الگوی خوشه‌بندی مشتریان بیمۀ عمر (مطالعۀ موردی: یک شرکت بیمه‌ای)

نوع مقاله: مقاله علمی - پژوهشی

نویسندگان

1 دانشجوی دکتری مدیریت فناوری اطلاعات، دانشگاه آزاد اسلامی، واحد بین‌المللی قشم/سازمان تأمین اجتماعی

2 دانشجوی دکتری مدیریت فناوری اطلاعات، دانشگاه آزاد اسلامی، واحد تهران مرکزی

3 دانشجوی دکتری مدیریت فناوری اطلاعات، دانشگاه آزاد اسلامی، واحد بین‌المللی قشم

10.22056/jir.2017.79605.2032

چکیده

این پژوهش به مطالعه در اطلاعات مشتریان بیمۀ عمر به منظور دستیابی به الگوی خوشه‌بندی برای ارائۀ خدمات می‌پردازد. از جامعۀ شرکتهای بیمۀ عمر، یک شرکت بیمه‌ای با اندازۀ نمونۀ 1000 نفر که در سال 1392 اقدام به خرید بیمه‌نامۀ عمر کرده‌اند، انتخاب شد. با استفاده از مدلهای خوشه‌بندی داده‌کاوی، عوامل مؤثر و روابط بین آنها مورد بررسی قرار گرفت و درنهایت، نتایج حاصل از مدلهای مختلف خوشه‌بندی با یکدیگر مقایسه شدند. با استفاده از نتایج به‌دست‌آمده، شرکتهای بیمه‌ای می‌توانند مشتریان بیمۀ عمر را در دو گروه اصلی «مشتریان سودبخش» و «مشتریان دارای ریسک» طبقه‌بندی کنند و به هریک از گروه‌ها، بسته‌های خدماتی متناسب ارائه دهند. به‌علاوه، متغیرهای جمعیتی همچون «جنسیت» و «سن» و متغیرهای بیمه‌ای همچون «حق‌بیمۀ سالیانه» و «ضریب فوت در اثر حادثه» به‌عنوان عوامل تأثیرگذار در شناسایی گروه‌های مشتریان هستند.

کلیدواژه‌ها


عنوان مقاله [English]

Clustering Pattern of Life Insurance Customers (Case Study: An Insurance Company)

نویسندگان [English]

  • Maryam Bash Afshar 1
  • Masoud SaedPanah 2
  • Farshid Tireh Eidouzehi 3
1 Phd Student of IT Management, Islamic Azad Universty, International Branch, Qeshm/ Social Security Organization
2 Phd Student of IT Management, Islamic Azad University, Centeral Branch
3 Phd Student of IT Management, Islamic Azad University, International Branch, Qeshm.
چکیده [English]

This research studies life insurance customers data in order to construct a clustering model for providing services. According to our estimations for sample size, our sample consists of 1000 life insurance policyholders who bought their policies in 2013 from an Insurance Company. Using clustering data mining models, effective factors and their relationships are examined. Finally, the results of different clustering models are compared to each other. According to the results, insurance companies can categorize life insurance customers into two main groups, including "profitable customers" and "risky customers". Hence, insurance company is able to offer suitable service packages to each group of customers. Some demographic indices, such as “gender” and “age”, and insurance indices, such as “annual premium” and “death rate due to accident” are considered as effective factors for identifying groups of customers.

کلیدواژه‌ها [English]

  • : Life Insurance Customers
  • Data mining
  • Clustering
  • Life Insurance