مقايسه ي دو روش داده كاوي در بخش بندي مشتريان بيمه ي بدنه ي اتومبيل براساس ريسك (مورد مطالعه: شركت بيمه ي ملت)

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

با رشد روز افزون كامپيوتر، مقادير زيادي از داده ها به وسيله ي سيستم هاي مختلف به وجود مي آيند. در حال حاضر مسيله ي پيش روي سازمان ها، ديگر جمع آوري داده ها نيست، بلكه توانايي استخراج اطلاعات مفيد از ميان آنهاست. همانند ديگر بخش هاي اقتصادي، شناخت و جذب مشتريان كم ريسك و سودآور براي صنعت بيمه نيز داراي اهميت است. بيمه ي اتومبيل يكي از مهم ترين رشته هاي بيمه اي در ايران است. اگر شركت هاي بيمه به طبقه بندي مشتريان با توجه به ويژگي هاي قابل مشاهده بپردازند، مي توانند نرخ پوشش دهي بيمه و سود خود را افزايش دهند و از سوي ديگر فشاري بر افراد با ريسك كم براي جبران خسارات وارده به وسيله ي افراد ريسك زياد به شركت هاي بيمه وارد نشود. در اين تحقيق طبقه بندي ريسكي بيمه گذاران با استفاده از دو تكنيك شبكه ي انجام شد. در ابتدا عوامل تاثير گذار بر ريسك بيمه گذاران k-means خودسازمان ده و الگوريتم شناسايي شد و سپس بخش بندي مشتريان با استفاده از دو روش نام برده به صورت جداگانه انجام گرفت و ويژگي هاي مشتريان در هريك از بخش ها مشخص شد. در پايان مقايسه اي بين دو روش صورت گرفت و تفاوت هاي آنها بيان شد.

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.