جستجو در مقالات منتشر شده


2 نتیجه برای داده‌کاوی

یاسین قاسمی، عباس خندان، نرگس اکبرپور روشن،
دوره 13، شماره 47 - ( 3-1401 )
چکیده

پوشش بیمه سازمان تامین اجتماعی برای حرف و مشاغل آزاد به صورت اختیاری در سه نرخ 12، 14 و 18 درصد ارائه می‌شود اما نگاه به آمار نشان می‌دهد که تقاضای این بیمه‌نامه‌ها بسیار پایین است. این پژوهش با استفاده از داده‌کاوی و با به‌کارگیری دو الگوریتم یادگیری ماشین یعنی درخت تصمیم و جنگل تصادفی به بررسی مشخصه‌های خریداران این نوع بیمه‌نامه‌ها پرداخته و با ارائه یک مدل طبقه‌بندی، رفتار آن‌ها را پیش‌بینی می‌کند تا از این طریق به سازمان تأمین اجتماعی در جهت بهبود مدیریت ارتباط با مشتری کمک کند. برای این منظور، از اطلاعات 1286174 نفر از خریداران انواع بیمه‌نامه‌های حرف و مشاغل آزاد سال 1399 استفاده شد که مشخصه‌های سن، جنسیت، متوسط درآمد ماهانه، میزان سابقه کار و نوع بیمه‌نامه خریداری شده را در بر می‌گیرد. نتایج به دست آمده نشان می‌دهند که زنان به طور عمده متقاضی بیمه‌نامه با نرخ 12 درصد هستند در حالی که مردان به دلیل بر عهده داشتن بار تکفل خانواده عمدتاً تمایل به خرید بیمه‌نامه‌های با نرخ 14 و 18 درصدی دارند. همچنین، در مردان با افزایش سن، درآمد و سابقه، تقاضای بیمه‌های با نرخ 14 و 18 درصد افزایش می‌یابد، اما چنین روندهایی برای زنان وجود ندارد. طبق نتایج به‌دست آمده متغیرهای میزان سابقه کار و پس از آن جنسیت در انتخاب نوع بیمه‌نامه تعیین‌کننده هستند، به گونه‌ای که طبق پیش‌بینی مدل افراد با سابقه کار کمتر از 5/4 سال متقاضیان قطعی بیمه‌نامه 12 درصدی شناخته شده‌اند. با توجه به نتایج و انگیزه پایین زنان و جوانان برای انتخاب بیمه‌های با خدمات گسترده‌تر، سازمان تأمین اجتماعی می-تواند ازطریق ارائه مشوق‌ها یا خدمات کوتاه‌مدت، جذابیت این نوع بیمه‌نامه با خدمات گسترده‌تر را در بین این گروه خاص افزایش دهد.

محمدرضا آصفی، عباس خندان،
دوره 14، شماره 52 - ( 6-1402 )
چکیده

هدف: شناسایی و طبقه­بندی مشتریان بیمه درمان به منظور شناسایی جامعه هدف و در نتیجه افزایش سودآوری شرکت‌های بیمه، ایجاد توازن در پرداختی حق‌بیمه و طراحی استراتژی بازاریابی.
روش­شناسی: در این مقاله از 5 الگوریتم یادگیری ماشین درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، بیز‌ ساده و رگرسیون لجستیک به منظور طبقه­بندی مشتریان به دو دسته سود‌ده و زیان‌ده استفاده شده است. به این منظور از داده‌ها و اطلاعات تعداد 2897 بیمه­نامه درمان یک شرکت بیمه خصوصی در بازه زمانی آذر 1400 تا آذر 1401 استفاده شده‌ است.
یافته­ها: این مقاله نشان می‌دهد که با استفاده از روش‌های یادگیری ماشین و ویژگی های ثبت شده از مشتریان در پرسشنامه سلامت می­توان سود‌ده یا زیانده بودن آن­ها را تا حدود مناسبی پیش­بینی کرد. این مقاله نشان می­دهد که تمرکز بر روی جامعه هدف معرفی شده توسط مدل شانس موفقیت و افزایش سود را به مقدار چشم گیری افزایش می­دهد.
نتیجه‌گیری: می­توان با استفاده از روش‌های یادگیری ماشین به درک مناسبی از مشخصه­های مشتریان بیمه درمان و نیاز‌های آنها رسید. پیدا کردن جامعه هدف علاوه بر این­که به افزایش سود شرکت بیمه منجر می­شود می­تواند با تمرکز بر خواسته‌های مشتریان به افزایش رضایتمندی آن‌ها نیز منجر شود.

صفحه 1 از 1     

کلیه حقوق این وب سایت متعلق به فصلنامه تحقیقات مدلسازی اقتصادی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Journal of Economic Modeling Research

Designed & Developed by : Yektaweb