نوع مقاله : مقاله علمی

نویسندگان

• مریم باش افشار ¹
• مسعود سعیدپناه ²
• فرشید تیره عیدوزهی ¹

¹ گروه مدیریت فناوری اطلاعات، دانشگاه آزاد اسلامی، واحد بین‌المللی قشم، هرمزگان، ایران

² گروه مدیریت فناوری اطلاعات، دانشگاه آزاد اسلامی، واحد تهران مرکزی، تهران، ایران

چکیده

این پژوهش به مطالعه در اطلاعات مشتریان بیمۀ عمر به منظور دستیابی به الگوی خوشه‌بندی برای ارائۀ خدمات می‌پردازد. از جامعۀ شرکتهای بیمۀ عمر، یک شرکت بیمه‌ای با اندازۀ نمونۀ 1000 نفر که در سال 1392 اقدام به خرید بیمه‌نامۀ عمر کرده‌اند، انتخاب شد. با استفاده از مدلهای خوشه‌بندی داده‌کاوی، عوامل مؤثر و روابط بین آنها مورد بررسی قرار گرفت و درنهایت، نتایج حاصل از مدلهای مختلف خوشه‌بندی با یکدیگر مقایسه شدند. با استفاده از نتایج به‌دست‌آمده، شرکتهای بیمه‌ای می‌توانند مشتریان بیمۀ عمر را در دو گروه اصلی «مشتریان سودبخش» و «مشتریان دارای ریسک» طبقه‌بندی کنند و به هریک از گروه‌ها، بسته‌های خدماتی متناسب ارائه دهند. به‌علاوه، متغیرهای جمعیتی همچون «جنسیت» و «سن» و متغیرهای بیمه‌ای همچون «حق‌بیمۀ سالیانه» و «ضریب فوت در اثر حادثه» به‌عنوان عوامل تأثیرگذار در شناسایی گروه‌های مشتریان هستند.

کلیدواژه‌ها

• مشتریان بیمۀ عمر
• داده‌کاوی
• خوشه‌بندی
• بیمۀ عمر

عنوان مقاله [English]

Clustering model of life insurance customers (Case study: An insurance company)

نویسندگان [English]

• M. Bash Afshar ¹
• M. SaedPanah ²
• F. Tireh Eidouzehi ¹

¹ Department of Information Technology Management, Islamic Azad University, Qeshm International Branch, Hormozgan, Iran

² Department of Information Technology Management, Islamic Azad University, Central Tehran Branch, Tehran, Iran

چکیده [English]

This research studies the information of life insurance customers in order to achieve a clustering model for providing services. From the community of life insurance companies, an insurance company with a sample size of 1000 people who purchased life insurance in 2013 was selected. Using data mining clustering models, the effective factors and relationships between them were investigated and finally, the results of different clustering models were compared with each other. Using the obtained results, insurance companies can classify life insurance customers into two main groups: "profitable customers" and "risky customers" and provide appropriate service packages to each group. In addition, demographic variables such as "gender" and "age" and insurance variables such as "annual insurance premium" and "accident death rate" are influential factors in identifying customer groups.

کلیدواژه‌ها [English]

• : Life Insurance Customers
• Data mining
• Clustering
• Life Insurance