نوع مقاله: مقاله ترویجی

نویسندگان

گروه مدیریت، واحد مبارکه، دانشگاه آزاد اسلامی، مبارکه، اصفهان، ایران

چکیده

هدف این پژوهش، ارائه چهارچوبی به منظور بخش‌بندی بیمه‌گذاران بیمه عمر با استفاده از روش‌های داده‌کاوی است. جامعه آماری پژوهش شامل مشتریان یک شرکت بیمه در شهر اصفهان بود که داده های مورد نیاز از قراردادهای بیمه‌گذاران بیمه عمر این شرکت، در بازه زمانی سال های 1387 تا 1397 جمع آوری گردید. بدین ترتیب داده های مربوط به 353 نفر از بیمه گذاران بیمه عمر در قالب 14 متغیر (در قالب ویژگی های فردی و شرایط بیمه انتخابی) گردآوری شد. با استفاده از الگوریتم خوشه بندی کا-میانگین و به کمک ﻣﻌﻴﺎر ﺳﻴﻠﻮﺋﺖ در نرم افزار متلب، مشتریان در 4 خوشه، طبقه بندی شدند. تحلیل نتایج بدست آمده از رفتار مشتریان هر خوشه، مبنایی برای نام گذاری خوشه ها به نام‌های ترقی‌خواهان، محافظه‌کاران، زحمت کشان و پیشتازان، به دست داد. همچنین جهت تسهیل فرایند بررسی متغیرهای ورودی در هر خوشه تنها 7 متغیر (سن، تحصیلات، شغل، نحوه پرداخت حق بیمه، تعداد استفاده‌کنندگان از سرمایه بیمه در صورت فوت، نرخ افزایش سرمایه فوت و پرداخت حق بیمه منظم) که در هر خوشه که در آزمون خی دو تفاوت معناداری بین آنها در سطح 001/0 وجود داشت، وارد تحلیل نهایی شد.

کلیدواژه‌ها

عنوان مقاله [English]

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

نویسندگان [English]

  • Maryam Roostazadeh Sheikh Yousefi
  • Seid Mohammad Reza Mirahmadi

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