بررسی ریزش مشتریان بیمه های زندگی با استفاده از روش های داده کاوی (مطالعه موردی: یکی از شرکت های بیمه ایران) (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
پیشینه و اهداف: حفظ مشتریان همواره به عنوان مهم ترین شاکله در همه صنایع تلقی می شود و صنعت بیمه نیز از این امر مستثنی نیست. طی سال های اخیر در ایران و با افزایش فروش بیمه نامه های زندگی، حفظ مشتریان بیمه به گونه ای مورد توجه مدیران و صاحب نظران صنعت بیمه قرار گرفته است که با ارائه پوشش های متنوع بیمه ای طیف وسیعی از مشتریان خود را راضی نگه دارد. امروزه، ایجاد حس رضایت در مشتریان بیمه های زندگی توسط شرکت های بیمه یک هنر محسوب می شود و هر چه شرکت بیمه مشتریان بیشتری را راضی نگه دارد، دیگر نگران بازخرید و خارج شدن مشتریان خود نیست. هدف اصلی مقاله، پیاده سازی روش های داده کاوی در پیش بینی ریزش مشتری و شناسایی عوامل تاثیرگذار بر ریزش مشتری در محصولات بیمه زندگی یکی از شرکت های بیمه در ایران است. منظور از پیش بینی ریزش مشتری شناسایی مطلوب طبقه یا کلاس مربوط به بیمه نامه هایی است که قبل از پایان یافتن زمان پوشش بیمه، به درخواست بیمه گذار، متوقف و پایان می یابد. روش شناسی: در مقاله حاضر، سعی شده است با بهره گیری از الگوریتم های داده کاوی مانند جنگل تصادفی، درخت تصمیم، رگرسیون لجستیک و شبکه عصبی به طبقه بندی مشتریان بیمه های زندگی بر اساس ریزش و یا عدم ریزش بپردازیم. داده های مورد استفاده در این تحقیق، شامل اطلاعات بیمه نامه های زندگی یک شرکت بیمه پایلوت در سال 1398 در استان تهران است که سهم مناسب و بالایی در پرتفوی صنعت بیمه دارد. یافته ها: نتایج تحقیق حاکی از عملکرد بالای الگوریتم های جنگل تصادفی، درخت تصمیم ، رگرسیون لجستیک و شبکه عصبی در پیش بینی کلاس مربوط به ریزش مشتریان دارد. براساس نتایج حاصل از تحقیق، احتمال باز خرید در زنان و افراد دارای مشاغل پر ریسک و سن بالاتر، ببشتر است. از طرف دیگر، افرادی که در ابتدا پرداخت حق بیمه را به صورت سالانه، حق بیمه کمتر و درصد ضریب تغییر سرمایه و ریسک سرمایه بیشتری را انتخاب کرده اند، احتمال بازخرید آن ها کمتر بوده است. نتیجه گیری: با توجه به بلندمدت بودن بیمه های زندگی و نیاز به نقدینگی مشتریان با توجه به شرایط اقتصادی، شرکت های بیمه باید توجه بیشتری به مشتریان بیمه های زندگی داشته باشند و ضمن رصد رفتار مشتری در طول بیمه نامه، برنامه های وفاداری به جهت حفظ مشتری را در دستور کار خود قرار دهند.Investigating the churn of life insurance customers using data mining methods (A case Study: One of the Iran’s insurance companies)
BACKGROUND AND OBJECTIVES: Customer retention is always considered as the most important principle in all industries, and the insurance industry is no exception. During the recent years in the Iranian society, with the increase in the sale of life insurance policies, the retention of insurance customers has become more and more important to the managers and experts of the insurance industry so that they can keep a wide range of customers. Nowadys, creating a sense of satisfaction in life insurance customers as a management art has been noticed by insurance companies. The more customers the insurance company can keep happy, the less they worry about redemptions and exits. The main goal of this research is to implement data mining methods in predicting customer churn and identifying factors affecting customer churn in the life insurance products of one of Iran's insurance companies. The purpose of customer loss forecasting is to identify the desired class or class related to insurance policies that are suspended or canceled at the request of the policyholder before the end of the insurance coverage period. METHODS: In this paper, we have tried to classify life insurance customers based on abdication or non-withdrawal using data mining algorithms such as random forest, decision tree, logistic regression and neural network. The data used in this research include the information of life insurance policies of an insurance company in 2019 in Tehran province, which has a high and appropriate share in the portfolio of the insurance industry. To evaluate and compare these 4 methods, different criteria will be used. In the field of data mining, and in particular the problem of classification, the confusion matrix as a special tabulation makes it possible to visualize the performance of an algorithm. The confusion matrix shows how many true and false predictions have been made for each class, and based on these values, different criteria for classification evaluation and accuracy measurement can be defined. FINDINGS: The results of the research show that random forest, decision tree, logistic regression and neural network algorithms have high performance in predicting the class related to customer churn. Based on the results of the research, the probability of re-buying was better in women and people with high-risk jobs and older age. On the other hand, people who initially paid the insurance premium annually or chose a lower premium and a higher percentage of capital change factor and capital risk, the probability of their redemption was less. CONCLUSION: Considering that life insurance is usually long-term and also considering the liquidity needs of customers and the current economic conditions of the society, insurance companies should pay more attention to life insurance customers. Also, they should put fidelity programs in order to keep customers on their agenda by continuously monitoring the customer's behavior during the insurance policy.
تبلیغات
