پژوهشنامه بیمه

فصلنامه علمی

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

پیوندهای مفید

پرسش‌های متداول

اخبار و اعلانات

همکاران اجرائی نشریه

پایگاه های نمایه های تخصصی

نحوه نگارش مقاله

فرم های نشریه

راهنمای عملی واحدهای SI

خط مشی محدودیت کلمات یک مقاله

داوران

خط مشی داوری

بخش‌بندی مشتریان صنعت بیمه با استفاده از الگوریتم خوشه‌بندی دو مرحله‌ای مقیاس‌پذیر (نمونه موردی یک شرکت بیمه)

نوع مقاله : مقاله علمی

نویسندگان

گروه مدیریت، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، خراسان رضوی، ایران

چکیده

هدف: امروزه در صنعت بیمه، ایفای نقش مشتری از دنباله‌روی ارائه‌کنندگان خدمت به هدایتگر خدمت‌دهندگان بدل گشته است بنابراین باتوجه به تفاوت در سودآوری، نوع خرید، وفاداری، ریسک، بُعد رفتاری و جمعیت شناختی مشتریان در پی ایجاد مرزبندی قابل توجه‌ای بین آن‌ها با استفاده از رویکرد بخش‌بندی مشتریان می‌باشیم تا با شناخت ویژگی‌های هریک از این گروه‌های مختلف، افزایش قدرت رقابتی و موفقیت فعالان این حوزه فراهم گردد.
روش‌شناسی: در این پژوهش بخش‌بندی مشتریان یک شرکت بیمه با استفاده از روش خوشه‌بندی دو مرحله‌ای با الگوریتم تحلیل کلاستر مقیاس‌پذیر باتوجه به قابلیت این روش در تحلیل همزمان متغیرهای پیوسته و طبقه‌ای، انجام گردید. الگوهای حاکم در گروه‌بندی مشتریان شناسایی و سپس از تحلیل تشخیصی  برای اعتبارسنجی خوشه‌بندی استفاده شد.
یافته‌ها: باتوجه به تأثیر شاخص‌های تعیین‌شده  مشتریان در شش خوشه دسته‌بندی شدند. از بین شاخص‌های مورد بررسی متغیرهای میزان تخفیف ارائه‌شده، سودآوری، ضریب خسارت، حجم و تعداد بیمه‌نامه خریداری شده به ترتیب بیشترین نقش را در جداسازی خوشه‌ها از هم داشتند. از نظر متغیر سودآوری تمامی خوشه‌ها با یکدیگر متفاوت می‌باشند. از نظر شیوه جذب خوشه بدحساب‌ها با رهگذران و نورچشمی‌ها با خوشه‌های خوش‌حساب‌ها متفاوت است.
نتیجه‌گیری: شرکت‌های بیمه می‌توانند با بهره‌گیری از تکنیک بخش‌بندی مشتریان براساس معیارهای پیشنهادی این مقاله و شناسایی ویژگی‌های آن‌ها، شناسایی جایگاه هریک از گروه‌ها در سود یا زیان شرکت، پیش‌بینی و ترسیم الگوی رفتاری مشتریان بالقوه و آتی با ویژگی‌های مشابه، همچنین تعیین بازار هدف و استراتژی بازاریابی مناسب توان رقابتی خود را نسبت به سایر رقبا افزایش دهند.

کلیدواژه‌ها

عنوان مقاله [English]

Segmentation of customers in the insurance industry using scalable two-stage clustering algorithm (a case study of an insurance company)

نویسندگان [English]

  • A. Pooya
  • D. fazel torshizi

Department of Management, Faculty of Administrative and Economic Sciences, Ferdowsi University of Mashhad, Razavi Khorasan, Iran

چکیده [English]

Objective: Today, in the insurance industry, playing the role of the customer has changed from following the service providers to leading the service providers, therefore, considering the difference in profitability, type of purchase, loyalty, risk, behavioral and demographic dimensions of the customers, in order to create a significant demarcation between them using We take the approach of customer segmentation to increase the competitive power and success of the activists in this field by knowing the characteristics of each of these different groups.
Methodology: In this research, the segmentation of the customers of an insurance company was done using the two-stage clustering method with the scalable cluster analysis algorithm, considering the ability of this method in the simultaneous analysis of continuous and categorical variables. The dominant patterns in customer grouping were identified and then diagnostic analysis was used to validate the clustering.
Findings: According to the effect of the determined indicators, the customers were classified into six clusters. Among the investigated indicators, the variables of discount amount provided, profitability, loss ratio, volume and number of purchased insurance policies played the most important role in separating the clusters. In terms of profitability variable, all clusters are different from each other. In terms of the method of attraction, the cluster of miscalculants is different from the passers-by, and the clairvoyants are different from the clusters of well-calculated ones.
Conclusion: Insurance companies can use the customer segmentation technique based on the criteria proposed in this article and identify their characteristics, identify the position of each group in the profit or loss of the company, predict and draw the behavior pattern of potential and future customers with similar characteristics, as well as determine the target market and Appropriate marketing strategy to increase their competitive power compared to other competitors.

کلیدواژه‌ها [English]

  • Customer Segmentation
  • Insurance Industry
  • Two-Step Cluster Analysis
مراجع
کاتلر، فیلیپ  آرمسترانگ، گری (1383)، اصول بازاریابی، علی پارسائیان، تهران، تابستان، ، چاپ سوم، جلد اول، 298.
حبیب­پورگتابی، کرم  صفری شالی، رضا (1388)، راهنمای جامع کاربرد SPSS در تحقیقات پیمایشی (تحلیل داده‌های کمی)، نشر لوپه، چاپ دوم، 803.
شیرخدایی، میثم  نجات، سهیل  اکبری، امیر (1395)، بخش‌بندی بازار بیمه عمر از طریق سبک زندگی مشتریان با استفاده از الگوی (AIO). تحقیقات بازاریابی نوین 21 (2)، صص 74-55.
افشار، مریم  سعیدپناه، مسعود  تیره عید و زهی، فرشید (1397)، الگوی خوشه‌بندی مشتریان بیمه عمر (مطالعه­ موردی: یک شرکت بیمه­ای). پژوهشنامه بیمه،‎ 33 (2)، صص64-45.
 
Bayer, J.; Taillard, M., (2013). A new framework for customer segmentation. Harvard Business Review.
Bose, R.; Sugumaran, V., (2003). Application of knowledge management technology in customer relationship management. Knowledge and process management, 10(1), 3-17.
Berson, A.; Smith, S.; Thearling, K., (1999). Building data mining applications for CRM. McGraw-Hill Professional.
Brooks, R., (1999). Alienating customers isn't always a bad idea, many firms discover. Wall Street Journal, 1, A12.
Campbell, N.C.; Cunningham, M.T., (1983). Customer analysis for strategy development in industrial markets. Strategic Management Journal, 4(4), 369-380.
علیرضا پویا و داود فاضل ترشیزی
Chaudhuri, A.; Shainesh, G., (2001). Implementing a technology bases CRM solution. The ICICI experience. Customer Relationship Management: Emerging Tools, Concepts and Applications, 174-184.
Chiu, T.; Fang, D.; Chen, J.; Wang, Y.; Jeris, C., (2001, August). A robust and scalable clustering algorithm for mixed type attributes in large database environment. In Proceedings of the seventh ACM SIGKDD international conference on knowledge discovery and data mining (pp. 263-268).
Dogan, O.; Ayçin, E.; Bulut, Z., (2018). Customer segmentation by using RFM model and clustering methods: a case study in retail industry. International Journal of Contemporary Economics and Administrative Sciences, 8(1), 1-19.
Gavett, G., (2014). What you need to know about segmentation. Harvard business review, 70, 5019-5028.
Griva, Anastasia.; Cleopatra, Bardaki.; Katerina, Pramatari.; Dimitris, Papakiriakopoulos., (2018). "Retail business analytics: Customer visit segmentation using market basket data." Expert Systems with Applications 100 (10), 1-16.
Hinton, T.D., (2001). The Spirit of Service: How to Create a Customer Focused Culture: A Customer Service Strategy for the New Decade and Beyond. Kendall Hunt Publishing Company.
Jagani, K.; Oza, F.V.; Chauhan, H., (2020). Customer Segmentation and Factors Affecting Willingness to Order Private Label Brands: An E-Grocery Shopper's Perspective. In Improving Marketing Strategies for Private Label Products (227-253). IGI Global.
Kuo, R.J., (2001). A sales forecasting system based on fuzzy neural network with initial weights generated by genetic algorithm. European Journal of Operational Research, 129(3), 496-517.
Lieder, I.; Segal, M.; Avidan, E.; Cohen, A.; Hope, T., (2019, December). Learning a faceted customer segmentation for discovering new business opportunities at Intel. In 2019 IEEE International Conference on Big Data (Big Data) (6136-6138). IEEE.
Liu, D.R.; Shih, Y.Y., (2005). Integrating AHP and data mining for product recommendation based on customer lifetime value. Information & Management, 42(3), 387-400.
Maass, P.; Graf, A.; Bieck, C., (2008). Trust, Transparency and Technology: European Customers' Perspectives on Insurance and Innovation. IBM Global Services.
McWilliams, G., (2004). Analyzing customers, Best Buy decides not all are welcome. The Wall Street Journal Online.
Narayanan, A.; Lawrence, F.B.; Rao, B.; Krishnadevarajan, P., (2007), “Customer Stratification: Understanding Customer Profitability,” POMS 2007 Annual Conference.
Neal, W.D.; Wurst, J., (2001). Advances in market segmentation. Marketing research, 13(1), 14.
Newstead, S.; D’Elia, A., (2010). Does vehicle colour influence crash risk? Safety science, 48(10), 1327-1338.
Peker, S.; Kocyigit, A.; Eren, P.E., (2017). LRFMP model for customer segmentation in the grocery retail industry: a case study. Marketing Intelligence & Planning, 35(4), 544-559.
Şchiopu, D., (2010). Applying TwoStep cluster analysis for identifying bank customers' profile. Buletinul, 62(3), 66-75.
Wei, J.T.; Lin, S.Y.; Weng, C.C.; Wu, H.H., (2012). A case study of applying LRFM model in market segmentation of a children’s dental clinic. Expert Systems with Applications, 39(5), 5529-5533.
Zablah, A.R.; Bellenger, D.N.; Johnston, W.J., (2004). An evaluation of divergent perspectives on customer relationship management: Towards a common understanding of an emerging phenomenon. Industrial marketing management, 33(6), 475-489.
Zeithaml, V.A., (2000). Service quality, profitability, and the economic worth of customers: what we know and what we need to learn. Journal of the academy of marketing science, 28(1), 67-85.
Zeithaml, V.A.; Rust, R.T.; Lemon, K.N., (2001). The customer pyramid: creating and serving profitable customers. California management review, 43(4), 118-142.
Zhang, T.; Ramakrishnan, R.; Livny, M., (1996). BIRCH: an efficient data clustering method for very large databases. ACM Sigmod Record, 25(2), 103-114.

نامه به سردبیر


سردبیر نشریه پژوهشنامه بیمه، هرگونه پیشنهاد و انتقاد دیگر نویسندگان و خوانندگان را در خصوص نقد و بررسی این مقاله مندرج در سامانه نشریه را ظرف مدت 3 ماه از تاریخ انتشار آنلاین مقاله در سامانه و قبل از انتشار چاپی نشریه، به منظور اصلاح و نظردهی امکان پذیر نموده است.، البته این نقد در مورد تحقیقات اصلی مقاله نمی باشد.
توجه به موارد ذیل پیش از ارسال نامه به سردبیر لازم است در نظر گرفته شود:
[1] نامه هایی که شامل گزارش آماری، واقعیت ها، تحقیقات یا نظریه پردازی ها هستند، لازم است همراه با منابع معتبر و مناسب همراه باشد، اگرچه ارسال بیش از زمان 3 نامه توصیه نمی گردد.
[2] نامه هایی که بجای انتقاد سازنده به ایده های تحقیق، مشتمل بر حملات شخصی به نویسنده باشند، توجه و چاپ نمی شود.
[3] نامه ها نباید بیش از 300 کلمه باشد.
[4] نویسندگان نامه لازم است در ابتدای نامه تمایل یا عدم تمایل خود را نسبت به چاپ نظریه ارسالی نسبت به یک مقاله خاص اعلام نمایند.
[5] به نامه های ناشناس ترتیب اثر داده نمی شود.
[6] شهر، کشور و محل سکونت نویسندگان نامه باید در نامه مشخص باشد.
[7] به منظور شفافیت بیشتر و محدودیت حجم نامه، ویرایش بر روی آن انجام می پذیرد.


 

ارسال نظر در مورد این مقاله
CAPTCHA Image
پژوهشنامه بیمه
دوره 9، شماره 2 - شماره پیاپی 32
فروردین 1399
صفحه 126-143
فایل ها
سابقه مقاله
  • تاریخ دریافت: 03 آذر 1397
  • تاریخ بازنگری: 01 آبان 1399
  • تاریخ پذیرش: 30 آذر 1399
هم رسانی
ارجاع به این مقاله
آمار