yù)設(shè)種類數(shù)據(jù)的分析數(shù)據(jù)，如年齡的平均值、性別的占比、職位的占比、所屬企業(yè)性質(zhì)的占比等，將所述待分析的投保團體的分析數(shù)據(jù)代入上述生成的分析預(yù)測模型中，分析出該分析的投保團體的等級。所述分析出的投保團體的等級可以傳送給個人終端3，并顯示在其顯示設(shè)備31上。

在本發(fā)明的其他實施例中，如圖2所示，所述的投保等級分析系統(tǒng)2也可以安裝并運行于個人終端3中，所述投保等級分析系統(tǒng)2的程序代碼可以存儲于所述個人終端3的存儲設(shè)備(未圖示)中，并在個人終端3的處理器的執(zhí)行下，實現(xiàn)上述描述的功能。

參閱圖3所示，是本發(fā)明投保等級分析系統(tǒng)較佳實施例的功能模塊圖。

所述投保等級分析系統(tǒng)2的程序代碼根據(jù)其不同的功能，可以劃分為多個功能模塊。本發(fā)明較佳實施例中，所述投保等級分析系統(tǒng)2可以包括模型建立模塊20、獲取模塊21、預(yù)處理模塊22及等級分析模塊23。

所述模型建立模塊20用于基于多個已投保團體的投保客戶的投保數(shù)據(jù)，按照預(yù)設(shè)的模型生成規(guī)則，生成一個分析預(yù)測模型。

所述預(yù)設(shè)的模型生成規(guī)則為：將所述多個已投保團體的投保數(shù)據(jù)中預(yù)設(shè)種類數(shù)據(jù)，例如，年齡、性別、職業(yè)、職位、所屬企業(yè)性質(zhì)，包括政府機關(guān)單位、國企、民企、外企等，根據(jù)預(yù)設(shè)分析規(guī)則進行分析處理，獲得已投保團體的各個預(yù)設(shè)種類數(shù)據(jù)的分析數(shù)據(jù)。對各個已投保團體按照預(yù)設(shè)判斷規(guī)則進行等級劃分，將不同等級的分析數(shù)據(jù)分放到不同的文件夾里，從不同的文件夾下各提取第一預(yù)設(shè)比例，例如，70％，的各個預(yù)設(shè)類型的分析數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，以進行分析預(yù)測模型的訓(xùn)練，再從不同文件夾下各剩下的第二預(yù)設(shè)比例，例如，30％，的各個預(yù)設(shè)類型的分析數(shù)據(jù)對應(yīng)的分析數(shù)據(jù)作為測試數(shù)據(jù)，用以評估模型的分類識別效果；若生成的分析預(yù)測模型準確率小于等于預(yù)設(shè)準確率，例如，99％，則增加已投保團體的投保數(shù)據(jù)的獲取數(shù)量，重復(fù)上述模型的生成過程，直到生成的分析預(yù)測模型準確率大于預(yù)設(shè)準確率，例如，99％。

所述預(yù)設(shè)分析規(guī)則包括，例如，對于連續(xù)數(shù)值的數(shù)據(jù)種類，例如，“年齡”計算平均值；對于非為連續(xù)數(shù)值的數(shù)據(jù)種類，例如，“性別”、“職業(yè)”、“職位”、“所屬企業(yè)性質(zhì)”按預(yù)設(shè)處理邏輯給出對應(yīng)的運算結(jié)果。預(yù)設(shè)處理邏輯為：對非為連續(xù)數(shù)值的數(shù)據(jù)種類進行占比計算，例如，投保團體中男性占比、管理職占比、國企工作占比等、研發(fā)人員占比等。因此，所得到的預(yù)設(shè)種類數(shù)據(jù)的分析數(shù)據(jù)包括，例如，年齡的平均值、性別的占比、職位的占比、所屬企業(yè)性質(zhì)的占比 等。

所述預(yù)設(shè)判斷規(guī)則包括，例如，投保利潤大于第一閾值且利潤率大于第二閾值的投保團體為優(yōu)質(zhì)團體；投保利潤小于第三閾值且利潤率小于第四閾值的投保團體為較差團體；其他情況為一般團體，進行等級劃分，得到等級包括優(yōu)質(zhì)團體、較差團體、及一般團體。

本實施例中，所述分析預(yù)測模型為支持向量機(supportvectormachine，svm)模型。所述支持向量機是建立在統(tǒng)計學(xué)習(xí)理論的vc維(vapnik-chervonenkisdimension)理論和結(jié)構(gòu)風險最小原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性(即對特定訓(xùn)練樣本的學(xué)習(xí)精度)和學(xué)習(xí)能力(即無錯誤地識別任意樣本的能力)之間尋求最佳折衷，以期獲得最好的推廣能力。

所述獲取模塊21用于在收到個人終端3的用戶通過其輸入設(shè)備30發(fā)出的新的投保團體等級分析指令時，獲取待分析的投保團體的投保數(shù)據(jù)。

所述預(yù)處理模塊22用于根據(jù)上述預(yù)設(shè)分析規(guī)則，對獲取的待分析投保團體的投保數(shù)據(jù)種類，如例如，年齡、性別、職業(yè)、職位、所屬企業(yè)性質(zhì)，進行分析處理，以獲取該待分析投保團體的各個預(yù)設(shè)種類數(shù)據(jù)的分析數(shù)據(jù)，如年齡的平均值、性別的占比、職位的占比、所屬企業(yè)性質(zhì)的占比等。

所述等級分析模塊23用于將所述待分析的投保團體的分析數(shù)據(jù)代入上述生成的分析預(yù)測模型中，分析出該分析的投保團體的等級。所述分析出的投保團體的等級可以傳送給個人終端3，并顯示在其顯示設(shè)備31上。

參閱圖4所示，是本發(fā)明投保等級分析方法較佳實施例的方法實施流程圖。本實施例所述投保等級分析方法并不限于流程圖中所示步驟，此外流程圖中所示步驟中，某些步驟可以省略、步驟之間的順序可以改變。

步驟s10，模型建立模塊20基于多個已投保團體的投保客戶的投保數(shù)據(jù)，按照預(yù)設(shè)的模型生成規(guī)則，生成一個分析預(yù)測模型。

所述預(yù)設(shè)的模型生成規(guī)則為：將所述多個已投保團體的投保數(shù)據(jù)中預(yù)設(shè)種類數(shù)據(jù)，例如，年齡、性別、職業(yè)、職位、所屬企業(yè)性質(zhì)，包括政府機關(guān)單位、國企、民企、外企等，根據(jù)預(yù)設(shè)分析規(guī)則進行分析處理，獲得已投保團體的各 個預(yù)設(shè)種類數(shù)據(jù)的分析數(shù)據(jù)。對各個已投保團體按照預(yù)設(shè)判斷規(guī)則進行等級劃分，將不同等級的分析數(shù)據(jù)分放到不同的文件夾里，從不同的文件夾下各提取第一預(yù)設(shè)比例，例如，70％，的各個預(yù)設(shè)類型的分析數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，以進行分析預(yù)測模型的訓(xùn)練，再從不同文件夾下各剩下的第二預(yù)設(shè)比例，例如，30％，的各個預(yù)設(shè)類型的分析數(shù)據(jù)對應(yīng)的分析數(shù)據(jù)作為測試數(shù)據(jù)，用以評估模型的分類識別效果；若生成的分析預(yù)測模型準確率小于等于預(yù)設(shè)準確率，例如，99％，則增加已投保團體的投保數(shù)據(jù)的獲取數(shù)量，重復(fù)上述模型的生成過程，直到生成的分析預(yù)測模型準確率大于預(yù)設(shè)準確率，例如，99％。

所述預(yù)設(shè)分析規(guī)則進行分析處理包括，例如，對于連續(xù)數(shù)值的數(shù)據(jù)種類，例如，“年齡”計算平均值；對于非為連續(xù)數(shù)值的數(shù)據(jù)種類，例如，“性別”、“職業(yè)”、“職位”、“所屬企業(yè)性質(zhì)”按預(yù)設(shè)處理邏輯給出對應(yīng)的運算結(jié)果。預(yù)設(shè)處理邏輯為：對非為連續(xù)數(shù)值的數(shù)據(jù)種類進行占比計算，例如，投保團體中男性占比、管理職占比、國企工作占比等、研發(fā)人員占比等。因此，所得到的預(yù)設(shè)種類數(shù)據(jù)的分析數(shù)據(jù)包括，例如，年齡的平均值、性別的占比、職位的占比、所屬企業(yè)性質(zhì)的占比等。

所述預(yù)設(shè)判斷規(guī)則包括，例如，投保利潤大于第一閾值且利潤率大于第二閾值的投保團體為優(yōu)質(zhì)團體；投保利潤小于第三閾值且利潤率小于第四閾值的投保團體為較差團體；其他情況為一般團體，進行等級劃分，得到等級包括優(yōu)質(zhì)團體、較差團體、及一般團體。

本實施例中，所述分析預(yù)測模型為支持向量機(supportvectormachine，svm)模型。所述支持向量機是建立在統(tǒng)計學(xué)習(xí)理論的vc維(vapnik-chervonenkisdimension)理論和結(jié)構(gòu)風險最小原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性(即對特定訓(xùn)練樣本的學(xué)習(xí)精度)和學(xué)習(xí)能力(即無錯誤地識別任意樣本的能力)之間尋求最佳折衷，以期獲得最好的推廣能力。

步驟s11，在收到個人終端3的用戶通過其輸入設(shè)備30發(fā)出的新的投保團體等級分析指令時，獲取模塊21獲取待分析的投保團體的投保數(shù)據(jù)。

步驟s12，預(yù)處理模塊22根據(jù)上述預(yù)設(shè)分析規(guī)則，對獲取的待分析投保團 體的投保數(shù)據(jù)種類，如例如，年齡、性別、職業(yè)、職位、所屬企業(yè)性質(zhì)，進行分析處理，以獲取該待分析投保團體的各個預(yù)設(shè)種類數(shù)據(jù)的分析數(shù)據(jù)，如年齡的平均值、性別的占比、職位的占比、所屬企業(yè)性質(zhì)的占比等。

步驟s13，等級分析模塊23將所述待分析的投保團體的分析數(shù)據(jù)代入上述生成的分析預(yù)測模型中，分析出該分析的投保團體的等級。所述分析出的投保團體的等級可以傳送給個人終端3，并顯示在其顯示設(shè)備31上。

最后所應(yīng)說明的是，以上實施例僅用以說明本發(fā)明的技術(shù)方案而非限制，盡管參照較佳實施例對本發(fā)明進行了詳細說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當理解，可以對本發(fā)明的技術(shù)方案進行修改或等同替換，而不脫離本發(fā)明技術(shù)方案的精神和范圍。