مقاله گروه بندی مشتریان شرکت بیمه ای با استفاده از تکینک های داده کاوی

بخشی از مقاله

چکیده

امروزه استفاده از سیستمهاي مدیریت ارتباط بامشتریان و همچنین بکارگیري تکنیکهاي دادهکاوي در صنایع مختلف از جمله بیمه بهمنظور تحلیل سیستماتیک مشخصات مشتریان بهمنظور بخشبندي و هدف قرار دادن مشتریان باارزش شرکت امري متداول میباشد . هنگامی که ارائهدهندگان خدمات به درك درستی از مشتریان خود برسند، میتوانند استراتژيهاي بازاریابی مناسبی را براي مشتریان خود تدوین نموده و در نتیجه میتوانند تقاضاي آنها را برآورده نموده و باعث رضایتمندي آنها شوند.

در این مقاله نیز بهمنظور دستیابی به درك درست از مشتریان و شناسایی مشتریان سودآور در یک شرکت بیمهاي از الگوریتم خوشهبنديK-means بهمنظور گروهبندي مشتریان استفاده شده است . استفاده از تکنیکهاي دادهکاوي به شناسایی چهار گروه از مشتریان شامل مشتریان ایدهآل، بالقوه ایدهآل، معمولی و مشتریان داراي ارتباط ضعیف کمک نموده است. پس از خوشهبندي به تحلیل خوشههاي بهدست آمده پرداخته شد و در نهایت استراتژيهاي متناسب با هر گروه از مشتریان ارائه گردید.بنابراین بخشبندي مشتریان باعث شناخت بهتر مشتریان و مدیریت بهتر روابط با آنها و بکارگیري استراتژيهاي موثرتري جهت جلب رضایت مشتري و کسب سود بیشتر شده است.

.1 مقدمه

بدون شک، آشنایی با بیمه و خدمات آن، باعث افزایش آگاهی و ارتقاي سطح زندگی، رفاه و آسایش انسانهاست و یک ضرورت تلقی میشود. آشنایی و آگاهی افراد با پوششهاي بیمهاي مناسب با ویژگیهاي آنها باعث استقبال افراد از خدمات بیمه میگردد . توسعه صنعت بیمه به منظور رشد اقتصادي کشور، از طریق ارائه پوششهاي بیمهاي مختلف و مناسب براي رفع نگرانی سرمایهگذاران و افزایش رفاه خانوادهها ضروري است.

امروزه به دلیل پیشرفت و گستردگی جوامع و افزایش استانداردهاي زندگی مردم، تنوع و ابعاد حوادث مربوط به این جوامع نیز افزایش یافته و بنابراین اهمیت صنعت بیمه بهصورت فزایندهاي رو به رشد بوده و نیاز به پوششهاي بیمهاي متنوع نیز بیش از پیش احساس میگردد، از این رو افزایش نیاز جوامع به بیمه، باعث ایجاد رقابت در میان شرکت هاي بیمه شده است. با افزایش رقابت در صنعت بیمه، مدیران این سازمانها به دنبال ایجاد روابط بهتر با مشتریان خود و افزودن ارزش بیشتر به خدمات خود میباشند

در حقیقت در بازار رقابتی امروز سازمان هاي خدماتی همچون بیمه، محصول مداري جاي خود را به مشتريمداري داده است و گسترش خدمات و حتی ارائه آن بدون در نظر گرفتن این اصل نه تنها مشکل بلکه غیر ممکن میباشد. بنابراین چنین سازمان هایی به منظور بقا در چنین بازار رقابتی باید در جستجوي راهکاري به منظور ایجاد رابطهي بهتر با مشتریان خود باشند. سیستمهاي مدیریت ارتباط با مشتریان - CRM - میتواند در این زمینه به مدیران سازمانهاي خدماتی از جمله صنعت بیمه کمک شایانی نمایند.

مدیریت ارتباط با مشتریان به عنوان مجموعهاي از فرآیندها و توانمندسازهاي سیستم میباشد که به دنبال توسعهي روابط با مشتریان جدید و ایجاد روابط بلند مدت و سودآور با مشتریان خاص میباشد.5]،4،[ 3 در واقع در بازاري که مشتري مداري اصلی مهم در نظر گرفته می شود، مدیریت ارتباط با مشتري، استراتژي پیش رو براي به دست آوردن مزیت رقابتی بوده و در ایجاد رابطه بلند مدت و سودمند با مشتریان ارزشمند شرکت تأثیر بسزایی دارد.

شرکتها نیاز دارند تا روابط مثبت و خوب خود را با مشتریان حفظ نموده و برنامههاي مؤثر مدیریت ارتباط با مشتریان نیز به شرکت ها در راضی نگه داشتن مشتریان یاري می رساند

مدیریت ارتباط با مشتریان و همچنین بررسی رفتار آن ها باعث تسهیل در تدوین استراتژي ها و برنامه هاي بازاریابی با توجه به تقاضاي خاص مشتریان از خدمات صنعت بیمه می گردد. از این رو شناسایی مشتریان با ارزش شرکت و همچنین تدوین طرح ها و برنامه هاي بازاریابی متناسب با گروه هاي مختلف از مشتریان از اهمیت بسزایی برخوردار است.

براي مثال فرض کنید در یک شرکت بیمه اي با بررسی رفتار مشتریان این نتیجه دست یافته است که استقبال گروه خاصی از مشتریان از برخی از پوشش هاي بیمه اي بیشتر بوده و یا برعکس این گروه تمایلی به انتخاب برخی پوشش ها نداشته اند . بنابراین شرکت می تواند، استراتژي هاي بازاریابی خاصی را متناسب با گروه هاي مختلف مشتریان و همچنین متناسب با پوشش ها و خدمات بیمه اي متنوع خود تدوین نماید و از این طریق بصورت موثري در بازار خدمات به فعالیت خود ادامه دهد.

امروزه توانایی تولید اطلاعات مفید از داده ها امري ضروري و مسئله اي مهم براي مدیران صنایع مختلف محسوب می شود. این ضرورت مدیران را به استفاده از تکنیک هاي داده کاوي به منظور کشف اطلاعات پنهان از داده هاي حجیم مربوط به مشتریان و در نتیجه دستیابی به مدیریت ارتباط با مشتري اثربخش ترغیب نموده است.

در صنایع خدماتی استفاده از فناوري اطلاعات همانند ایجاد سیستم هاي اطلاعاتی مدیریت ارتباط با مشتریان و همچنین بکارگیري تکنیک هاي داده کاوي به منظور تحلیل سیستماتیک مشخصات مشتریان به منظور بخش بندي و هدف قرار دادن مشتریان با ارزش امري متداول می باشد. هنگامی که ارائه دهندگان خدمات به درك درستی از مشتریان خود برسند، می توانند استراتژي هاي بازاریابی مناسبی را براي مشتریان خود تدوین نموده و در نتیجه می توانند تقاضاي آن ها را برآورده نموده و باعث رضایتمندي آن ها شوند و در نهایت باعث افزایش تمایل مشتریان به خرید مجدد می گردد

امروزه تصمیمگیريهاي مبتنی بر داده، به عنوان سنگبناي استراتژي سازمانهاي مدرن در نظر گرفته میشوند. اینگونه تصمیمگیريها شامل کاوش حجم زیادي از دادهها و در تلاش براي کشف دانش میباشد، همچنین متخصصان دادهکاوي و محققان بسیاري نیاز به مدلهاي رسمی فرآیند دادهکاوي که منجر به تبدیل داده به دانش میشود را به رسمیت شناختهاند.

بر این اساس هدف این تحقیق این است که به منظور مدیریت بهتر ارتباط با مشتریان در یک شرکت بیمهاي و شناسایی بهتر مشتریان به گروه بندي آن ها بپردازد، بدین منظور از تکنیکهاي خوشهبندي در دادهکاوي استفاده شده و مشتریان بر اساس پوشش بیمهاي انتخاب شده توسط آنها گروه بندي شده و سپس به تحلیل خوشههاي به دست آمده پرداخته شده است و در نهایت بر اساس ویژگیهاي هر خوشه استراتژيهاي متناسب با مشتریان هر خوشه ارائه گردیده است. در ادامه و در بخش دوم موضوعات مرتبط با تحقیق و همچنین مرور پیشینه ارائه شده است. در بخش سوم روش اچراي تحقیق بیان شده است و در بخش چهارم استراتژي هاي متناسب با هر گروه از مشتریان ارائه شده است و در نهایت در بخش پنچم به ارائه نتیجه گیري پرداخته شده است.

.2 موضوعات مرتبط و مرور پیشینه

.2,1 مدیریت ارتباط با مشتریان

سیستمهاي مدیریت ارتباط با مشتریان، مجموعهاي از سیستمهاي اطلاعاتی هستند که سازمانها را قادر میسازند که با مشتریان خود ایجاد رابطه نموده و دادههاي مربوط به آنها را جمعآوري، ذخیره و تحلیل نمایند و دید جامعی از مشتریان خود بهدست آورند. سیستمهاي مدیریت ارتباط با مشتریان معمولاً در سه گروه طبقهبندي میشوند:

سیستمهاي عملیاتی - که به منظور اتوماسیون و خودکارسازي و افزایش بهرهوري فرآیندهاي مدیریت ارتباط با مشتریان مورد استفاده قرار میگیرند - ، سیستمهاي تعاملی - که به مدیریت و یکپارچهسازي کانالهاي ارتباطی مشتریان و نقاط تماس توجه دارد - و سیستمهاي تحلیلی - که براي تحلیل دادههاي مشتریان و استخراج دانش مورد استفاده قرار میگیرد - . ابزارهاي داده کاوي بهترین وسیله براي تحلیل داده هاي مرتبط با مشتریان در سیستم مدیریت ارتباط با مشتري تحلیلی می باشد. در بازار رقابتی امروز، دانش مرتبط با مشتریان دارایی اصلی شرکت ها محسوب می شود و جمع آوري و مدیریت و اشتراك این دانش می تواند به عنوان مزیت رقابتی براي سازمان ها محسوب شود.

در صنعت بیمه نیز دادههاي مربوط به مشتریان به سرعت در حال رشد بوده و دادهکاوي با تمرکز بر روي مهمترین اطلاعات از میان انبوه اطلاعات کمک شایانی به تحلیلگران شرکتهاي بیمه میکند.سیستمهاي مدیریت ارتباط با مشتریان تحلیلی به سازمانها در بهدست آوردن و تولید مستمر دانش مرتبط با داده هاي مشتري یاري میرساند.

.2,2 دادهکاوي

دادهکاوي به استخراج الگوها و قواعد سودمند از مجموعه دادههاي حجیم اشاره دارد، فرآیند دادهکاوي شامل شناسایی مسائل کسب و کار و هدف دادهکاوي، بازیابی نیازهاي پایگاههاي داده و استفاده از تکنیکهاي دادهکاوي به منظور تجزیه و تحلیل داده با هدف نهایی دستیابی به نتایج مهم براي تصمیمگیريهاي مهم استراتژیک میباشد. [16] دادهکاوي به سازمانها کمک میکند تا درك بهتري نسبت به کسب و کار خود پیدا کنند. دادهکاوي به استخراج دانش از حجم انبوهی از دادهها اطلاق میشود.

دادهکاوي بخشی جداییناپذیر از کشف دانش در پایگاه داده - KDD - میباشد و شامل تکنیکهایی مانند تشخیص ناهنجاريها، تحلیل روابط انجمنی، خوشهبندي و مدلهاي پیشبینی میباشد. 20]، 19،[18 دادهکاوي یکی از پیشرفتهاي اخیر در راستاي فناوريهاي مدیریت دادهها میباشد و مجموعهاي از فنونی است که به شخص امکان میدهد تا وراي دادهپردازي معمولی حرکت کند و به استخراج اطلاعاتی که در انبوه دادهها مخفی و یا پنهان است کمک میکند. پروژههاي دادهکاوي با اجراي فرآیند کشف دانش پیادهسازي میگردند، این فرآیند بسیار پیچیده بوده و ماهیتی تکرار شونده دارد و شامل چندین مرحله میباشد. این مراحل با درك فضاي کسب و کار آغاز شده و با درك داده، آمادهسازي دادهها، مدلسازي، ارزیابی و بکارگیري و اجراي مدل ادامه مییابد.

در این مقاله نیز از تکنیک خوشه بندي و الگوریتم K-means که از روش هاي متداول در خوشه بندي می باشد بهمنظور گروه بندي مشتریان شرکت استفاده شده است. در بخش بعد به تشریح روش خوشه بندي و همچنین الگوریتم k-means پرداخته شده است.
 
.3,2 خوشه بندي

از خوشهبندي براي تقسیم اشیاء به گروهها/ خوشههایی که از نظر مفهومی معنیدار هستند استفاده میشود. بهطوري که اشیاي یک گروه با یکدیگر مشابه و در عین حال، بسیار متفاوت از اشیاي دیگر گروهها باشند. خوشهبندي با عنوان بخشبندي و تقطیع دادهها نیز شناخته میشود و بهعنوان یک گونه از طبقهبندي نظارت نشده به حساب میآید. بنابر نظر یوئه و همکاران - 2007 - تحلیل خوشهبندي مرتبط است با مسئله تجزیه یا تقطیع یک مجموعه داده - معمولاً چند متغیره - به چندین گروه، بهطوري که نقاط در داخل یک گروه مشابه با یکدیگر و تا حد ممکن متفاوت از نقاط دیگر در گروهها هستند.[ 21] همچنین ژانگ و ژو اظهار میدارند که هر خوشه مجموعهاي از اشیاي داده است که در همان خوشه مشابه یکدیگرند، اما متفاوت از اشیاء در دیگر خوشهها هستند.

.1,3,2 الگوریتم خوشهبندي K-means

الگوریتم خوشه بندي k-means ساده ترین الگوریتم هاي یادگیري بدون نظارت است . در این روش عملا مجموعه داده ها به تعداد خوشه هاي از پیش تعیین شده تقسیم می شوند. ایده اصلی در این الگوریتم تعریف k مرکز براي هر یک از خوشه ها است . بهترین انتخاب براي مراکز حوشه ها در این الگوریتم قرار دادن آن ها - مراکز - در فاصله هر چه بیشتر از یکدیگر است. پس از آن هر رکورد در مجموعه داده به نزذیک ترین مرکز خوشه اختصاص داده می شود.

1.    ابتداد k نقطه به صورت تصادفی به عنوان مراکز خوشه ها انتخاب می شوند

2.    هر رکورد در مجموعه دادخ به خوشه اي که مرکز آن خوشه کمترین فاصله تا آن رکورد را دارا است نسبت داده می شود. - معیار فاصله : فاصله اقلیدسی -

3.    پس از تخصیص تمام رکوردها به یکی از خوشه هاي تشکیل شده براي هر خوشه یک نقطه جدید به عنوان مرکز محاسبه می شود.

4.    مراحل2و 3 تا زمانی که دیگر هیچ تغییري در مراکز خوشه ها حاصل نشود، تکرار خواهند شد.

.4,2 شاخص ارزیابی دیویس بولدین

شاخص اعتبارسنجی دیویس- بولدین، تابعی از نسبت مجموع پراش دورن خوشه به فاصله بین خوشههاست که در ادامه به رابطه آن اشاره شده است.

که n تعداد خوشهها، Sn میانگین فاصله دادههاي خوشه از مرکز خوشه - S - Qi .Q j فاصله بین مراکز خوشههاست. بنابراین هنگامی که درون خوشهها به هم نزدیک و خوشهها از یکدیگر دور باشند،این نسبت کوچک میشود. مقدار کوچک شاخص دیویس بولدین، نمایش خوشهبندي معتبر است. در واقع تعداد بهینه خوشه ها در نقطه اي که شاخص دیویس بولدین حداقل شود یا اختلاف شیب بین خط قبل و بعد از آن نقطه تفاوت معنیداري داشته باشد بهدست می آید. این شاخص ارزیابی در نرمافزار رپیدماینر قابل محاسبه میباشد

.5,2 دادهکاوي و مدیریت ارتباط با مشتریان در صنعت بیمه

در سالهاي اخیر استفاده از تکنیکهاي دادهکاوي در صنعت بیمه مورد توجه بسیاري از محققان دانشگاهی و همچنین شاغلان صنعت قرار گرفته و مطالعات بسیار زیادي در خصوص استفاده از تکنیکهاي مختلف دادهکاوي در مدیریت ارتباط با مشتریان در این صنعت صورت گرفته است . براي مثال مطالعاتی در خصوص شماخت مشتریان، جذب و حفظ مشتریان، گسترش روابط با مشتریان در صنایع مختبف و همچنین صنعت بیمه صورت گرفته است. در مقالات متعددي با استفاده از روش هاي داده کاوي مانند رده بندي و خوشه بندي در زمینه شناخت مشتریان به تقسیم بندي آن ها پرداخته شده است. 

براي مثال در مقاله اي از روش هاي داده کاوي به منظور حفظ مشتریان فعلی در یک شرکت بیمه اي استفاده شده است. حفظ و جذب مشتري و یا بعبارتی فعالیت هاي بازاریابی یکی از مهم ترین فعالیت هاي هر شرکت محسوب می شود. لازم است تا از ابزارهاي نوینی براي کشف دانش استفاده شود. حفظ مشتریان در گرو استفاده صحیح از اطلاعات در زان مناسب و ارائه پیشنهاد مناسب به افراد می باشد. بنابراین در این مقاله به لزوم حفظ مشتریان بیمه با استفاده از ابزارهاي داده کاوي اشاره شده است

در مقاله اي دیگر از روش هاي داده کاوي مانند خوشه بندي به منظور دستیابی به مشتریان جدید استفاده شده و از قواعد انجمنی به منظور حفظ مشتریان فعلی شرکت و از تکنیک ردهبندي نیز به منظور هدف قرار دادن مشتریان و طراحی محصولات جدید استفاده شده است. در این مقاله خود بیان شده است که کشف دانش در سازمانهاي مالی معمولاً بهمنظور پشتیبانی از تصمیمگیريها و استفاده از دانش بهعنوان یک عامل استراتژیک، اجرا میگردد.

از روش هاي داده کاوي براي درك و پیشبینی رفتار مشتریان نیز استفاده شده است. در مقاله اي از دادههاي مربوط به مشتریان یک شرکت بیمه بهمنظور تجزیه و تحلیل استفاده شده است و با استفاده از روش هاي خوشه بندي به بخش بندي مشتریان این شرکت پرداخته شده است و این موضوع در تسهیل توسعه محصولات جدید و پیشبینی ترجیحات و اولویتهاي مشتري مورد استفاده قرار گرفته است.