سید محمود ایزدپرست

: امروزه، نقش مشتریان از حالت پیروی از تولیدکننده، به هدایت سرمایه گذاران، تولیدکنندگان و حتی پژوهشگران و نوآوران مبدل گشته است، به همین دلیل سازمان ها نیاز دارند مشتریان خود را بشناسند و برای آنان برنامه-ریزی کنند. تاکنون از برخی روش های آماری و یادگیری ماشینی برای این منظور استفاده شده است که البته این روش ها به تنهایی دارای محدودیت هایی هستند که در این پژوهش سعی شده است تا با بهره گیری از روش های مختلف داده کاوی تا حد ممکن این محدودیت ها از بین برده و برطبق آن، چارچوبی برای شناسایی مشتریان بیمه بدنه اتومبیل ارائه شود. درواقع، هدف این است تا مشتریانی را که بیشتر به یکدیگر شبیه هستند دسته بندی و با استفاده از این دسته ها و ویژگی های آن، میزان خطرپذیری هر دسته را پیش بینی کرد. حال با استفاده از این معیار (میزان خطرپذیری هر دسته) و نوع بیمه نامه مشتری می-توان میزان خسارت او را پیش بینی کرد که این معیار می تواند کمک شایانی برای شناسایی مشتریان و سیاستگذاری های تعرفه بیمه نامه باشد. برای این منظور، از دو روش داده کاوی4، درخت تصمیم و خوشه بندی برای ایجاد مدل پیش بینی خطرپذیری مشتریان در صنعت بیمه استفاده شده است. البته فنّ درخت تصمیم برای این منظور نتایج بهتری را به دست آورده است، ولی فنّ خوشه بندی نیز تفکیک خوبی میان مشتریان ایجاد می کند.

امروزه مشتریان به عامل بسیار مهم و حیاتی در هدایت سرمایه گذاران، تولیدکنندگان و حتی محققان و نوآوران مبدل گشته اند. به همین دلیل سازمان ها نیاز دارند مشتریان خود را بشناسند و برای آنان برنامه ریزی کنند. تاکنون برای شناسایی مشتریان و به خصوص شناسایی رفتار آنها روش هایی استفاده شده که از جمله می توان روش های آماری را معرفی کرد که البته محدودیت ها و مشکلاتی دارد. در این پژوهش با استفاده از روش های داده کاوی، چهارچوبی را برای شناسایی مشتریان (با تمرکز بر مشتریان بیمه بدنه اتومبیل) ارائه می کنیم. به منظور کاهش خطاها و محدودیت ها از دو روش درخت تصمیم و خوشه بندی، به صورت مکمل استفاده کرده ایم. ابتدا با استفاده از تکنیک خوشه بندی، مشتریان را براساس ویژگی هایشان خوشه بندی کرده و سطح خسارت هرکدام از این خوشه ها را محاسبه کردیم. سسپس مشتریان آتی را براساس ویژگی هایشان و تکنیک درخت تصمیم در یکی از این خوشه ها دسته بندی نمودیم. دسته ای که مشتری در آن قرار گرفته معرف سطح خطرپذیری اوست. با استفاده از این معیار و نوع بیمه نامه مشتری می توان میزان خسارت او را پیش بینی کرد. البته برای تعیین صحت نتایج، مدل ها را ارزیابی کرده و با یکدیگر مقایسه کردیم. شایان ذکر است تکنیک درخت تصمیم برای این منظور نتایج بهتری را حاصل نمود ولی تکنیک خوشه بندی نیز تفکیک خوبی میان مشتریان ایجاد می کند.

امروزه نقش مشتریان از حالت پیروی از تولیدکننده، به هدایت تولیدکنندگان مبدل گشته است، به همین دلیل دسته بندی مشتریان، در هدفمند ساختن سازمان ها در سفارشی سازی خدمات شان و نیز الویت بندی محصولات براساس میزان سودآوری آن محصول کمک شایانی میکند. روش داده کاوی برای دستیابی به قوانین تصمیم گیری و مدل پیش بینی رفتار مشتریان آتی در کیی از شرکت های بیمه استفاده شده است. در اجرای روش دسته بندی در داده کاوی، دو تکنیک درخت تصمیم و شبکه های عصبی در یکی از شرکت های بیمة خصوصی به کاررفته است. هدف این پژوهش استفاده از روش شبکه های عصبی و تکنیک درخت تصمیم به منظور دسته بندی مشتریان بیمه و درنهایت ارزیابی نتایج به دست آمده است. به منظور ارزیابی مدل ها، نتایج حاصل از دو مدل را مقایسه کردیم که تطابق آنها نشان دهندة صحت عملکرد مدل هاست. البته بررسی ها نشان داده اند که روش درخت تصمیم نتایج بهتری را دربرداشته است و این بدان معنی است که روش درخت تصمیم، روش مناسب تری برای دسته بندی مشتریان بیمه ایجاد میکند. همچنین نتایج به دست آمده از این تحقیق، توسط خبرگان صنعت بیمه تأیید و نظرات آنها به شکل توضیحی از مشخصه ها یا متغیرهای ورودی تحقیق ارائه شده است.