عنوان پایان‌نامه
بخش بندی مشتریان با استفاده از داده کاوی
- رشته تحصیلی
- اقتصاد و تجارت الکترونیک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده اقتصاد شماره ثبت: 1212;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 43799
- تاریخ دفاع
- ۰۵ مرداد ۱۳۸۸
- دانشجو
- مریم فتحی گوهردانی
- چکیده
- امروزه با کمک الگوریتم¬های داده¬کاوی می¬توان الگوهای نهان را از داده¬ها استخراج نمود، در این تحقیق نیز سعی بر آن است با استفاده از تکنیک¬های هوش مصنوعی الگوهایی مناسب پیش¬بینی بار مالی ناشی از پرداخت مستمری به بازنشستگان یک شرکت بیمه¬ای معتبر در سطح کشور که در سال 1385 بازنشسته شده¬اند، به دست آید. با کسب دانش از این داده¬ها می¬توان گروه¬هایی را که برای این سازمان، بار مالی ایجاد می¬کنند، شناسایی نمود، این پیش بینی در راستای تدوین قوانین جدید، اصلاح قوانین بازنشستگی و همچنین برآورد اقتصادی نقش بسیار مهمی خواهد داشت. بنابراین در راستای انجام این پژوهش از روش¬های کلاس¬بندی استفاده شده¬است. پس از طی نمودن فرآیند آماده¬سازی داده¬ها و تولید مجموعه داده مورد نظر، مدلها با استفاده از ابزار Clementine تولید شدند و پس از تحلیل نتایج مشخص گردید که در این داده¬ها مدل حاصل از الگوریتم درخت تصمیم C5.0 با روش Boosting از دقت بالاتری برخوردار است و قواعد نسبتاً مطلوبی را ارائه می¬کند. امید است با کاربردی کردن علم داده¬کاوی در این¬گونه داده¬ها، علاوه بر کمک به سازمان¬ها و شرکت¬ها در شناخت مسائل اقتصادی، آینده روشن¬تری برای افراد تحت پوشش بیمه¬ها در کشور فراهم آید.
- Abstract
- Nowadays, by mining the data or using the data mining algorithm, hidden samples from data can be extracted. The main idea in this thesis is to try to predict the financial cost of paying the benefits to the customers of insurance company who retired at specific years of his or her services. Artificial intelligence technique is being used when we classify the data or customers, we can introduce the group of customers who have high financial cost for company. This prediction is so important and useful for retire planning reform, as a new regulation. For the applied classification and data preparation Clementine/ SPSS software is being used. However, for analysis the C5.0 algorithm of decision tree by boosting is being manipulated which provided the better results for setting better rules and procedures of the insurance company. Finally, using data mining with more detailed manipulation, hope to be able to set up new rules and procedures for the company in order to solve related financial problems in advance before making any economic decision.
