平安保险公司人寿保险管理系统
源代码 程序 论文目录
摘要II
第1章绪论1
1.1课题背景1
1.2题要研究或解决的问题和拟采用的研究手段及算什途径1
1.3相关技术介绍1
1.3.1PowerBuilder技术的介绍2
1.3.2SQLServer2000介绍4
第2章系统分析6
2.1系统的可行性研究6
2.2系统需求分析6
2.2.1用户需求分析6
2.2.2系统设计目标分析7
2.3系统功能介绍7
2.3.1连接数据库7
2.3.2基础资料录入8
2.3.2.2保险种类8
2.3.2.1缴费方式8
2.3.2.1职业8
2.3.2.1学历8
2.3.3业务操作8
2.3.3.1客户资料8
2.3.3.2被保险人资料8
2.3.3.3受益人资料8
2.3.3.4缴费信息录8
2.3.3.1保单信息录8
2.4小结8
第3章系统详细设计与实现错误！未定义书签。
3.1系统工作内容介绍9
3.2数据模型…………9
3.3系统的设计与实现9
3.3.1程序启动闪屏窗10
3.3.2连接数据库设置界面10
3.3.3主界面10
3.3.4保险种类10
3.3.5缴费方式10
3.3.6职业10
3.3.7学历10
3.3.8客户资料10
3.3.9被保险人资料10
3.3.10受益人资料10
3.3.11缴费信息10
3.3.12保单信息10
3.3.13客户资料查询10
3.3.14被保险人资料查询10
3.3.15受益人资料查询10
3.3.16缴费信息查询10
3.3.17保单信息查询10
3.3.18按保险种类职业统计分析10
3.3.19关于界面10
第4章结束语48
第5章参考文献49
第6章致谢50
第7章附录51
第1章绪论
1.1课题背景
进入20世纪80年代后，计算机技术迅速发展，在保险行业中开始出现计算机业务系统。通过多年使用计算机业务系统，保险公司已积累了大量的历史数据，也产生了许多种类型的数据，这些数据是公司最重要的财富。但平安保险公司河北分公司的原有系统已经不能满足数据的处理的需要，也不能满足现代的保险数据的存储。这就需要一个新的系统来满足这些需求。我要做的系统就是把原来系统的优点进一步优化，并添加满足新需求的模块。把这些数据变成有用的信息和商机，必须有一种适宜的分析手段，数据仓库与数据数据分析技术正符合了这一要求[15]。保险公司积累下来大量的历史数据，为数据仓库和数据分析应用打下了基础。另一方面，数据仓库和数据分析技术已经相对成熟，为数据仓库和数据分析应用奠定了技术基础。因此研究数据仓库和数据分析技术在保险业中具有重大的现实意义。随着国内经济的快速发展，保险业也进入了激烈竞争的时代。面对大量产生的保单业务，许多业内公司没有对大量的数据进行深层次的分析和挖掘，让海量数据发挥巨大的增值作用。业务仓库中的数据组织方式是满足范式理论的，反映了业务上的组织方式，但与业务系统有本质不同，首先它是为将来分析应用而设计，以信息的表示、提取为主导，其次业务数据仓库中的数据是经过清洗的，且保存了所有的业务历史信息，最大限度地保证了数据不失[1,7,8]。
随着世界经济的全球化和市场的国际化，国内保险业受到越来越多的国外冲击。如何改进自身的管理体制。在竞争中处于不败之地，已成为商家的首要问题。本文就以客户流失分析为例，介绍数据挖掘技术在保险业中的年我国保险业在产品、服务、实力等方面将面临更严峻的考验。那么，在激烈的市场竞争和不断变化的市场需求面前．平安保险公司应如何提高自身的竞争力呢?有效的方法之一就是利用数据分析技术探测隐含的业务规则，指导自己的经营管理。数据分析方法是利用已知的数据通过建立数学模型的方法找出隐含的业务规则[10]。在很多的行业已经具有成功的应用。在保险业的应用领域主要有客户关系管理，客户流失分析，客户消费模式分析，市场推广分析等。通过数据挖掘能够辨别潜在客户群，并提高市场活动的响应率通过关联规则分析能够发现顾客倾向于关联购买哪些险种，聚类分析能够发现对特定产品感兴趣的用户群，神经网络，回归等方法能够预测顾客购买该新产品的可能性[3,4,9]。数据挖掘其实是一个逐渐演变的过程,电子数据处理的初期,人们就试图通过某些方法来实现自动决策支持,当时机器学习成为人们关心的焦点.机器学习的过程就是将一些已知的并已被成功解决的问题作为范例输入计算机,机器通过学习这些范例总结并生成相应的规则,这些规则具有通用性,使用它们可以解决某一类的问题.随后,随着神经网络技术的形成和发展,人们的注意力转向知识工程,知识工程不同于机器学习那样给计算机输入范例，让它生成出规则，而是直接给计算机输入已被代码化的规则，而计算机是通过使用这些规则来解决某些问题。专家系统就是这种方法所得到的成果，但它有投资大、效果不甚理想等不足。80年代人们又在新的神经网络理论的指导下，重新回到机器学习的方法上，并将其成果应用于处理大型商业数据库。随着在80年代末一个新的术语，它就是数据库中的知识发现，简称KDD(Knowledgediscoveryindatabase).它泛指所有从源数据中发掘模式或联系的方法，人们接受了这个术语，并用KDD来描述整个数据发掘的过程，包括最开始的制定业务目标到最终的结果分析，而用数据挖掘（datamining）来描述使用挖掘算法进行数据挖掘的子过程。但最近人们却逐渐开始使用数据挖掘中有许多工作可以由统计方法来完成，并认为最好的策略是将统计方法与数据挖掘有机的结合起来[5,11]。数据仓库技术的发展与数据挖掘有着密切的关系。数据仓库的发展是促进数据挖掘越来越热的原因之一。但是，数据仓库并不是数据挖掘的先决条件，因为有很多数据挖掘可直接从操作数据源中挖掘信息。与国外相比，国内对DMKD的研究稍晚，没有形成整体力量[13，14]。1993年国家自然科学基金首次支持我们对该领域的研究项目。目前，国内的许多科研单位和高等院校竞相开展知识发现的基础理论及其应用研究，这些单位包括清华大学、中科院计算技术研究所、空军第三研究所、海军装备论证中心等。其中，北京系统工程研究所对模糊方法在知识发现中的应用进行了较深入的研究，北京大学也在开展对数据立方体代数的研究，华中理工大学、复旦大学、浙江大学、中国科技大学、中科院数学研究所、吉林大学等单位开展了对关联规则开采算法的优化和改造；南京大学、四川联合大学和上海交通大学等单位探讨、研究了非结构化数据的知识发现以及Web数据挖掘[12，6]。
