عنوان پایان‌نامه
بخش بندی مشتریان بیمه عمر پاسارگاد با استفاده از خوشه بندی فازی
- رشته تحصیلی
- مدیریت صنعتی - تحقیق در عملیات
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس قم شماره ثبت: 002032;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 69969
- تاریخ دفاع
- ۲۹ شهریور ۱۳۹۴
- دانشجو
- زهرا مرادپور
- استاد راهنما
- غلامرضا جندقی
- چکیده
- یکی از مسائل مهم در سازمان‌های خدماتی شناخت مشتریان، درک تفاوت و رتبه‌بندی آن‌ها می‌باشد. اخیراً ارزش مشتری به‌عنوان پارامتری کمی برای بخش‌بندی مشتریان استفاده می‌شود. تکنیک‌های خوشه‌بندی با استفاده از ابزار داده‌کاوی به گروهی از داده‌های هدایت نشده سوق داده می‌شود. یک‌راه حل عملی برای توسعه تحلیلی، تکنیک‌هایی مانند الگوریتم‌های خوشه‌بندی پویا و برنامه‌هایی برای کشف پویایی در ترجیحات مصرف‌کنندگان وجود دارد و هدف این پژوهش برای درک بیشتر در رفتار مشتری فعلی و پیشنهاد یک سیاست مناسب برای مشتریان جدید جهت به دست آوردن بالاترین منافع و رضایت‌مندی مشتری استفاده‌شده است. جهت شناخت چنین بازاری مشتریان بیمه عمر را از پایگاه داده شناسایی کرده. به این منظور از دو روش خوشه‌بندی فازی Fclust و pf به‌منظور داده‌کاوی و خوشه‌بندی داده‌های 1071 مشتریان بیمه عمر در طی بازه‌ی زمانی فروردین‌ماه 1393 تا مهرماه 1393، استفاده گردید. با استفاده ازنظر خبرگان و اساتید و مطابق با ادبیات نظری موضوع، متغیرهای بخش‌بندی مشتریان استخراج‌شده و از بین آن‌ها متغیرهای پراهمیت‌تر همچون سن، جنس، تعداد فرزندان، وضعیت تأهل، شغل، نسبت بیمه‌شده با بیمه‌گذار، استفاده‌کننده از سرمایه بیمه در صورت حیات، مدت بیمه، روش پرداخت، میزان حق بیمه، پوشش‌های تکمیلی، سرمایه پایانی انتخاب گردید نتایج داده‌کاوی نشان می‌دهد که خوشه‌هایی که از خوشه‌بندی حاصل‌شده‌اند، در بسیاری از مشخصه‌ها تجانس و همخوانی دارند و تعداد بهینه خوشه‌ها 2 می‌باشد. خوشه‌ها نتایج زیر را دنبال می‌کنند سرمایه‌گذاری، امنیت زندگی و ترکیبی از هر دو. در پایان پیشنهادهایی جهت بهبود عملکرد شرکت بیمه ارائه‌شده است.
- Abstract
- One of the important issues in service organizations is to identify the customers, understanding their difference and ranking them. Recently, the customer value as a quantitative parameter has been used for segmenting customers. Clustering techniques using data mining tools will lead a group of undirected data. A practical solution for analytical development is using analytical techniques such as dynamic clustering algorithms and programs to explore the dynamice in consumer preferences. The aim of this research is to understand the current customer behavior and suggest a suitable policy for new customers in order to attain the highest benefits and customer satisfaction. To identify such market life insurance customers has identified from the database. For this purpose, two methods of fuzzy clustering pf and Fclust in order to Data mining and clustering 1071 data for life insurance customers during the period April 2014 to October 2014, were used. Using experts and professors, according to the theoretical literature, derived variables segmentation customers And between them more important variables such as age, gender, Number of children, Marital status, Job, The insurer relationship to the insured person, User of insurance capital in case of being, Insurance term, Payment method, The premium, Additional coverage, Final Capital Was selected. Data mining results show the clusters of clustering have been obtained in many characteristic homogeneity and consistency and optimal number of clusters 2 is. Clusters will follow the results investment, security of life and a combination of both. In the end suggestions are presented to improve the performance of the insurance company.
