مدل‎سازي پيش‎بيني رويگرداني مشتريان صنعت بيمه (مطالعۀ موردي)

(Prediction of Customer Churn in Insurance Industry (Case Study

با اشباع بازارها، سازمانها دريافته‎اند كه بايد حفظ مشتريان، به‌خصوص مشتريان باارزش، در مركز راهبردهاي مديريتي آنان قرار گيرد چراكه هزينۀ جذب مشتريان جديد بيشتر از هزينۀ نگهداري مشتريان موجود است. صنعت بيمه نيز از اين امر مستثني نيست و به دليل هزينۀ جابجايي اندك، با مشترياني روبه‌رو است كه تمايل دارند شركت فعلي خود را تغيير دهند. پژوهش حاضر تأثير متغيرهاي طول ارتباط، تأخر خريد، فركانس خريد، ارزش مالي، سودآوري و گروه محصولات خريداري‌شده را در ارزش‎گذاري مشتريان مورد مطالعه‌ شده بررسي مي‎كند. براي اين كار از ابزار پيمايشي پرسشنامه به منظور آگاهي از نظرات خبرگان در خصوص متغيرهاي مؤثر بر ارزش‎گذاري مشتريان استفاده شده است. نتايج نشان مي‎دهد كه متغيرهاي فركانس خريد، طول مدت همكاري و تعداد گروه‎هاي بيمه‎اي خريداري‌ شده از منظر خبرگان بيشترين اهميت را در ارزش‎گذاري مشتريان دارا هستند. سپس با استخراج متغيرها و عوامل مهم بر رويگرداني بيمه‎گذاران، تأثير و اهميت اين عوامل بر روي رويگرداني مشتريان باارزش بررسي و در ادامه با استفاده از متغيرهاي شناسايي‌ شده در مرحلۀ قبل به توسعۀ مدل پيش‎بيني‌كنندۀ رويگرداني پرداخته شده است. با مدلهاي مختلف (شبكۀ عصبي، درخت تصميم، ماشين بردار پشتيبان، و رگرسيون لوژستيك) مدل‎سازي پيش‎بيني انجام و دقت مدلهاي ساخته‌شده، ارزيابي شده‎ است. نتايج نشان مي‎دهد كه مدل درخت تصميم C5.0 نسبت به ساير مدلها دقت و صحت بالاتري در پيش‎بيني رويگرداني دارد.

With the saturation of markets, the organizations have found that retaining customers- especially valuable customers- should be at the center of their management strategies because the cost of attracting new customers is more than the cost of retaining existing ones. The insurance industry is no exception and because of low switching costs is faced with customer churn. This study examines the impact of length of relationship, time of purchase, frequency of purchase, monetary value, profitability and group of purchased products on the valuation of customers. To do this, a survey is used to elicit expert opinions on the effective variables in the valuation of customers. Results indicate that the variables of purchase frequency, length of relationship and the number of groups of purchased products are most important in valuation of customers from the perspective of experts. Then, we develop a model of customer churn to determine the factors that affect high value customers’ churn. Using different methods (neural network, decision tree, logistic regression and support vector machine), predictive models are built and their accuracy is evaluated. The results show that C5.0 decision tree model has a higher accuracy and precision than other models in churn prediction.