ارائه چهارچوبي به منظور بخش بندي بيمه گذاران بيمه عمر با استفاده از داده كاوي

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

هدف از اين پژوهش ارائۀ چارچوبي براي بخش بندي بيمه گذاران بيمۀ عمر با استفاده از روش هاي داده كاوي است. جامعۀ آماري پژوهش شامل مشتريان شركت بيمه اي در شهر اصفهان بوده است و داده هاي لازم از قراردادهاي بيمه گذاران بيمۀ عمر اين شركت، در بازه زماني سال هاي 1387 تا 1397 جمع آوري شده است. بدين ترتيب داده هاي مربوط به 353 نفر از بيمه گذاران بيمۀ عمر در قالب چهارده متغير (ويژگي هاي فردي و شرايط بيمۀ انتخابي) گردآوري شد. با استفاده از الگوريتم خوشه بندي كا - ميانگين و به كمك معيار سيلوئت در نرم افزار «متلب»، مشتريان در چهار خوشه طبقه بندي شدند. تحليل نتايج به دست آمده از رفتار مشتريان هر خوشه، مبنايي براي نام گذاري خوشه ها به نام هاي ترقي خواهان، محافظه كاران، زحمت كشان و طلايه داران به دست داد. همچنين به منظور تسهيل فرايند بررسي متغيرهاي ورودي در هر خوشه، فقط هفت متغير (سن، تحصيلات، شغل، نحوۀ پرداخت حق بيمه، تعداد استفاده كنندگان از سرمايۀ بيمه درصورت فوت، نرخ افزايش سرمايۀ فوت و پرداخت حق بيمۀ منظم) در تحليل نهايي وارد شد، يعني متغيرهايي كه در خوشه هايي كه در آزمون «خي» دو تفاوت معنادار بين آن ها در سطح 001 /0 وجود داشت.

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 K-means 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, and premium payment, number of beneficiaries of death insurance, death rate increase and regular premium payment) are included in each cluster. In the Chi-square test, there were two significant differences at the 0.001 level.