شناسائي الگوي رفتاري مشتريان در بيمه عمر و تشكيل سرمايه با استفاده از داده كاوي

Identifying the customer behavior model in life insurance Sector using data mining

امروزه تعامل شركت‌ها با مشتريان در قالب مديريت ارتباط با مشتري به طور قابل توجهي تغيير يافته است. شناسايي ويژگي‌هاي مشتريان مختلف و تخصيص بهينه منابع به آنها با توجه به ارزشي كه براي شركت‌ها دارند، به يكي از دغدغه‌هاي اصلي در حوزه مديريت ارتباط با مشتري تبديل شده است. هدف اين مقاله ارائه مدل مناسبي جهت بخش‌بندي مشتريان بر‌اساس برخي از مهم‌ترين ويژگي‌هاي مالي، جمعيت شناختي در قالب عوامل مؤثر بر شاخص‌هاي ارزش دوره عمر مشتري (آر.اف.ام) مي‌باشد. در فرايند پيشنهادي اين تحقيق كه در شركت بيمه سامان اجرا شده است، پس از تعيين مقادير شاخص‌هاي مدل آر.اف.ام (RFM) شامل تازگي مبادله، تعداد دفعات مبادله و ارزش پولي مبادله در 180000 مشتري و وزن‌دهي آنها با استفاده از فرايند تحليل سلسله مراتبي، تعداد خوشه بهينه بر‌اساس شاخص سيلوئت و نرخ تأثير شاخص‌هاي آر.اف، ام با استفاده از الگوريتم Two-step انجام شد و در مرحله بعد به خوشه‌بندي مشتريان با استفاده از روش Kmeans پرداخته شده است. نتايج مطالعه حاضر، زمينه را براي تحليل ويژگي‌هاي مشتريان شركت در سه بخش اصلي فراهم نمود. همچنين با اولويت‌بندي خوشه‌ها بر‌اساس شاخص‌هاي آر.اف.ام، مشتريان كليدي و با ارزش شركت مشخص شدند. در‌نهايت نيز پيشنهادهايي به شركت براي بهبود سيستم مديريت ارتباط با مشتري ارائه گرديد.

Interaction of companies with customers in the form of customer relationship management has changed significantly. Identifying characteristics of different customers and allocating resources to them according to their value to the firm has become one of the main concerns in customer relationship management. The purpose of this paper is to provide an appropriate model for customer segmentation based on some of the most important financial and demographics characteristics influencing factors of customer lifetime value (CLV). The process proposed in this study was performed in Saman insurance company. After determining RFM model indices, which include date, frequency and monetary of purchase, AHP method used for weighting them among 180000 customers. The optimal number of clusters based on the silhouette and impact of RFM indicators was done by using Twostep algorithm and then customers classified through KMeans clustering algorithm. Results provided a platform to analyze the characteristics of customers in three main sections. Also, by prioritizing clusters based on the RFM indices, valuable customers were identified. Finally, some suggestions were presented to the company to improve its customer relationship management system.