ارائه مدلی به منظور برنامه ریزی و پیش بینی خدمات گارانتی بدنه نمایندگی های امداد خودرو با استفاده از شناسایی ریسک مشترکین با رویکرد داده کاوی

Publish Year: 1400
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 233

This Paper With 17 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

EINB05_010

تاریخ نمایه سازی: 25 فروردین 1401

Abstract:

محصول خدمت گارانتی بدنه دارای ماهیتی شبیه بیمه بدنه می باشد که برای یک دوره پوشش یک ساله جبران خسارت های ناشی از تصادف، حادثه، سرقت جزئی و کلی به دارندگان محصولات شرکت عرضه می گردد. ارائه این خدمت در حال حاضر به میزان بالایی به بهره مندی از نیروی انسانی متکی می باشد که هزینه های سربار زیادی به قیمت تمام شده محصول تحمیل می نماید و حجم داده های بالایی را ایجاد می کند. با پیشرفت علم، روند افزایش حجم داده های ذخیره شده روز به روز به شدت در حال افزایش است. با توجه به اینکه این حجم زیاد داده ها، دارای اطلاعات نهان زیادی می باشند، به کارگیری روش هایی مانند داده کاوی که قادر است این دانش نهفته را استخراج کند، مفید خواهد بود. هدف کلی این تحقیق اتخاذ راهکاری است که به واسطه آ ن ضمن نظارت و کنتر ل حجم کلی هزینه های ماهانه ناشی از پرونده های خسارت مشترکین، از میزان اتکا به کارشناسی تک به تک پرونده های خسارت کاسته شود. پیاده سازی مدل نهایی به این معنی خواهد بود که نمایندگی ها راسا نسبت به بازسازی خودرو مشترکین اقدام نموده و در نهایت مستندات پرونده های خسارت را به همراه فاکتور به شرکت ارائه نمایند، لذا در پایان دوره زمانی یک ماهه تعداد زیادی پرونده خواهیم داشت که اگر در مجموع تعداد و هزینه های آنها از میزان پیش بینی مدل فراتر بود، باید مجددا مورد بررسی جزئی تر قرار گیرند که در این صورت کنترل همه پرونده ها عملا مقدور نخواهد بود پس لازم است که در طراحی مدل به نوعی نسبت به تجزیه مجموعه پرونده های خسارت به دسته های کوچکتر مبادرت گردد، لذا برای به دست آوردن الگویی از رفتار پایدار و قابل پیش بینی از میزان پرونده های ماهیانه خسارت، ابتدا مجموعه پرونده ها با توجه به حجم یا بزرگی خسارت دسته بندی می گردند. بدین منظور در این پژوهش از الگوریتم های خوشه بندی همچون K-means و Two Steps و پیش بینی همچون درخت تصمیم داده کاوی برای خوشه بندی دوره ها و پیش بینی دوره های آتی استفاده شده و در پایان پیشنهادات مبتنی بر آن نیز ارائه شده است.

Authors

امین کاشی

کارمند دانشگاه آزاد اسلامی واحد بوئین زهرا، قزوین، ایران

مریم دانشمندمهر

هیات علمی دانشگاه آزاد اسلامی لاهیجان، گیلان، ایران

مرتضی بذرافشان

هیات علمی دانشگاه آزاد اسلامی لاهیجان، گیلان، ایران