پیش‌بینی خرید بیمه‌نامه حرف و مشاغل آزاد سازمان تامین اجتماعی با استفاده از الگوریتم طبقه‌بندی درخت تصمیم و جنگل تصادفی

پوشش بیمه سازمان تامین اجتماعی برای حرف و مشاغل آزاد به صورت اختیاری در سه نرخ 12، 14 و 18 درصد ارائه می‌شود اما نگاه به آمار نشان می‌دهد که تقاضای این بیمه‌نامه‌ها بسیار پایین است. این پژوهش با استفاده از داده‌کاوی و با به‌کارگیری دو الگوریتم یادگیری ماشین یعنی درخت تصمیم و جنگل تصادفی به بررسی مشخصه‌های خریداران این نوع بیمه‌نامه‌ها پرداخته و با ارائه یک مدل طبقه‌بندی، رفتار آن‌ها را پیش‌بینی می‌کند تا از این طریق به سازمان تامین اجتماعی در جهت بهبود مدیریت ارتباط با مشتری کمک کند. برای این منظور، از اطلاعات 1286174 نفر از خریداران انواع بیمه‌نامه‌های حرف و مشاغل آزاد سال 1399 استفاده شد که مشخصه‌های سن، جنسیت، متوسط درآمد ماهانه، میزان سابقه کار و نوع بیمه‌نامه خریداری شده را در بر می‌گیرد. نتایج به دست آمده نشان می‌دهند که زنان به طور عمده متقاضی بیمه‌نامه با نرخ 12 درصد هستند در حالی که مردان به دلیل بر عهده داشتن بار تکفل خانواده عمدتاً تمایل به خرید بیمه‌نامه‌های با نرخ 14 و 18 درصدی دارند. همچنین، در مردان با افزایش سن، درآمد و سابقه، تقاضای بیمه‌های با نرخ 14 و 18 درصد افزایش می‌یابد، اما چنین روندهایی برای زنان وجود ندارد. طبق نتایج به‌دست آمده متغیرهای میزان سابقه کار و پس از آن جنسیت در انتخاب نوع بیمه‌نامه تعیین‌کننده هستند، به گونه‌ای که طبق پیش‌بینی مدل افراد با سابقه کار کمتر از 4/5 سال متقاضیان قطعی بیمه‌نامه 12 درصدی شناخته شده‌اند. با توجه به نتایج و انگیزه پایین زنان و جوانان برای انتخاب بیمه‌های با خدمات گسترده‌تر، سازمان تامین اجتماعی می-تواند ازطریق ارائه مشوق‌ها یا خدمات کوتاه‌مدت، جذابیت این نوع بیمه‌نامه با خدمات گسترده‌تر را در بین این گروه خاص افزایش دهد.

predicting the purchase of self-employed pension schemes in the iranian social security organization using decision tree and random forest classification algorithms

the pension coverage of the iranian social security organization for self-employed workers is offered at three contribution rates of 12, 14 and 18 percent, but looking at the statistics shows that the demand for these types of insurances is low. this research investigates the characteristics of these insured groups by using data mining and applying two machine learning algorithms, decision tree and random forest, and predicts their behavior by providing a classification model. this will help the social security organization to improve customer relationship management. for this purpose, the information of 1286174 insured persons of self-employed in 2020 was used, which includes the characteristics of age, gender, average monthly income, the years of service, and the type of self-employed pension scheme. the obtained results show that women mainly apply for the scheme with 12 percent contribution, while men tend to be covered by schemes with contribution rates of 14 and 18 percent due to the burden of supporting the family. also, for men, the demand for schemes of 14 and 18 percent increases with the increase of age, income and years of service, but there are no such trends for women. according to the obtained results, years of service and then gender are decisive in choosing the type of pension scheme in such a way that according to the prediction of the model, people with less than 4.5 years of service are known as definite applicants for 12 percent self-employed pension scheme.