ارائه چهارچوبی به منظور بخش بندی بیمه گذاران بیمه عمر با استفاده از داده کاوی

نوع مقاله : مقاله ترویجی

نویسندگان

1 کارشناس ارشد مدیریت بازرگانی، گروه مدیریت، واحد مبارکه، دانشگاه آزاد اسلامی

2 استادیار گروه مدیریت، واحد دولت آباد، دانشگاه آزاد اسلامی

چکیده

هدف از این پژوهش ارائۀ چارچوبی برای بخش بندی بیمه گذاران بیمۀ عمر با استفاده از روش های داده کاوی است. جامعۀ آماری پژوهش شامل مشتریان شرکت بیمه ای در شهر اصفهان بوده است و داده های لازم از قراردادهای بیمه گذاران بیمۀ عمر این شرکت، در بازه زمانی سال های 1387 تا 1397 جمع آوری شده است. بدین ترتیب داده های مربوط به 353 نفر از بیمه گذاران بیمۀ عمر در قالب چهارده متغیر (ویژگی های فردی و شرایط بیمۀ انتخابی) گردآوری شد. با استفاده از الگوریتم خوشه بندی کا - میانگین و به کمک معیار سیلوئت در نرم افزار «متلب»، مشتریان در چهار خوشه طبقه بندی شدند. تحلیل نتایج به دست آمده از رفتار مشتریان هر خوشه، مبنایی برای نام گذاری خوشه ها به نام های ترقی خواهان، محافظه کاران، زحمت کشان و طلایه داران به دست داد. همچنین به منظور تسهیل فرایند بررسی متغیرهای ورودی در هر خوشه، فقط هفت متغیر (سن، تحصیلات، شغل، نحوۀ پرداخت حق بیمه، تعداد استفاده کنندگان از سرمایۀ بیمه درصورت فوت، نرخ افزایش سرمایۀ فوت و پرداخت حق بیمۀ منظم) در تحلیل نهایی وارد شد، یعنی متغیرهایی که در خوشه هایی که در آزمون «خی» دو تفاوت معنادار بین آن ها در سطح 001 /0 وجود داشت.

کلیدواژه‌ها


عنوان مقاله [English]

Presenting a Framework for Segmentation of Life Insurance Customers Using Data Mining

نویسندگان [English]

  • Maryam Roostazadeh Sheikh Yousefi 1
  • Seid Mohammad Reza Mirahmadi 2
1 Department of Management, Mobarakeh Branch, Islamic Azad University, Mobarakeh, Isfahan, Iran
2 Department of Management, Mobarakeh Branch, Islamic Azad University, Mobarakeh, Isfahan, Iran
چکیده [English]

The purpose of this study is to provide a framework for segmentation of life insurance customers using data mining techniques. The statistical population of the study consisted of customers of an insurance company in Isfahan, where the required data were collected from contracts of life insurance during the years 2008 to 2018. Data were collected on 353 life insurance policyholders in 14 variables (in terms of individual characteristics and selected insurance conditions). Customers were classified into 4 clusters using K-means clustering algorithm and Matlab software. The analysis of the results of the customer behavior of each cluster provided a basis for naming the clusters as progressives, conservatives, toilers, and vanguards. Also, to facilitate the process of examining the input variables in each cluster, only 7 variables (age, education, occupation, premium payment, number of beneficiaries of death insurance, death rate increase and regular premium payment) are included in each cluster. In the Chi-square test, there were two significant differences at the 0.001 level.

کلیدواژه‌ها [English]

  • Customer Segmentation
  • Data Mining
  • K-meansAlgorithm
  • Life Insurance
آذر، عادل، احمدی، پرویز و سبط محمدوحید. (1389). طراحی مدل انتخاب نیروی انسانی با رویکرد داده کاوی (مورد: استخدام داوطلبان آزمون های ورودی یک بانک تجاری در ایران). مدیریت فناوری اطلاعات، 2 (4 ):3- 22.
اکبری، ‌امیر، شیرخدایی، ‌میثم و نجات، ‌سهیل. (1395). بخش بندی بازار بیمه عمر از طریق سبک زندگی مشتریان با استفاده از الگوی AOI. تحقیقات بازاریابی نوین، (21)، 55–74.
باش افشار، مریم، سعیدپناه، مسعود و تیره عیدوزهی، فرشید. (1397). الگوی خوشه‌بندی مشتریان بیمۀ عمر (مطالعۀ موردی: یک شرکت بیمه‌ای). پژوهشنامه بیمه، 13، 45 – 64.
بهروزیان، محمد (1395). دسته بندی خودکار متون با استفاده از تکنیک های داده کاوی. دومین همایش ملی کامپیوتر.
بهناز، شهرزاد و حسینی, راحیل (1397). دسته‌بندی سرویس‌های‌ مشتریان به لحاظ سطح استفاده از خدمات شبکه شتاب با استفاده از مدل‌های ترکیبی. پژوهش های نوین در تصمیم گیری، 3(4): 51-70.
بیمه مرکزی ایران. (1390). آیین‌نامه بیمه های زندگی و مستمری. تهران: انتشارات بیمه مرکزی ایران.
ترکی هرچگانی، نادر (1394). راهکارهای گسترش بیمه های عمر و پس انداز در ایران از منظر نمایندگان شرکت سهامی بیمه ایران شهر اصفهان. پایان نامه کارشناسی ارشد مدیریت دولتی، دانشگاه آزاد واحد خوراسگان.
حلاج نژادی، سیدهادی (۱۳۹۷). موضوع بیمه، مطالعه موردی: نگاهی عمیق­تر به بیمه عمر، چهارمین سمپوزیوم بین المللی علوم مدیریت، تهران، موسسه آموزشی عالی مهر اروند و مرکز راهکارهای دستیابی به توسعه پایدار.
دامغانیان، حسین (1386). بازاریابی/ بیمه عمر (انفرادی). پژوهشنامه بیمه، 45، 106-109.
رجوعی، مرتضی و شیعه زاده، الهه. (1387). تعیین معیارهای جذابیت بازار و انتخاب بازار هدف. فصلنامه علمی تخصصی دانشگاه امام رضا، 5، 5-12.
شادکام اصفهانی، شهرام (1395). بررسی عوامل موثر بر عدم توسعه فرهنگ بیمه در شهرستان اصفهان. پایان نامه کارشناسی ارشد مدیریت بیمه دانشگاه آزاد اسلامی خوراسگان.
شاهینی، شبنم، تربتی، مهشید و ایزدی ، عبدالرضا. (۱۳۹۵). داده کاوی در پایگاه داده های بزرگ: مفاهیم و روش ها، اولین کنفرانس بین المللی بازیابی تعاملی اطلاعات، کیش، دانشگاه تهران.
شریفی، سمیه (1396). دسته‌بندی مشتریان بیمه براساس داده‌کاوی بیمه جهت تعیین سودآورترین نوع بیمه (مطالعه موردی:بیمه سامان). پایانامه کارشناسی ارشد رشته مهندسی کامیپوتر، دانشگاه آزاد اسلامی واحد صفاشهر.
شیرخدایی، میثم، نجات، سهیل و اکبری، امیر. (1395). بخش بندی بازار بیمه عمر از طریق سبک زندگی مشتریان با استفاده از الگوی AIO. تحقیقات بازاریابی نوین، 21: 55 - 74.
طاهری، آزاده (1397). بیمه مسئولیت مدنی در فضای مجازی. پایانامه کارشناسی ارشد، رشته حقوق خصوصی، دانشگاه آزاد اسلامی خوارسگان.
عابدی، مرتضی. (1395). رابطه بین فرهنگ طبقاتی مردم با خرید انواع بیمه در شهر اصفهان. پایان نامه کارشناسی ارشد دانشگاه آزاد واحد خوراسگان.
عاملی بصیری، مرضیه و قره‌خانی، محسن. (1394). طراحی و پیاده‌سازی سیستم پایلوت فروش متقاطع با استفاده از رویکرد ارزش مشتری در صنعت بیمۀ ایران. فصلنامه پژوهشنامه بیمه، 30(3)،21-40.
عباسی، زینب و محسن، حسنی (۱۳۹۷). شناسایی تاثیر ریسک های اقتصادی بر تقاضای بیمه ی عمر و عملکرد مالی شرکت های بیمه، نخستین همایش ملی حسابداری و مدیریت، نطنز، دانشگاه آزاد اسلامی واحد نطنز.
قره‌خانی، ‌محسن. و ابوالقاسمی، ‌مریم (1394). کاربردهای داده کاوی در صنعت بیمه. تازه های جهان بیمه، (158,159)، 5–22.
کریمی، سیدمحمد (1390). ارزیابی عملکرد صنعت بیمه کشور و تبیین چشم‌انداز آینده. فصلنامه سیاست های مالی واقتصادی، ۱(۲)،۱۸۳-۲۰۲.
مومنی، منصور (1390). خوشه­بندی داده­ها (تحلیل خوشه­ای).تهران: انتشارات مولف.
Abdi, F., Khalili-Damghani, K., & Abolmakarem, S. (2018). Solving customer insurance coverage sales plan problem using a multi-stage data mining approach, Kybernetes, 47(1), 2-19.
Amorim, R. C., & Komisarczuk, P. (2012). On initializations for the Minkowski Weighted K-Means. In Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 7619 LNCS, 45-55.
Bingham, J.R., et al. (2005). Business Marketing. New York: McGrawHill Co
Blonder, N., Orsburn, BC., Blonder, J., & Gonzalez, C. A. (2019). Visual mass-spec share (vMS-Share): a new public web-based mass spectrometry visualization and data mining repository. J Proteomics Bioinform, 12, 6-15.
Boodhun, N., & Jayabalan, M. (2018). Risk prediction in life insurance industry using supervised learning algorithms. Complex & Intelligent Systems, 4(2), 145-154.
Camilleri, M. A. (2017). Market Segmentation, Targeting and Positioning BT - Travel Marketing, Tourism Economics and the Airline Product: An Introduction to Theory and Practice. Springer International Publishing.
Celebi, E, M., Kingravi, H., & Vela, P. A. (2013). A Comparative Study of Efficient Initialization Methods for the K-Means Clustering Algorithm. Expert Systems with Applications. 40, 200–210.
Chien-Wen, H. (2012). Using the Taguchi method for effective market segmentation. Expert Systems with Applications, 39, 5451–5459.
Destpand, S., & Thaker, I. (2010). Appropriate medical data categorization for data mining classification techniques. Medical Informatics and the Internet in Medicine,27(1): 59-67.
Fang, K., Jiang, Y., & Song, M. (2016). Customer profitability forecasting using Big Data analytics: A case study of the insurance industry. Computers & Industrial Engineering. 101, 554-564.
Goetzke, B. I., & Spiller, A. (2014). Health-improving lifestyles of organic and functional food consumers. British Food Journal, 116, 4-12.
Hand, D. J., Smyth, P., & Mannila, H. (2011). Principles of Data Mining. Cambridge, MA, USA: MIT Press.
Kaigorodova, G. N., & Mustafina, A. A. (2014). The influence of forms of insurance coverage organization on population's life quality. Mediterranean Journal of Social Sciences, 5(24), 118-123.
Lamberti, L., & Noci, G. (2009). Marketing strategy and marketing performance measurement system: Exploring the relationship, European Management Journal, 28 (2): 139-152.
Mahalakshmi, V., Chitra, D. (2014). An Empirical Study on Lifestyle Segmentation on the Retail Store Attributes that are Important to Old People. Asia Pacific Journal of Marketing & Management Review, l, 92-105, 
Marbin, M., Seifuddin, F., Judy, J., Mahon, P. B., Bipolar Genome Study (BiGS) Consortium, Potash, J. B., & Zandi, P. P. (2012). Data mining approaches for genome-wide association of mood disorders. Psychiatric genetics22(2), 55–61.
McDonald, M., & Dunbar, I. (2012). Market Segmentation: How to do it and how to profit from it, Revised 4 th Edition. John Wiley & Sons.
Trindade. G, Dias. J, Ambrosio. J, (2017). Extracting clusters from aggregate panel data: A market segmentation study. Applied Mathematics and Computation, 296, 277–288.
Wu, Z., Lin, w., Zhang, Z., Wen, A., & Lin, L. (2017). An Ensemble Random Forest Algorithm for Insurance Big Data Analysis. International Conference on Computational Science and Engineering (CSE) and IEEE International Conference on Embedded and Ubiquitous Computing (EUC), Guangzhou, 531-536.