بخش بندی مشتریان بیمه عمر با رویکرد داده کاوی
- رشته تحصیلی
- مدیریت بازرگانی- بیمه
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77060;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77060
- تاریخ دفاع
- ۲۹ شهریور ۱۳۹۵
- دانشجو
- بهروز اردوبادی
- استاد راهنما
- سعید باجلان
- چکیده
- هدف این پژوهش استفاده از آنالیزهای بخش بندی (که از ابزارهای داده کاوی هستند) به منطورکاوش در پایگاه های داده مشتریان عمر بیمه ایران برای بخش بندی مشتریان آنان است. تا به توان به کمک نتایج به دست آمده خصوصیات هر یک از خوشه ها مشخص و محصولات متناسب با هر یک را تعیین کرد. در کنار موضوع فوق کیفیت نتایج حاصل از دو روش خوشه بندی مورد استفاده در این تحقیق مورد ارزیابی و مقایسه قرار گرفته تا بتوان بر اساس آن یک روش بهینه، برای خوشه بندی داده های مورد نظر تعیین کرد. امروزه با توسعه فناوری اطلاعات و افزایش فعالیت شرکت های بیمه، حجم بالایی از داده ها در بانک های اطلاعاتی این شرکت ها موجود است و از آنجا که حجم اطلاعات ذخیره شده در پایگاه های داده این شرکت ها به سرعت در حال افزایش بوده، این پایگاه های داده بزرگ، می تواند حاوی حجم زیادی از داده و فرصت های قابل استفاده از اطلاعات تجاری با ارزش باشند. در نتیجه می توان به کمک ابزارهای داده کاوی دانش ارزشمندی را از این داده های خام استخراج کرد. یکی از این ابزار های کاربردی امکان خوشه بندی داده ها است. در این مطالعه ضمن شناسایی و گرد آوری داده ها، خوشه بندی و تحلیل آنها با کمک نرم افزار های R و SPSS Modeler و الگوریتم های خوشه بندی Tow step و K-Means بروی داده های بیمه عمر شرکت بیمه ایران صورت پذیرفت؛ که نتایج خوشه بندی حاکی از وجود چهار خوشه متمایز بود؛ که دو خوشه را زنان و مردانی با میانگین سنی بین 16 تا 17 سال و مجرد و دو خوشه دیگر را زنان و مردانی با میانگین سنی بین 37 تا 38 سال و متأهل تشکیل می داد. همچنین عدد شاخص سیلوئت که برای سنجش کیفیت خوشه بندی مورد استفاده قرار می گیرد عددی بین 0.7 تا 0.8 را نشان داد که مقداری قابل قبول برای کیفیت خوشه ها می باشد.
- Abstract
- According to competition in insurance industry in Iran in recent years and entrance of private sector, keeping customers has become more important for insurer companies. Companies can use customer segmentation to group customers with similar characteristics together and identify the differences between groups to develop marketing strategies. .in this research, data mining methods is used for Segmentation of Life Insurance customer. In first step, information extracted from a large transactional database. In the second step, profiling the data, using K-means and Two-step algorithm to identify the characteristics of customer.