کشف مشتریان سودآور با رویکرد داده محور

هدف: امروزه مشتریان به عامل بسیار مهم و حیاتی در هدایت سرمایه­گذاران، تولیدکنندگان و حتی محققان و نوآوران مبدل گشته ­اند. به همین دلیل، سازمان ­ها نیاز دارند مشتریان خود را بشناسند و برای آنان برنامه­ ریزی کنند. در این پژوهش، تلاش شده تا به یکی از اساسی­ ترین سوالات سازمان­ های بیمه ­ای، یعنی پیش­ بینی سطح خسارت مشتریان، پاسخ داده شود.روش تحقیق: در پژوهش حاضر از ابزار داده ­کاوی برای داده­ های مشتریان صنعت بیمه، بخش بیمه بدنه خودرو از سال ۱۳۹۴ تا ۱۳۹۶ استفاده شده است. تعداد کل داده ها که از ابتدا در این پژوهش مورد استفاده قرار می گیرد بیش از ۱۹۳۵۶ بوده که در ادامه و در طی آماده سازی آن ها با استفاده از نرم افزار Rapidminer ۷.۱ تعداد داده هایی که در نرم افزار لحاظ می شود ۱۹۳۵۶ است. پس از پردازش اولیه تلاش می شود، از بین ۱۵ متغیر موجود در پایگاه داده ویژگی استخراج شود که ملموس باشد و این پژوهش را در هدف خود یاری دهد. بدین منظور با به ­کارگیری خوشه­ بندی، رانندگان بر اساس میزان مبلغ خسارت به خوشه­ های مجزا تقسیم می­شوند و ویژگی­ های هر خوشه بیان می­ شود. در قسمت خوشه ­بندی، ابتدا الگوریتم های k-means،  k-medoidsو DBSCAN استفاده شده ­است. سپس الگوریتم ­های بکار رفته به جهت زمان انجام محاسبات و میزان صحت با یکدیگر مقایسه شدند.یافته ها: در نهایت الگوریتم k-means به عنوان الگوریتم بهینه برای این مجموعه داده انتخاب شد. در انتها به کمک درخت تصمیم مدلی پیش­بینی ارایه می­شود که شرکت­ های بیمه را در جهت سودآوری بیشتر و کشف مشتریان سودآور کمک می­کند و برای برنامه ­ریزی و تصمیم ­گیری­ های آتی سازمان قابل استفاده ­است.نتیجه گیری: برای پیش­بینی، درخت تصمیم، با میزان صحت ۲۱/۸۶% بهترین مدلی بود که در این پژوهش به آن رسیدیم و در مدل درخت تصمیم ارایه شده معیار درآمد بیمه­ گذار به عنوان گره ریشه درنظرگرفته می ­شود که همین نکته نشان­ دهنده آن است روش بکار رفته می ­تواند به شرکت­ های بیمه کمک کند تا با تمرکز بر مشتریان سودآور به درآمد بیشتری برسند. طبقه بندی موضوعی: B۳۱, C۳۸, C۲۲, D۱۲ 

کلیدواژه ها:

رفتار بیمه­ گزاران ، خوشه­بندی ، درخت تصمیم ، k-means ، کشف مشتریان سودآور