بخشی از مقاله
چکیده
امروزه به دلیل بالابودن تعداد تصادفات رانندگی در کشور، بیمه شخص ثالث اتومبیل، بالاترین میزان خسارت پرداختی را در بین رشتههای بیمهای دارد. با استفاده از بخشبندی مشتریان و کشف الگوهای میزان خسارت آنها، میتوان مشتریان باارزش بیمه شخص ثالث که خسارت کمتری دارند را شناسایی نمود که در پژوهش حاضر یک چارچوب پیشنهادی برای این منظور ارائه میشود. ابتدا متغیرهای تاثیرگذار بر مشتریان بیمه طبق نظر خبرگان و کارشناسان بیمه معرفی شده و دادههای مربوط به آنها از انباره داده شرکت استخراج و سپس پیشپردازش میشوند. با استفاده از دو شاخص دان و دیویس - بولدین تعداد بهینه خوشه تعیین میگردد و پس از آن دادهها با استفاده از الگوریتم K-means خوشهبندی میشوند. سه متغیر سالهای عدم خسارت، تعداد ادعای خسارت و سابقه رانندگی به عنوان متغیرهای تعیین ارزش مشتری در نظر گرفته شده و وزن آنها با استفاده از روش تحلیل سلسله مراتبی تعیین میگردد . پس از آن ارزش مشتریان هر خوشه محاسبه شده و خوشهها به ترتیب ارزش مشتریان رتبهبندی میشوند. در پایان نیز با استفاده از قوانین انجمنی روابط و الگوهای رفتار مشتریان کشف و شناسایی میگردد. با استفاده از نتایج این پژوهش شرکتهای بیمهای میتوانند ضمن بخشبندی و شناسایی مشتریان باارزش که خسارت کمتری دارند، میزان خسارت مشتریان جدید را نیز پیشبینی نمایند.
کلمات کلیدی
بیمه شخص ثالث، داده کاوی، الگوریتم K-means، بخش بندی، قوانین انجمنی
-1 مقدمه
با توجه به اهمیت روزافزون مشتریان برای سازمانها، مدیریت ارتباطات اثربخش و کارا با مشتریان یک مسئله اساسی برای سازمانها و از جمله شرکتهای بیمه (به ویژه با ورود به بخش خصوصی) است. در محیط پویای امروزی یکی از این رویکردهای جدید در تحقیقات بازاریابی، مدیریت ارتباط با مشتری میباشد که هدف آن بهبود مبادله مشتریان با سازمان است و موجب رضایتمندی و وفاداری مشتریان و فروش بیشتر می شود؛ در نتیجه بدون شناخت رفتار مشتری و درک مفهوم وفاداری امکان دستیابی به نتایج قابل قبول در زمینه مدیریت ارتباط با مشتری غیرممکن است.
بیمه، نوعی سرمایهگذاری جهت کاهش ریسک است که در آن خریدار، مبلغ ثابت کمی را میپردازد تا در برابر زیان بزرگ بالقوهای حمایت شود. بیمه، قراردادی میان بیمهگر و بیمهگذار است که طی آن بیمهگذار باید مبالغی پول را به عنوان حق بیمه بپردازد تا بیمهگر، زیان احتمالی را که بر بیمهگذار وارد میشود، تحت پوشش قرار دهد. بیمه بخش مهمی از بازار مالی را تشکیل میدهد و در بسیاری از موقعیتهای واقعی، حق بیمهها نه تنها به خسارات تحت پوشش آنها، بلکه به محیط بازار بستگی دارند . [1] بیمه، نقش مؤثری در اقتصاد کشورها دارد و بیمه اتومبیل نیز بخش قابل توجهی از صنعت بیمه را در اختیار دارد، شاید بتوان گفت که موفقیت در این بخش بیمهای، توسعه صنعت بیمه را به دنبال خواهد داشت و پرداختن به این هدف، مستلزم شناسایی عواملی است که در سودآوری شرکتهای بیمه، نقش عمده ای دارند[2]، . [3] در میان انواع بیمه اتومبیل، بیمه شخص ثالث با مشکلاتی مواجه است و کمتر بیمهگری را میتوان یافت که در این رشته به سود رسیده باشد اما این رشته به دلیل برخورداری از دو مزیت که در سایر رشتهها وجود ندارد، همچنان مورد علاقه شرکتهای بیمهای است . یکی اینکه بیمه شخص ثالث ابزار موثری برای بازاریابی است، به طوری که وقتی مشتری برای خرید بیمه مراجعه میکند، شرکت بیمه از این موقعیت استفاده کرده و با ارائه خدمات به بیمهگذار تلاش میکند تا سایر بیمههای خود را به وی عرضه کند. دیگر اینکه این بیمه جریان نقدینگی روزمره دارد و شرکتهای بیمه برای تامین نقدینگی مورد نیاز پرداخت خسارت، از حق بیمه ثالث که روزانه به حساب شرکت واریز میشود استفاده میکنند و نیازی نیست که سرمایهگذاریهای خود را به نقدینگی تبدیل کنند . بنابراین با در نظر گرفتن اهمیت مشتریان بیمه شخص ثالث برای شرکتهای بیمه، در این پژوهش با ارائه روشی پیشنهادی به بخشبندی و کشف الگوهای رفتاری مشتریان آن از نظر میزان خسارت پرداخته میشود.
-2 ضرورت پژوهش
از ابتدای ورود اتومبیل به زندگی بشر همگان دریافتند که با اقدامات پیشگیرانه نمیتوان ریسکهای مرتبط با اتومبیل را حذف کرد، لذا راهی جز روی آوردن به بیمه اتومبیل وجود نداشت. شرکتهای بیمه با پوشش دادن گروههای انبوهی از بیمهگذاران، ریسکهای مرتبط با اتومبیل را پوشش داده و مسئولیت خسارتهای مالی و جانی مرتبط با حوادث اتومبیل را بر عهده میگیرند . با توجه به سهم بالای بیمه اتومبیل در پرداخت خسارت مالی و جانی، شرکتهای بیمه دچار زیانهای عمدهای در رشته بیمه شخص ثالث میشوند. در این پژوهش برای کاهش میزان خسارت این نوع بیمه، یک روش پیشنهادی برای شناخت و پیش بینی میزان خسارت مشتریان باارزش که خسارت کمتری دارند، ارائه میشود.
-3 پیشینه پژوهش
از آنجا که ارزیابی رفتار مشتریان اهمیت بسزایی دارد، روشهای متعددی جهت بخشبندی و محاسبه ارزش مشتری وجود دارد. برخی از محققین بر اساس ارزش فعلی، ارزش بالقوه و وفاداری، ارزش دوره عمر مشتری و مولفههای مدل RFM اقدام به بخشبندی مشتریان نمودهاند. هوانگ، جونگ و سو (2004) با در نظر گرفتن سهم سود ایجاد شده، سود بالقوه و تعریف سودآوری مشتری یک مدل ارزش دوره عمر مشتری پیشنهاد و بر اساس ارزش فعلی، ارزش بالقوه و وفاداری مشتریان را بخشبندی نمودند .[4] کیم، جونگ، سو و هوانگ ( (2006 به ارائه چارچوبی برای تحلیل ارزش مشتری، بخشبندی بر مبنای این ارزش و تبیین استراتژیهای مناسب برای هر بخش پرداختند .[5] چیو و تسای (2005) روش جدیدی برای بخشبندی بازار بر مبنای متغیرهای خاص محصولات و میزان درآمد مربوط به آنها از روی تراکنشهای قبلی مشتریان برای بخشبندی بازار پرداختند و یک مقیاس اندازهگیری شباهت بر مبنای خرید، الگوریتم خوشهبندی و تابع کیفیت خوشه بندی معرفی نمودند .[6] پل، جانکر و پیرزما ( (2004 با پژوهشی بر روی بانک اطلاعاتی یک شرکت شامل ارسال نامههای تبلیغاتی پس از بخشبندی مشتریان به گروههای همگن، سیاستهای بهینه بازاریابی را برای هر بخش تعیین کردند .[7] چنگ و چن ( (2008 مدلی بر مبنای ترکیب مدل RFM و الگوریتم K-Means با تئوری مجموعههای سخت پیشنهاد نمودند و وفاداری مشتریان را درجهبندی کردند و سپس با کشف و توصیف ویژگیهای مشتریان هر خوشه، به ارزیابی و پیادهسازی مدیریت ارتباط با مشتری پرداختند.[8] لیو و شیه (2005) در مدل خود از روش تحلیل سلسله مراتبی و ماتریس مقایسات زوجی جهت تعیین اوزان متغیرهای RFM در ارزیابی وفاداری و ارزش دوره عمر مشتری و از تکنیکهای دادهکاوی برای خوشهبندی مشتریان
2 www.iiec2014.com
استفاده نمودند.[9]
در پژوهشهایی زیادی نیز از قوانین انجمنی برای کشف الگوهای رفتاری مشتریان استفاده شده است از جمله چن و پون (2003) ابتدا مدل RFM را برای بخشبندی مشتریان برای انتخاب مشتریان ارزشمند به کار میبرند و سپس از الگوریتم Apriori استفاده نموده و به تحلیل ارتباطات بین محصولات برای کشف سبد فروش میپردازند .[10] همچنین چیانگ (2008) در پژوهش خود با بهبود الگوریتم Apriori ، آن را برای پایگاه داده بانظارت به کار برد. روش خوشهبندی فازی برای بخشبندی دانش آموزان به کار گرفته شد، سپس به روش بهبود یافته Supervised-Fuzzy-Apriori برای تولید قواعد انجمنی فازی تبدیل گردید .[11]
-4 آشنایی با مفاهیم تحقیق
-1-4 روش تحلیل سلسله مراتبی (AHP)
روش تحلیل سلسله مراتبی زمانی که عمل تصمیمگیری با چند گزینه و معیار تصمیمگیری روبرو است، استفاده میشود. اساس این روش بر مقایسات زوجی بنا شده است و به تصمیم گیرنده کمک میکند که به گونهای تصمیمات تمام اعضای گروه خبرگان را با همدیگر ترکیب کند که تصمیم بهینه در برگیرنده نظریات تمام اعضاء باشد. برای استفاده از این روش ابتدا جدولهای مقایسهای تهیه شده، مقایسه دو به دو انجام میگیرد و برای ترکیب جدولهای مقایسهای از میانگین هندسی استفاده میشود. سپس اعداد ماتریس تصمیمگیری نرمال میشوند و پس از آن از مقادیر هر سطر میانگین موزون گرفته میشود که مقادیر حاصل نشان دهنده اولویت (درجه اهمیت) هر شاخص کلی نسبت به دیگری میباشد. در پایان نیز برای انتخاب بهترین گزینه لازم است که مقادیر هر ردیف در مقادیر متناظر فاکتورها ضرب شود .[12]
اطلاع از سازگاری قضاوتها به عنوان اصل پایانی مسائل تصمیمگیری AHP به این دلیل حائز اهمیت است که احساس نشود قضاوتها به صورت تصادفی اعمال شدهاند. همچنین با توجه به اینکه رسیدن به سازگاری کامل در دنیای واقعی مشکل است و شرایط گوناگون ممکن است از بروز سازگاری کامل ممانعت نمایند، لذا درصدی از ناسازگاری را به صورت تجربی قابل قبول دانسته و میپذیریم و اگر نرخ سازگاری محاسبه شده بیشتر از 0/1 باشد قضاوتها را متضاد و تصادفی در نظر میگیریم که باید در آنها تجدید نظر به عمل آید .[13]
-2-4 الگوریتم K-Means
خوشه بندی به معنی تقسیم دادهها به تعدادی خوشه میباشد به طوری که دادهها در یک خوشه شبیه به هم و دادههایی در خوشههای متفاوت شبیه نمیباشند .[14] روش خوشهبندی K-
means یکی از روشهای مهم در این زمینه است که کاربردهای زیادی دارد[15]، .[16] این روش دادهها را به K گروه مجزا تقسیم میکند که باید در ابتدا، تعداد K گروه مشخص شود و سپس خوشهبندی انجام شود. الگوریتم K-means یک الگوریتم تکرارشونده است که جابجا کردن دادهها میان خوشهها را ادامه میدهد تا مجموع مربعات خطاهای درون خوشهها کمینه شود .[17] این الگوریتم دربردارنده چهار مرحله است که در مرحله اول تعداد K مرکز خوشه به صورت تصادفی از میان دادهها برگزیده میشود؛ در مرحله دوم دادههای باقیمانده درون خوشهای گذاشته میشوند که کمترین فاصله را از مرکز آن دارند؛ در مرحله سوم بر پایه دادههای کنونی درون هر خوشه، یک مرکز خوشه جدید محاسبه میشود و در مرحله چهارم تابع کیفیت یا ارزیابی محاسبه میشود و اگر نتیجه هنوز خوب نبود، به مرحله دوم برمیگردد [18]،
