پيش بيني وفاداري و رويگرداني بيمه شدگان خويش فرماي سازمان تأمين اجتماعي

Predictability of loyalty and separation of self-insurance Persons of Social Security Organization based on data mining method

وفاداري و رويگرداني مشتريان يكي از چالش هاي مهم شركتها و موسساتي است كه خدمات و كالا را به مشتريان خود عرضه ميكنند. سازمان تامين اجتماعي هم در موضوع وفاداري بيمه شدگان خويش فرما جهت ادامه بيمه پردازي، در سالهاي اخير با چالش فوق مواجه بوده است. در اين پژوهش اطلاعات و شاخصهاي مهم حدود 21407 نفر در قالب 27 ويژگي از بانكهاي اطلاعاتي سازمان مذكور استخراج گرديد. سپس با استفاده از الگوريتم NSGA-II، تعداد 7 ويژگي مهم كه داراي حداقل خطاي طبقه بندي بودند، انتخاب شد. در ابتدا عمليات طبقه بندي داده ها با شبكه عصبي چندلايه برروي داده هاي موجود و با استفاده از 27 ويژگي انجام شد و دقت طبقه بندي 97.6 درصد بدست آمد. پس از انتخاب بهترين طبقه بند كه شبكه عصبي بود، عمليات طبقه بندي با شبكه عصبي برروي همان داده ها و در قالب 7 ويژگي انجام شد و دقت 96.8 درصد بدست آمد. در مرحله انتخاب بهترين طبقه-بند جهت انجام پيش بيني هاي مورد نياز، از 3 الگوريتم شبكه عصبي چندلايه، الگوريتم ماشين بردار پشتيبان (SVM) و الگوريتم KNN استفاده شد كه نهايتا شبكه عصبي چندلايه، بهترين دقت طبقه بندي را با مقدار 96.8 درصد بدست آورد. سپس براي شبكه عصبي مذكور با استفاده از 7 ويژگي مربوط به داده هاي سالهاي 1367 تا 1395 آموزش انجام شد. از شبكه عصبي آموزش ديده جهت پيش بيني وفاداري و رويگرداني مشتريان سالهاي 1396 و 1397 كه به تعداد 8364 ركورد مي باشد، استفاده شد. نهايتا اين نتيجه حاصل شد كه با در نظر گرفتن همه احتمالات، حدود 27.65 درصد از بيمه شدگان خويش فرماي سالهاي 1396و1397 در كلاس رويگردان دسته بندي خواهند شد.

Loyalty and customer loyalty is one of the major challenges of companies and institutions that provide services and goods to their customers. The social security organization has faced the challenge in recent years in the issue of loyalty of its insured individuals to continue insurance. In this research, information and important indicators of 21407 people were extracted from 27 databases of this organization. Then, using the NSGA-II algorithm, seven important characteristics with the least degree of classification error were selected. In the first step, the classification of data with multi-layer neural network was performed on existing data using 27 characteristics and the classification accuracy was 97.6%. After selection of the best class that was neural network, classification operation with neural network was performed on the same data and in the form of 7 characteristics and accuracy of 96.8%. At the selection stage, the best stratified strain was used to perform the required predictions from three multi-layer neural network algorithms, backup vector machine (SVM) and KNN algorithm. Finally, the multilayer neural network had the best degree of accuracy with a 96.8% got. Then, for the neural network, the training was carried out using 7 characteristics related to the data of years 1367 to 1395. The trained neural network was used to predict loyalty and customer rejection of 1396 and 1397, with 8364 records. Finally, it was concluded that considering all probabilities, about 27.65% of the insured persons who were born in 1396 and 1397 would be categorized in a reversal class.