ارائه چهارچوبی به منظور بخش بندی بیمه گذاران بیمه عمر با استفاده از داده کاوی

هدف از این پژوهش ارائۀ چارچوبی برای بخش بندی بیمه گذاران بیمۀ عمر با استفاده از روش های داده کاوی است. جامعۀ آماری پژوهش شامل مشتریان شرکت بیمه ای در شهر اصفهان بوده است و داده های لازم از قراردادهای بیمه گذاران بیمۀ عمر این شرکت، در بازه زمانی سال های 1387 تا 1397 جمع آوری شده است. بدین ترتیب داده های مربوط به 353 نفر از بیمه گذاران بیمۀ عمر در قالب چهارده متغیر (ویژگی های فردی و شرایط بیمۀ انتخابی) گردآوری شد. با استفاده از الگوریتم خوشه بندی کا میانگین و به کمک معیار سیلوئت در نرم افزار «متلب»، مشتریان در چهار خوشه طبقه بندی شدند. تحلیل نتایج به دست آمده از رفتار مشتریان هر خوشه، مبنایی برای نام گذاری خوشه ها به نام های ترقی خواهان، محافظه کاران، زحمت کشان و طلایه داران به دست داد. همچنین به منظور تسهیل فرایند بررسی متغیرهای ورودی در هر خوشه، فقط هفت متغیر (سن، تحصیلات، شغل، نحوۀ پرداخت حق بیمه، تعداد استفاده کنندگان از سرمایۀ بیمه درصورت فوت، نرخ افزایش سرمایۀ فوت و پرداخت حق بیمۀ منظم) در تحلیل نهایی وارد شد، یعنی متغیرهایی که در خوشه هایی که در آزمون «خی» دو تفاوت معنادار بین آن ها در سطح 001 /0 وجود داشت.

Presenting a Framework for Segmentation of Life Insurance Customers Using Data Mining

The purpose of this study is to provide a framework for segmentation of life insurance customers using data mining techniques. The statistical population of the study consisted of customers of an insurance company in Isfahan, where the required data were collected from contracts of life insurance during the years 2008 to 2018. Data were collected on 353 life insurance policyholders in 14 variables (in terms of individual characteristics and selected insurance conditions). Customers were classified into 4 clusters using Kmeans clustering algorithm and Matlab software. The analysis of the results of the customer behavior of each cluster provided a basis for naming the clusters as progressives, conservatives, toilers, and vanguards. Also, to facilitate the process of examining the input variables in each cluster, only 7 variables (age, education, occupation, premium payment, number of beneficiaries of death insurance, death rate increase and regular premium payment) are included in each cluster. In the Chisquare test, there were two significant differences at the 0.001 level.