ارایه یک روش هوشمند به منظور شناسایی فاکتورهای موثر در رویگردانی مشتریان در صنعت بیمه با استفاده از تکنیک یادگیری جمعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 مؤسسه آموزش عالی آیندگان، گروه مهندسی کامپیوتر، تنکابن، مازندران، ایران

2 گروه مهندسی کامپیوتر، واحد رشت، دانشگاه آزاد اسلامی، رشت،

3 مؤسسه آموزش عالی آیندگان، گروه ریاضی کاربردی، تنکابن، مازندران، ایران

4 راهبر میز داده کاوی، پژوهشکده بیمه، تهران، ایران

5 تهران دانشگاه شهید بهشتی گروه فناوری اطلاعات و انفورماتیک

چکیده

با توجه به بازار رقابتی صنعت بیمه و اشباع آن، حفظ مشتریان از مهم‌ترین اهداف کارگزاران بیمه به حساب می‌آید. زیرا برای جذب مشتری جدید علاوه بر ایجاد رابطه با بیمه‌گذار و جلب اطمینان وی، مستلزم صرف هزینه زیادی می‌باشد‌، به‌طوری‌که هزینه جذب مشتریان جدید بسیار بیشتر از حفظ مشتریان موجود است. بر این اساس، استراتژی‌های بازاریابی، از محصول مداری تغییر کرده و بسیاری از شرکت‌ها به مدیریت ارتباط با مشتریان روی آورده‌اند.
تعداد زیادی از شرکت‌ها و سازمان‌ها دریافته‌اند که حفظ و نگهداری مشتریان فعلی‌شان به‌عنوان گرانبهاترین سرمایه، ارزش بسیار بالایی دارند. استراتژی شرکت‌های بیمه ابتدا حفظ مشتریان فعلی و سپس جذب مشتریان جدید می‌باشد. در این راستا، شناسایی فاکتورهای موثر در رویگردانی مشتریان از اهمیت های بالایی برخوردار است. در این مقاله از روش های داده کاوی برای پیش بینی عوامل موثر در رویگردانی مشتریان استفاده شده است. بر اساس تجزیه و تحلیل نتایج بدست آمده مشخص شده است که کانال جذب مشتری، سابقه خرید و کاربری مکان بیمه شده به ترتیب از عوامل مهم در رویگردانی مشتریان در صنعت بیمه است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

An Intelligent Method to Identify Effective Factors in Customers' Dissatisfaction in the Insurance Industry using Ensemble Learning

نویسندگان [English]

  • Kamran Balani 1
  • Hossein Sadr 2
  • Ahmad Edalatpanah 3
  • Mahnaz Manteghipour 4
  • mojdeh nazari 5
1 Department of Computer Engineering, Ayandegan Institute of Higher Education, Tonekabon, Iran
2 Department of Computer Engineering, Rasht branch, Islamic Azad University, Guilan, Iran
3 Department of Mathematics, Ayandegan Institute of Higher Education, Tonekabon, Iran
4 Data mining desk leader, Insurance Research Center, Tehran, Iran
5 shahid beheshti tehran
چکیده [English]

Given the competitive market of the insurance industry, customer retention is one of the most important goals of insurance brokers. As a matter of fact, attracting a new customer as well as establishing a relationship with the insurer and gaining his trust requires a lot of money. However, the cost of attracting new customers is much more than retaining existing customers. Accordingly, marketing strategies have shifted from product-oriented and many companies have turned to customer relationship management.
Companies and organizations have found that retaining their current customers as their most valuable asset is highly important. Therefore, the strategy of insurance companies is to first retain existing customers and then attract new customers. In this regard, identifying the effective factors in customer turnover is essential. In this paper, data mining methods are used to predict the factors affecting customer dissatisfaction. Based on the empirical results, it has been determined that the customer attraction channel, purchase history and place of insurer are important factors affecting customers dissatisfaction in the insurance industry, respectively.

کلیدواژه‌ها [English]

  • Insurance Industry
  • Marketing Strategies
  • Customer Dissatisfaction
  • Data Mining
  • Machine Learning
Karunarathna, K. and D. Rasika, Factors Affecting Salesforce Unethical Behavior: Evidence from Life Insurance Industry. Wayamba Journal of Management, 2021. 12(2). DOI: 10.1213/ANE.0b013e31828843e6
Osman, A.S., Data mining techniques. 2019. DOI: 10.1111/j.1423-0410.2010.01446
Nicholson, J.E., Challenges for the Insurance Industry in the Future. Journal of Insurance Regulation, 2019. 38(6). Doi: https://doi.org/10.1016/j.tele.2013.02.002
Pirmohammadi, G. and M.M. Zohouri, Comparison of Artificial Neural Network and SPSS Model in Predicting Customers Churn of Iran’s Insurance Industry. International Journal of Computer Applications. 975: p. 8887. doi: https://doi.org/10.13052/jicts2245-800X.12a9
Cao, S., et al. Deep Learning Based Customer Churn Analysis. in 2019 11th International Conference on Wireless Communications and Signal Processing (WCSP). 2019. IEEE. Doi: https://doi.org/10.1016/j.chb.2016.04.023
Saghir, M., et al. Churn prediction using neural network based individual and ensemble models. in 2019 16th International Bhurban Conference on Applied Sciences and Technology (IBCAST). 2019. IEEE. Doi: https://doi.org/10.1016/j.compeleceng.2017.09.001
Khodabandehlou, S. and M.Z. Rahman, Comparison of supervised machine learning techniques for customer churn prediction based on analysis of customer behavior. Journal of Systems and Information Technology, 2017. Doi: https://doi.org/10.1016/j.future.2019.01.020
Bhatnagar, A. and S. Srivastava. A Robust Model for Churn Prediction using Supervised Machine Learning. in 2019 IEEE 9th International Conference on Advanced Computing (IACC). 2019. IEEE. Doi: https://doi.org/10.1016/j.future.2019.01.020
Omerašević, A. and J. Selimović, Risk factors selection with data mining methods for insurance premium ratemaking·. Zbornik Radova Ekonomski Fakultet u Rijeka, 2020. 38(2): p. 667-696. Doi:https://dio.org/10.1002/sec.795
Kirlidog, M. and C. Asuk, A fraud detection approach with data mining in health insurance. Procedia-Social and Behavioral Sciences, 2012. 62: p. 989-994. DOI: https://10.1016/j.eswa.2011.01.075
Ling, C.X. and C. Li. Data mining for direct marketing: Problems and solutions. in Kdd. 1998. https://doi.org/10.3724/SP.J.1383.203008
Smith, K.A., R.J. Willis, and M. Brooks, An analysis of customer retention and insurance claim patterns using data mining: A case study. Journal of the operational research society, 2000. 51(5): p. 532-541. doi.org/10.1016/j.energy.2016.06.087
Cho, V. and E.W. Ngai, Data mining for selection of insurance sales agents. Expert systems, 2003. 20(3): p. 123-132. https://doi.org/10.3724/SP.J.1383.203008
حسین خانی, ن., س.م. حسینی مطلق, و م. خاکزار بفرویی, شناسایی عوامل موثر بر رویگردانی مشتریان در صنعت بیمه, در بیست و یکمین همایش ملی و هفتمین همایش بین المللی بیمه و توسعه. 1393.
Günther, C.-C., et al., Modelling and predicting customer churn from an insurance company. Scandinavian Actuarial Journal, 2014. 2014(1): p. 58-71. https://doi.org/doi.org/10.3724/SP.J.1383.203008
فیروزی, م,و همکاران، شناسایی تقلب در بیمه اتومبیل با استفاده از روش‌های داده‌کاوی. پژوهشنامه بیمه) صنعت بیمه)، 1390.
Morik, K. and H. Köpcke. Analysing customer churn in insurance data–a case study. in European conference on principles of data mining and knowledge discovery. 2004. Springer. https://doi.org/10.3724/SP.J.1383.203008
توکلی, ا ,و همکاران، به کارگیری فرایند داده‌کاوی برای پیش‌بینی الگوهای رویگردانی مشتری در بیمه. چشم انداز مدیریت بازرگانی, 1391.
Olson, D.L. and D. Delen, Advanced data mining techniques. 2008: Springer Science & Business Media. https://doi.org/10.3724/SP.J.1383.203008
CAPTCHA Image