مدلي جهت دسته‌بندي ريسكي گروه‌هاي مشتريان بيمه بدنه اتومبيل براساس ريسك بااستفاده از تكنيك داده‌كاوي مورد مطالعه: بيمه بدنه اتومبيل در يك شركت بيمه‌اي

Data Mining Techniques in Customer Segmentation: A Case Study in Automobile Insurance in an Insurance Company

در كشور ما بيمه اتومبيل از مهم‌ترين رشته‌هاي بيمه‌اي است كه سهم عمده‌اي در پرتفوي صنعت بيمه دارد. در ايران نرخ حق‌بيمه بدنه اتومبيل باتوجه به تعرفه بيمه مركزي ج. ا. ا. تعيين مي‌شود. هدف اين تحقيق ارايه راهكار به شركت‌هاي بيمه جهت تعيين نرخ حق‌بيمه بدنه اتومبيل باتوجه به سطح ريسك هريك از مشتريان و ياري‌كردن سازمان‌هاي بيمه در جهت پيشبرد اهداف و به‌كارگيري استراتژي‌هاي مناسب در خصوص هريك از دسته‌هاي مشتريان و بهبود موقعيت فعلي در بازار است. در مدل ارايه‌شده در ابتدا عوامل تاثيرگذار بر ريسك بيمه‌گذاران طي دو مرحله شناسايي شد. در مرحله اول هيجده فاكتور ريسك در چهار گروه شامل مشخصات جمعيت‌شناختي، مشخصات اتومبيل، مشخصات بيمه‌نامه و سابقه راننده از بين مقالات علمي منتشرشده در مجلات معتبر در بازه سال‌هاي 2009- 2000 استخراج شد و در مرحله دوم بااستفاده از نظرسنجي از خبرگان، فاكتورهاي نهايي تعيين گرديد. پس از بخش‌بندي مشتريان بااستفاده از شبكه خودسازمانده، ويژگي‌هاي مشتريان در هريك از بخش‌ها شناسايي شد. شناسايي ويژگي‌هاي مشتريان، اولين گام براي تعريف حق‌بيمه‌هاي متفاوت براساس سطح ريسك هر مشتري است.

This paper aims to discuss customer segment ion in auto insurance market based on several risk criteria. Many businesses realize that their most important asset is their customer base. In today’s competitive business environment, the ability to identify profitable lines of business and build long term loyalty among customers with expansion of existing profitable lines is a major business strategy. Identifying customers with high default risk is a key competitive advantage to a company. The relatively high share of unprofitable business clients in many sectors leads to the question of how insurance companies should deal with such clients. Auto insurance in Iran is one of the largest lines of insurance business which has a large share in most insurance company portfolios. However, offering similar premiums for all people with different risks, leads to unfair rates and consequently losses. There are important factors such as age, gender, marital status, income and automobile characteristics like vehicleʹs make and model that can affect risks faced by the insured. Segmentation is one of the most important concepts in marketing which enables firms to target profitable customers, understand customersʹ desires, allocate resources, and locate against competitors. Customer segmentation involves subdivision of customers into smaller groups with similar characteristics. In our analysis we use Self-Organizing feature Maps (SOM) as a neural network to segment auto insurance customers, and then use K-means algorithm to compare with the SOM method.