‫ پیش‌بینی رفتار مشتریان بیمه از طریق ترکیب تکنیک‌های داده کاوی

پیش‌بینی رفتار مشتریان بیمه از طریق ترکیب تکنیک‌های داده کاوی

احسان مختاری, سید ابوالقاسم میرروشندل

چکیده

امروزه مهمترین اقدام شرکت‎های بیمه در بحث بازاریابی و تبلیغات، بخش‌بندی و تفکیک مشتریان براساس رفتار و نیاز آن‎ها است. از این‌رو، این شرکت‌ها برای شناسایی و تحریک کردن مخاطبان خود، بازاریابی و تبلیغات را به‌طور گسترده و هدفمند در تمام محیط‎های ارتباطی به انجام می‎رسانند. برای اثربخشی هرچه بهتر این رویکرد، مشتریان براساس معیارها و اهداف خاصی تفکیک و بخش‌بندی می‎شوند. خوشه‌بندی روشی تحلیلی برای کشف عملکرد و رفتار مخاطبان از طریق اطلاعات آن‎ها است. این امر باعث می‎شود تا شرکت‎ها بتوانند از طریق همین عملکرد مخاطبان، دست به اتخاذ تصمیم و تبلیغات هدفمند نسبت به آن‌ها بزنند. هدف اصلی این پژوهش، ارائه راهکاری برای شناخت و پیش‌بینی عملکرد و رفتار مشتریان جدید در انتخاب نوع بیمه برای حفاظت مسکن خود در برابر مخاطرات، از طریق ترکیب روش K-medoids با شبکه‎های عصبی در جهت تعیین خوشه مشتریان جدید برای ارائه تبلیغ محصولات بیمه‎ای است. در این راستا، بدلیل زیاد بودن مشخصه‎ها در اکثر مجموعه داده‎ها و پراکندگی آن‎ها، ابتدا از طریق تکنیک‌های K-means و K-medoids به کشف الگوهای مفهومی رسیده و با استفاده از همین الگوها بعد از مشخص شدن خوشه مشتریان، فقط با داشتن اطلاعات جمعیت شناختی از سوی مشتریان جدید، خوشه آن‎ها پیش‌بینی و اقدامات لازم صورت می‎گیرد. ویژگی متمایز این پژوهش، ترکیب روش‎های خوشه‌بندی با روش‎های دسته‌بندی در کشف الگو است. آزمایش‎های انجام شده، موفقیت روش پیشنهادی در شناخت و کشف نیازها، همچنین رفتار و عملکرد مشتریان را نشان می‎دهد که براساس آن تبلیغات صورت می‎گیرد.

کلمات کلیدی

بازاریابی و تبلیغات, خوشه بندی, شبکه های عصبی, K-medoids, K-means

مراجع

  • [1] Y. Wind, "Issues and advances in segmentationresearch," Journal of marketing research, vol. 15, no. 3, pp.317-337, 1978.
  • [2] V. Mahajan, and A. Kjain, "An approach to normativesegmentation," Journal of Marketing Research, vol. 15, no.3, pp. 338-345, 1978.
  • [3] D. Chaffey, and P. R.Smith, "eMarketingeXcellence:Planning and optimizing your digital marketing," Routledge,2013.
  • [4] D. Chaffey, and et. al.,"Internet marketing: strategy,implementation and practice," Pearson Education, 2009.
  • [5] S.Goyat, "The basis of market segmentation: a criticalreview of literature," 2011.
  • [6] T. Hong, andE. Kim, "Segmenting customers in onlinestores based on factors that affect the customer’s intention topurchase," Expert Systems with Applications, vol. 39, no. 2,pp. 2127-2131, 2012.
  • [7] Y. Chen, CH. Yi Wang, and Y. Feng, "Application of a3NN+ 1 based CBR system to segmentation of the notebookcomputers market," Expert Systems with Applications,vol.37, no.1, pp. 276-281, 2010.
  • [8] C-Y. Tsai, and C-C. Chiu, "A purchase-based marketsegmentation methodology," Expert Systems withApplications, vol. 27, no. 2, pp. 265-276, 2004.
  • [9] M. Sergio, R. Laureano,and P. Cortez, "Using datamining for bank direct marketing: An application of thecrisp-dm methodology," Proceedings of EuropeanSimulation and Modelling Conference-ESM, Eurosis, 2011.
  • [10] W. Kuang-Wei, and K. Peng. "Market segmentation viastructured click stream analysis," Industrial Management &Data Systems, vol. 102, no. 9, pp. 493-502, 2002.
  • [11] J. A. Mazanec, "Classifying tourists into marketsegments: A neural network approach," Journal of Travel &Tourism Marketing, vol. 1, no.1, pp. 39-60, 1992.
  • [12] J. Kim, SH. Wei, and H. Ruys, "Segmenting the marketof West Australian senior tourists using an artificial neuralnetwork," Tourism Management, vol. 24, no. 1, pp. 25-34,2003.
  • [13] R. Law, and N. Au, "A neural network model to forecastJapanese demand for travel to Hong Kong," TourismManagement, vol. 20, no. 1, pp. 89-97, 1997.
  • [14] H. Lijun, and et. al.,"Comparison and Analysis ofalgorithms for association rules," Database Technology andApplications, First International Workshop on, IEEE, 2009.
  • [15] D. L. Davies, and D. W. Bouldin, "A cluster separationmeasure," IEEE transactions on pattern analysis and machineintelligence, vol. 1, pp. 224-227, 1979.
  • [16] S. Walczak, and N. Cerpa,"Heuristic principles for thedesign of artificial neural networks," Information andsoftware technology, vol. 41, no. 2, pp. 107-117, 1999.
  • [17] S. Goonatilake, and C. P. Treleaven, Intelligent systemsfor finance and business, New York, USA: John Wiley &Sons, Inc, 1995.
  • [18] D. Powers, andD. Martin, "Evaluation: from precision,recall and F-measure to ROC, informedness, markedness andcorrelation," 2011.
  • [19] P. K. Roy, andet. al., "Automated Segmentation ofWhite Matter Lesions Using Global Neighbourhood GivenContrast Feature-Based Random Forest and Markov RandomField," Healthcare Informatics (ICHI), IEEE InternationalConference on, IEEE, 2014.
  • [20] K. Hornik, M. Stinchcombe, andH. White, "Multilayerfeedforward networks are universal approximators," Neuralnetworks, vol. 2, no. 5, pp. 359-366, 1989.