طراحی معماری ترکیبی هوش مصنوعی برای نگهداشت مشتریان در صنعت بیمه

در صنعت بیمه، ارزیابی عملکرد شبکه فروش معمولا بر اساس داده های نمایندگان موفق انجام می شود، در حالی که دلایل خروج سایر نمایندگان نادیده گرفته می شود. این پدیده که با عنوان «خطای بقا» شناخته می شود، موجب تصویرسازی غیرواقعی از اثربخشی سیستم فروش می گردد. این مقاله با هدف اصلاح این سوگیری، از هوش مصنوعی برای تحلیل جامع داده های نمایندگان فعال و غیرفعال استفاده کرده است. با بهره گیری از الگوریتم های یادگیری ماشین (XGBoost، Random Forest، Logistic Regression) و تحلیل ویژگی ها (SHAP)، الگوهای موثر در موفقیت یا ریزش نمایندگان شناسایی شد. نوآوری پژوهش در طراحی مدلی کاربردی برای پیش بینی ریزش و خوشه بندی رفتاری نمایندگان است. یافته ها نشان دادند که نرخ ریزش در دو سال اول ۳۸٪ بوده و آموزش ناکافی، نبود حمایت مدیریتی و تعامل ضعیف از عوامل کلیدی خروج هستند. الگوریتم XGBoost با دقت ۸۹٪ بهترین عملکرد را داشت. نتایج نشان می دهد که استفاده از AI می تواند به آموزش هدفمند، مداخله زودهنگام و پایداری شبکه فروش بیمه منجر شود.

کلیدواژه ها:

تحلیل احساسات ، داده کاوی رفتاری ، هوش مصنوعی توضیح پذیر ، پیش بینی ریزش مشتری ، رضایت مشتری