مقایسه ى دو روش داده کاوی در بخش بندی مشتریان بیمه ى بدنه ى اتومبیل براساس ریسک (مورد مطالعه: شرکت بیمه ى ملت)

نوع مقاله: مقاله پژوهشی

چکیده

با رشد روز افزون کامپیوتر، مقادیر زیادی از داده ها به وسیله ی سیستم های مختلف به وجود
می آیند. در حال حاضر مسئله ى پیش روی سازمان ها، دیگر جمع آوری داده ها نیست، بلکه توانایی
استخراج اطلاعات مفید از میان آنهاست. همانند دیگر بخش های اقتصادی، شناخت و جذب مشتریان
کم ریسک و سودآور برای صنعت بیمه نیز داراى اهمیت است. بیمه ى اتومبیل یکی از مهم ترین
رشته های بیمه ای در ایران است. اگر شرکت های بیمه به طبقه بندی مشتریان با توجه به ویژگی های
قابل مشاهده بپردازند، می توانند نرخ پوشش دهی بیمه و سود خود را افزایش دهند و از سوی دیگر
فشاری بر افراد با ریسک کم برای جبران خسارات وارده به وسیله ى افراد ریسک زیاد به شرکت های
بیمه وارد نشود. در این تحقیق طبقه بندی ریسکی بیمه گذاران با استفاده از دو تکنیک شبکه ى
انجام شد. در ابتدا عوامل تأثیر گذار بر ریسک بیمه گذاران k-means خودسازمان ده و الگوریتم
شناسایی شد و سپس بخش بندی مشتریان با استفاده از دو روش نام برده به صورت جداگانه انجام
گرفت و ویژگی های مشتریان در هریک از بخش ها مشخص شد. در پایان مقایسه ای بین دو روش
صورت گرفت و تفاوت های آنها بیان شد.

کلیدواژه‌ها


عنوان مقاله [English]

isk Based Comparison between two data mining methods in segmentation of car insurance customers (Case Study: Mellat Insurance Company

چکیده [English]

Due to the sharp rise of the information technology (IT), the amount of data
stored in databases is dramatically on the rise. Analyzing the stored data and
converting it to information and knowledge which is applicable in organizations
requires powerful instruments. As with other economic sectors, recognizing and
attracting low-risk and profitable customers are of high significance for insurance
industry. Car insurance is one of the most important insurance branches
which accounts for a great deal of portfolio of insurance industry. Risk segmentation
of policyholders on the basis of observable features can help insurance
companies to reduce loss, raise the rate of insurance coverage, and prevent them
from making an inappropriate choice in the insurance market. In this study, the
segmentation of comprehensive car insurance customers on the basis of risk was
selected through self-organizing map and K-means. At first, the effective factors
on the risk of policyholders are identified. Then, the insurance policyholders are
segmented using the proposed SOM and K-means. Customers’ characteristics
in every cluster are identified. Finally, the two methods compared with each
other. The advantages and disadvantages of them illustrated

کلیدواژه‌ها [English]

  • Customer segmentation
  • self-organizing map
  • k-means
  • Comprehensive auto insurance
􀂽􀁙􀂀􀀯􀃋􀁙 􀁿􀁻 􀂶􀀯􀃌􀁞􀂻􀃂􀁥􀁙 􀃉 􀃄􀂼􀃌􀁝 􀃁 􀃉􀂁􀁚􀂇 􀃊􀂏􀃂􀂐􀁹 􀀬 􀃊􀀯􀂸􀂟 􀁼􀂼􀁶􀂻 􀀬􀃉􀁻􀁙􀂀􀂻 􀀭􀀬􀁼􀂼􀁵􀁙 􀀬􀃊􀂼􀃌􀂼􀂏 􀃉􀂀􀂨􀂠􀁭 .1
.1387 􀀬􀁚􀃅 􀁤􀂏􀂀􀂧 􀃁 􀁚􀃅 􀂊􀂷􀁚􀁱 􀀬􀃄􀂼􀃌􀁝 􀁤􀂠􀃀􀂏 􀃊􀂸􀂸􀂼􀂷􀁙 􀂾􀃌􀁝 􀂊􀃋􀁚􀂼􀃅
􀂀􀀯􀁝 􀂶􀃌􀁞􀂻􀃂􀁥􀁙 􀃉 􀃄􀂿􀁼􀁝 􀃉 􀃄􀂼􀃌􀁝 􀂽􀁚􀃋􀂀􀁦􀂌􀂻 􀃊􀃀􀃌􀁝 􀂊􀃌􀁡 􀃉􀁙􀂀􀁝 􀃊􀁝􀃂􀁱􀁿􀁚􀃆􀁱 􀃊􀁵􀁙􀂀􀂗 􀀬 􀂁􀁚􀂿􀃁􀂀􀀯􀂇 􀀬􀁿􀁙􀁼􀁝􀃂􀁱 .2
.1387 􀀬􀂅􀁿􀁼􀂻 􀁤􀃌􀁝􀂀􀁥 􀃃􀁚􀂴􀂌􀂿􀁙􀁻 􀀬􀁼􀂋􀁿􀁙 􀃊􀂇􀁚􀃀􀂋􀁿􀁚􀂯 􀃉 􀃄􀂻􀁚􀂿 􀂽􀁚􀃋􀁚􀁡 􀀬􀃉􀃁􀁚􀂯 􀃃􀁻􀁙􀁻 􀃉 􀃄􀃋􀁚􀁡
􀀬 􀃉􀃁􀁚􀀯􀂯 􀃃􀁻􀁙􀁻 􀂁􀁙 􀃃􀁻􀁚􀂨􀁦􀀯􀂇􀁙 􀁚􀀯􀁝 􀃄􀂼􀃌􀁝 􀁤􀂠􀃀􀂏 􀁿􀁻 􀂥􀁼􀃅 􀂽􀁚􀃋􀂀􀁦􀂌􀂻 􀃉􀁼􀃀􀁝 􀃄􀁦􀂇􀁻 􀀬􀃔􀃌􀂷 􀀬􀃃􀁻􀁙􀂁 􀂾􀃌􀂈􀁵 .3
.1386 􀁼􀃀􀂨􀂇􀁙 􀀬􀂅􀁿􀁼􀂻 􀁤􀃌􀁝􀂀􀁥 􀃃􀁚􀂴􀂌􀂿􀁙􀁻 􀀬􀁼􀂋􀁿􀁙 􀃊􀂇􀁚􀃀􀂋􀁿􀁚􀂯 􀃉 􀃄􀂻􀁚􀂿 􀂽􀁚􀃋􀁚􀁡
􀂽􀁚􀃋 􀂀􀁦􀀯􀂌􀂻 􀃉􀁚􀃅 􀃃􀃁􀂀􀂳 􀃊􀂰􀂈􀃋􀁿 􀃉􀁼􀃀􀁝 􀃄􀁦􀂇􀁻 􀁤􀃆􀁭 􀃊􀂷􀁼􀂻 􀀬􀁙􀁼􀂿 􀀬􀁿􀁙􀁼􀃋􀁚􀁡 􀂂􀃌􀁺􀁦􀂇􀁿 􀀭􀂹􀁚􀃌􀁡 􀀬􀃃􀁻􀁙􀂁 􀃊􀂨􀃀􀁵 .4
􀀯 􀃊 􀀯􀂼􀂸􀂟 􀃉 􀃄􀂻􀁚􀃀􀂸􀀯􀂐􀂧 􀀬􀃉 􀃁􀁚􀀯􀂯 􀃃􀁻􀁙􀁻 􀂁􀁙 􀃃􀁻􀁚􀂨􀁦􀀯􀂇􀁙 􀁚􀀯􀁝 􀂮􀀯􀂈􀃋􀁿 􀂅􀁚􀂇􀁙􀂀􀁝 􀂶􀃌􀁞􀂻􀃂􀁥􀁙 􀃉 􀃄􀂿􀁼􀁝 􀃉 􀃄􀂼􀃌􀁝
.1390 􀀬􀃄􀂼􀃌􀁝 􀃊􀂌􀃅􀃁􀂄􀁡
􀁿􀁙􀂁􀁚􀁝 􀂁􀁙 􀃉􀁼􀃅􀁙􀃂􀂋 :􀃄􀂼􀃌􀁝 􀁿􀁙􀂁􀁚􀁝 􀁿􀁻 􀂽􀁙􀁿􀁙􀁾􀂳 􀃄􀂼􀃌􀁝 􀃊􀂰􀂈􀃋􀁿 􀃉􀁼􀃀􀁝 􀃄􀂬􀁞􀂗 􀃉􀁚􀃅􀁿􀁚􀂰􀃅􀁙􀁿 􀀬􀁼􀃌􀁵􀃁 􀀬􀁼􀁭􀁚􀂻 .5
.1387 􀀬􀁚􀃅 􀁤􀂏􀂀􀂧 􀃁 􀁚􀃅 􀂊􀂷􀁚􀁱 􀀬􀃄􀂼􀃌􀁝 􀁤􀂠􀃀􀂏 􀃊􀂸􀂸􀂼􀂷􀁙 􀂾􀃌􀁝 􀂊􀃋􀁚􀂼􀃅 􀀬􀂽􀁙􀂀􀃋􀁙 􀁿􀁻 􀂶􀃌􀁞􀂻􀃂􀁥􀁙 􀃉 􀃄􀂿􀁼􀁝 􀃉 􀃄􀂼􀃌􀁝
6. E.W.T. Ngai a, Yong Hu b, Y.H. Wong a, Yijun Chen b, Xin Sun, “The application
of data mining techniques in financial fraud detection: A classification framework
and an academic review of literature”, Decision Support Systems, 2011, Vol. 50,
pp. 559–569.
7. E.W.T. Ngai, Li Xiu, D.C.K. Chau, "Application of data mining techniques in
customer relationship management: A literature review and classification", Expert
Systems with Applications, 2009, Vol. 36, pp. 2592-2602.
8. Fahim, A. M., Saake, G., Salem, A. M., Torkey, F.A. Ramadan, M. A., "K-means
for Spherical clusters with large variance in sizes", World Academy of Science,
Engineering and Technology, 2008, Vol. 45, pp. 177-182.
9. Fayyad, U.M., Piatetsky-Shapiro, G., Smyth, P., The KDD process for extracting
useful knowledge from volumes of data. Communications of the ACM, November
1996, Vol. 39, No. 11. 27.
10. Hanafizadeh, P., Mirzazadeh, M. (2010). Visualizing market segmentation using
selforganizing maps and Fuzzy Delphi method – ADSL market of a
elecommunication company. Expert system with application, 38(1), 198-205
11. Hung, Ch., Tsai, Ch., "Market segmentation based on hierarchical self-organizing
map for markets of multimedia on demand", Expert Systems with Applications,
2008, Vol. 34, pp: 780–787.
12. Kohonen, T., Self-Organizing Maps, Springer series in Information Sciences, 30,
مقایس هى دو روش داد هکاوی در بخ شبندی مشتریان بیم هى بدن هى اتومبیل براساس ریسک 97
Springer, Berlin, Heidelberg New York, 2001, 3th Ed.
13. Kohonen, T.,” Automatic formation of topological maps of patterns in a selforganizing
system, In Oja, E. and Simula, O. (Eds), proceedings of SCIA Scand.
Conference on Pattern Recognition, Los Alamitos, CA. IEEE Computer Soc. Press,
1981, pp. 182-185.
14. Lee, S. C., Suh, Y. H., Kim, J. K., and Lee, K. J., "A cross-national market
segmentation of online game industry using SOM." Expert Systems with
Applications, 2004, Vol.27, pp: 559-570.
15. Leung, Y., Zhang, J., Xu, Z., "Clustering by scale-space filtering". IEEE
Transactions on Pattern Analysis and Machine Intelligence, 2000, 22 (12), pp.
1396–1410.
16. Newstead, S., D’Elia, A., “Does vehicle colour influence crash risk”, Safety
Science, 2010. Vol. 48, pp. 1327-1338.
17. Nong Ye, The Hand Book of Data Mining. New Jersey, LAWRENCE ERLBAUM
ASSOCIATES, 2003
18. Vesanto, J., Alhoniemi, E., “Clustering of the Self-Organizing Map, IEEE
Transactions on Neural Networks”, 2000, Vol. 11, No.3, pp. 586-600.
19. Vesanto, J., Data mining techniques based on the Self-Organizing map, Helsinki
university of Technology, 1997.
20. Witten IH, Frank E, 2000, Data Mining: Practical Machine Learning Tools and
Techniques. Morgan Kaufmann Series in Data Management Systems.
21. Woo, J. Y., Bae, S. M., & Park, S. C., Visualization method for customer targeting
using customer map. Expert Systems with Applications, 2000, Vol. 28, pp: 763–
772.
22. Yang, Y., & Padmanabhan, B.," A hierarchical pattern-based clustering algorithm
for grouping web transactions". IEEE Transaction on Knowledge and Data
Engineering, 2005, Vol.17, pp.1300-1304.