شناسائی الگوی رفتاری مشتریان در بیمه عمر و تشکیل سرمایه با استفاده از داده کاوی

امروزه تعامل شرکت‌ها با مشتریان در قالب مدیریت ارتباط با مشتری به طور قابل توجهی تغییر یافته است. شناسایی ویژگی‌های مشتریان مختلف و تخصیص بهینه منابع به آنها با توجه به ارزشی که برای شرکت‌ها دارند، به یکی از دغدغه‌های اصلی در حوزه مدیریت ارتباط با مشتری تبدیل شده است. هدف این مقاله ارائه مدل مناسبی جهت بخش‌بندی مشتریان بر‌اساس برخی از مهم‌ترین ویژگی‌های مالی، جمعیت شناختی در قالب عوامل موثر بر شاخص‌های ارزش دوره عمر مشتری (آر.اف.ام) می‌باشد. در فرایند پیشنهادی این تحقیق که در شرکت بیمه سامان اجرا شده است، پس از تعیین مقادیر شاخص‌های مدل آر.اف.ام (rfm) شامل تازگی مبادله، تعداد دفعات مبادله و ارزش پولی مبادله در 180000 مشتری و وزن‌دهی آنها با استفاده از فرایند تحلیل سلسله مراتبی، تعداد خوشه بهینه بر‌اساس شاخص سیلوئت و نرخ تاثیر شاخص‌های آر.اف، ام با استفاده از الگوریتم two-step انجام شد و در مرحله بعد به خوشه‌بندی مشتریان با استفاده از روش kmeans پرداخته شده است. نتایج مطالعه حاضر، زمینه را برای تحلیل ویژگی‌های مشتریان شرکت در سه بخش اصلی فراهم نمود. همچنین با اولویت‌بندی خوشه‌ها بر‌اساس شاخص‌های آر.اف.ام، مشتریان کلیدی و با ارزش شرکت مشخص شدند. در‌نهایت نیز پیشنهادهایی به شرکت برای بهبود سیستم مدیریت ارتباط با مشتری ارائه گردید.

Identifying the customer behavior model in life insurance Sector using data mining

Interaction of companies with customers in the form of customer relationship management has changed significantly. Identifying characteristics of different customers and allocating resources to them according to their value to the firm has become one of the main concerns in customer relationship management. The purpose of this paper is to provide an appropriate model for customer segmentation based on some of the most important financial and demographics characteristics influencing factors of customer lifetime value (CLV). The process proposed in this study was performed in Saman insurance company. After determining RFM model indices, which include date, frequency and monetary of purchase, AHP method used for weighting them among 180000 customers. The optimal number of clusters based on the silhouette and impact of RFM indicators was done by using Twostep algorithm and then customers classified through KMeans clustering algorithm. Results provided a platform to analyze the characteristics of customers in three main sections. Also, by prioritizing clusters based on the RFM indices, valuable customers were identified. Finally, some suggestions were presented to the company to improve its customer relationship management system.