بهبود دقت در پیش بینی خوشه مشتریان بیمه با استفاده از روش بگینگ

امروزه مهمترین اقدام شرکت های بیمه در بحث بازاریابی و تبلیغات، بخش بندی و تفکیک مشتریان بر اساس رفتار و نیاز آن هااست. از این رو، این شرکت ها برای شناسایی و تحریک کردن مخاطبان خود، بازاریابی و تبلیغات را به طور گسترده و هدتمند درتمام محیط های ارتباطی به انجام می رساند. برای اثر بخشی هرچه بهتر این رویکرد، مشتریان بر اساس معیارها و اهداف خاصیتفکیک و بخش بندی می شوند. خوشه بندی روشی تحلیلی برای کشف عملکرد و رفتار مخاطبان از طریق اطلاعات آن ها است. اینامر باعث می شود تا شرکت ها بتوانند از طریق همین عملکرد مخاطبان، دست به اتخاذ تصمیم و تبلیغات هدتمند نسبت به آن ها بزنند.هدف اصلی این پژوهش، ارایه راهکاری برای شناخت و پیش بینی عملکرد و رفتار مشتریان جدید در انتخاب نوع بیمه برای حفاظتمسکن خود در برابر مخاطرات، از طریق ترکیب روش K-medoids با شبکه عصبی در جهت تعیین خوشه مشتریان جدید برای ارایهتبلیغ محصولات بیمه ای است. همچنین، برای بهبود دقت در بحث پیش بینی استفاده از روش بگینگ در مقایسه با الگوریتمشبکه های عصبی بکارگرفته شده است. دراین راستا، بدلیل زیاد بودن مشخصه ها در اکثر مجموعه داده ها و پراکندگی آنها، ابتدا ازطریق تکنیک K-medoids به کشف الگوهای مفهومی رسیده و با استفاده از همین الگوها بعد از مشخص شدن خوشه مشتریان، فقطبا داشتن اطلاعات جمعیت شناختی از سوی مشتریان جدید، خوشه آن ها از طریق روش بگینگ پیش بینی و اقدامات لازم برایمشتریان جدید صورت می گیرد. ویژگی متمایز این پژوهش، ترکیب روش های خوشه بندی با روش های دسته بندی در کشف الگواست. آزمایش های انجام شده، شناخت و کشف نیازها همچنین رفتار و عملکرد مشتریان را نشان می دهد که بر اساس آن بازاریابی وتبلیغات صورت می گیرد.

کلیدواژه ها:

بازاریابی ، تبلیغات هدتمند ، تفکیک مشتریان ، خوشه بندی ، K-medoids ، شبکه عصبی ، بگینگ ، کشف ارگو