خوشه بندی و کشف الگوهای خسارت مشتریان بیمه شخص ثالث با استفاده از تکنیک های داده کاوی

امروزه به دلیل بالابودن تعداد تصادفات رانندگی در کشور، بیمه شخص ثالث اتومبیل، بالاترین میزان خسارت پرداختی را در بین رشته های بیمه ای دارد. با استفاده از بخش بندی مشتریان و کشف الگوهای میزان خسارت آن ها، می توان مشتریان باارزش بیمه شخص ثالث که خسارت کمتری دارند را شناسایی نمود که در پژوهش حاضر یک چارچوب پیشنهادی برای این منظور ارائه می شود.ابتدا متغیرهای تاثیرگذار بر مشتریان بیمه طبق نظر خبرگان و کارشناسان بیمه معرفی شده و داده های مربوط به آنها از انباره داده شرکت استخراج و سپس پیش پردازش می شوند. با استفاده از دو شاخص دان و دیویس بولدین تعداد بهینه خوشه تعیین می گردد و پس از آن داده ها با استفاده از الگوریتم K-means خوشه بندی می شوند. سه متغیر سال های عدم خسارت، تعداد ادعای خسارت و سابقه رانندگی به عنوان متغیرهای تعیین ارزش مشتری در نظر گرفته شده و وزن آنها با استفاده از روش تحلیل سلسله مراتبی تعیین می گردد. پس از آن ارزش مشتریان هر خوشه محاسبه شده و خوشه ها به ترتیب ارزش مشتریان رتبه بندی می شوند. در پایان نیز با استفاده از قوانین انجمنی روابط و الگوهای رفتار مشتریان کشف و شناسایی می گردد. با استفاده از نتایج این پژوهششرکت های بیمه ای می توانند ضمن بخش بندی و شناسایی مشتریان باارزش که خسارت کمتری دارند، میزان خسارت مشتریان جدید را نیز پیش بینی نمایند.

خوشه بندی و کشف الگوهای خسارت مشتریان بیمه شخص ثالث با استفاده از تکنیک های داده کاوی Keywords:

بیمه شخص ثالث , داده کاوی , الگوریتم K-means , بخش بندی , قوانین انجمنی