ارايه راهكاري براي تعرفهگذاري پويا در صنعت بيمه با استفاده از تكنيك دادهكاوي (مورد مطالعه: بيمه شخص ثالث)

Dynamic Tariffing in Insurance Industry With Data Mining Method (Case Study: Third Person Car Insurance)

بيمه‌نامه شخص ثالث بيشترين سهم از بازار بيمه كشور را دارا مي‌باشد و فرصت مناسبي براي كاوش اطلاعات و استخراج الگوهاي ناشناخته جهت تصميمات كلان در صنعت بيمه را فراهم مي‌نمايد. در حال حاضر حق بيمه با كمترين توجه به عوامل ريسك بيمه‌گذاران محاسبه مي‌گردد، كه موجب زيانده شدن بيمه‌نامه شخص ثالث براي شركت‌هاي بيمه و نارضايتي بيمه‌گذاران از خدمات شركت‌هاي بيمه گرديده است. بدين منظور در اين پژوهش، اطلاعات خودرويي، سوابق بيمه‌اي و ويژگي‌هاي بيمه‌گذاران در بيش از 30 ميليون بيمه‌نامه و ?/? ميليون خسارت جمع‌آوري و استانداردسازي شده و در داده‌انبار ذخيره گرديد. براي استانداردسازي داده‌هاي خودرويي با بانك اطلاعاتي نيروي انتظامي و اطلاعات هويتي بيمه‌گذاران با استفاده از داده‌هاي سازمان ثبت احوال كشور، اعتبارسنجي و تكميل گرديده است. سپس ساختار كاوشي طراحي و با استفاده از سه الگوريتم خوشه‌بندي، شبكه عصبي و درخت تصميم و داده‌هاي آموزشي مورد آموزش قرار گرفت. در نهايت مدل‌ها با استفاده از داده‌هاي آزمايشي مورد بررسي قرار گرفته و نتايج به‌دست‌آمده از مدل‌ها با استفاده از ماتريس آشفتگي و نسبت خسارت، مورد اعتبارسنجي قرار گرفتند، كه نتايج به‌دست‌آمده نشان‌دهنده امكان استفاده از روش ارايه‌شده در تعرفه‌گذاري پويا در خصوص بيمه شخص ثالث به‌صورتي كارآمد را نشان مي‌دهد، به‌نحوي كه نسبت خسارت، كاهش مي‌يابد و ماتريس آشفتگي، صحت ارزيابي را نشان مي‌دهد.

The third person car insurance has the biggest portion in the insurance market which makes an appropriate opportunity for data discovery and extracting unknown patterns for decision making in insurance industry. Currently premium is calculated with the minimum consideration to the risks. Based on these calculations lots of damages may occur to the insurers which affects the quality of their services which also leads to costumers’ dissatisfaction. To make data mining happen, vehicles’ information, police background and the insured person’s information are gathered, standardized and stored in a data warehouse from over 30 million policies and 2.7 million losses. For standardizing vehicles’ specification, police data are used and insured people’s identity are evaluated with national databases. Thereafter a mining structure designed and the three algorithms of clustering, neural network, and decision tree were performed on it. Finally, all models are evaluated using sample data and the results checked with confusion matrix and loss rate, which indicates the feasibility of this method in dynamically tariffing for this type of policies and leads to the decrease of the loss rate, the confusion matrix also indicates the accuracy of the evaluation.