كشف مشتريان سودآور با رويكرد داده محور

Discovering Profitable Customers by Data Mining Approach

هدف: امروزه مشتريان به عامل بسيار مهم و حياتي در هدايت سرمايه‌گذاران، توليدكنندگان و حتي محققان و نوآوران مبدل گشته‌‌اند. به همين دليل، سازمان‌‌ها نياز دارند مشتريان خود را بشناسند و براي آنان برنامه‌‌ريزي كنند. در اين پژوهش، تلاش شده تا به يكي از اساسي‌‌ترين سوالات سازمان‌‌هاي بيمه‌‌اي، يعني پيش‌‌بيني سطح خسارت مشتريان، پاسخ داده شود. روش تحقيق: در پژوهش حاضر از ابزار داده‌‌كاوي براي داده‌‌هاي مشتريان صنعت بيمه، بخش بيمه بدنه خودرو از سال 1394 تا 1396 استفاده شده‌است. تعداد كل داده‌ها كه از ابتدا در اين پژوهش مورد استفاده قرار مي‌گيرد بيش از 19356 بوده كه در ادامه و در طي آماده‌سازي آن‌ها با استفاده از نرم‌افزار Rapidminer 7. 1 تعداد داده‌هايي كه در نرم‌افزار لحاظ مي‌شود 19356 است. پس از پردازش اوليه تلاش مي‌شود، از بين 15 متغير موجود در پايگاه داده ويژگي استخراج شود كه ملموس باشد و اين پژوهش را در هدف خود ياري دهد. بدين منظور با به ‌كارگيري خوشه‌‌بندي، رانندگان بر اساس ميزان مبلغ خسارت به خوشه‌‌هاي مجزا تقسيم مي‌شوند و ويژگي‌‌هاي هر خوشه بيان مي‌‌شود. در قسمت خوشه‌‌بندي، ابتدا الگوريتم‌هاي k-means، k-medoidsو DBSCAN استفاده شده‌‌است. سپس الگوريتم‌‌هاي بكار رفته به جهت زمان انجام محاسبات و ميزان صحت با يكديگر مقايسه شدند. يافته‌ها: در نهايت الگوريتم k-means به عنوان الگوريتم بهينه براي اين مجموعه داده انتخاب شد. در انتها به كمك درخت تصميم مدلي پيش‌بيني ارايه مي‌شود كه شركت‌‌هاي بيمه را در جهت سودآوري بيشتر و كشف مشتريان سودآور كمك مي‌كند و براي برنامه‌‌ريزي و تصميم‌‌گيري‌‌هاي آتي سازمان قابل استفاده‌‌است. نتيجه‌گيري: براي پيش‌بيني، درخت تصميم، با ميزان صحت 21/ 86% بهترين مدلي بود كه در اين پژوهش به آن رسيديم و در مدل درخت تصميم ارايه شده معيار درآمد بيمه‌‌گذار به عنوان گره ريشه درنظرگرفته مي‌‌شود كه همين نكته نشان‌‌دهنده آن است روش بكار رفته مي‌‌تواند به شركت‌‌هاي بيمه كمك كند تا با تمركز بر مشتريان سودآور به درآمد بيشتري برسند.

was the main approach of this study fully covered the information needs by methods such as classification, prediction and clustering. The k-means algorithm was selected as the most optimal one in time and accuracy. In the following, the implementation of the algorithms in the modeling step, the decision tree algorithm was selected and by the decision tree related to the forecasting model, it can be predicted future customers by what characteristics would be in what category. It will be valuable for the insurance companies. Using a decision tree, a forecasting model is proposed to help insurance companies to identify profitable customers which can be used for future plans of organizations. Conclusion: The customer plays an important role in today's industry. Through studying the data obtained from customer behavior, appropriate action can be taken for marketing-related planning and customer acquisition. The use of predictive models and preventive roadmaps has always been one of the goals of the tools that various organizations have been looking for. In this research, the insurance industry as one of the most important pillars of economic in developing countries has been chosen. By reviewing the share of the insurance industry in the economy of a developing country, it can be seen that insurance has a significant role compared to other services. In this study, the role of insurance companies in optimizing the investment process and ways to expand the interaction between insurance examined. Customers can lead to the growth and development of the insurance industry and the capital market and thus the growth and development of the national economy. Therefore, in the implementation of this research, the data of insurance customers have been used and a forecasting model has been presented. As a good prediction model, the decision tree with 86.21% accuracy was the best model that reached in this study. The insurers’ income criterion is considered as the node root, which shows the used method can help insurance companies make more profit by focusing on profitable customers.