استفاده از روش‌هاي داده كاوي براي پيش بيني سطح خسارت مشتريان بيمه بدنه اتومبيل

Using Data Mining Techniques to Predict the Detriment Level of Car Insurance Customers

امروزه، نقش مشتريان از حالت پيروي از توليدكننده، به هدايت سرمايه گذاران، توليدكنندگان و حتي پژوهشگران و نوآوران مبدل گشته است، به‌همين دليل سازمان‌ها نياز دارند مشتريان خود را بشناسند و براي آنان برنامه ريزي كنند. تاكنون از برخي روش‌هاي آماري و يادگيري ماشيني براي اين منظور استفاده شده است كه البته اين روش‌ها به‌تنهايي داراي محدوديت‌هايي هستند كه در اين پژوهش سعي شده است تا با بهره گيري از روش‌هاي مختلف داده‌كاوي تا حد ممكن اين محدوديت‌ها از بين برده و برطبق آن، چارچوبي براي شناسايي مشتريان بيمه بدنه اتومبيل ارايه شود. درواقع، هدف اين است تا مشترياني را كه بيشتر به يكديگر شبيه هستند دسته بندي و با استفاده از اين دسته ها و ويژگي‌هاي آن، ميزان خطرپذيري هر دسته را پيش‌بيني كرد. حال با استفاده از اين معيار (ميزان خطرپذيري هر دسته) و نوع بيمه‌نامه مشتري مي توان ميزان خسارت او را پيش بيني كرد كه اين معيار مي تواند كمك شاياني براي شناسايي مشتريان و سياستگذاري هاي تعرفه بيمه نامه باشد. براي اين منظور، از دو روش داده كاوي4، درخت تصميم و خوشه‌بندي براي ايجاد مدل پيش‌بيني خطرپذيري مشتريان در صنعت بيمه استفاده شده است. البته فنّ درخت تصميم براي اين منظور نتايج بهتري را به‌دست آورده است، ولي فنّ خوشه‌بندي نيز تفكيك خوبي ميان مشتريان ايجاد مي كند.

: Nowadays customers’ role is changed from just accepting the producers, to leading investors, producers, and even researchers and inventors. Therefore, it is necessary for organizations to identify their customers well and to make plans for them. Some statistical and machine-based learning methods are used so far. However these methods alone are not without limitations. Using various methods of data mining, this research was to eliminate those restrictions as far as possible, so that a framework for identification of car insurance customers could be provided. In fact, the purpose was to categorize the most similar customers and to estimate the amount of risk in each category, according to their characteristics. Now, using this scale (i.e. amount of risk in each category) and considering the type of customer’s policy, the level of recompense could be estimated. This criterion can be helpful to identify customers and for making insurance tariff policies. For this purpose, in insurance industry the two data mining methods were been used to estimate customers’ detriment: the decision tree and clustering. Nevertheless, the decision tree method appears to give better results, although at the same, the clustering method generates a good categorization.