پیشبینی رفتار مشتریان بیمه از طریق ترکیب تکنیکهای داده کاوی
امروزه مهمترین اقدام شرکتهای بیمه در بحث بازاریابی و تبلیغات، بخشبندی و تفکیک مشتریان براساس رفتار و نیاز آنها است. از اینرو، این شرکتها برای شناسایی و تحریک کردن مخاطبان خود، بازاریابی و تبلیغات را بهطور گسترده و هدفمند در تمام محیطهای ارتباطی به انجام میرسانند. برای اثربخشی هرچه بهتر این رویکرد، مشتریان براساس معیارها و اهداف خاصی تفکیک و بخشبندی میشوند. خوشهبندی روشی تحلیلی برای کشف عملکرد و رفتار مخاطبان از طریق اطلاعات آنها است. این امر باعث میشود تا شرکتها بتوانند از طریق همین عملکرد مخاطبان، دست به اتخاذ تصمیم و تبلیغات هدفمند نسبت به آنها بزنند. هدف اصلی این پژوهش، ارائه راهکاری برای شناخت و پیشبینی عملکرد و رفتار مشتریان جدید در انتخاب نوع بیمه برای حفاظت مسکن خود در برابر مخاطرات، از طریق ترکیب روش K-medoids با شبکههای عصبی در جهت تعیین خوشه مشتریان جدید برای ارائه تبلیغ محصولات بیمهای است. در این راستا، بدلیل زیاد بودن مشخصهها در اکثر مجموعه دادهها و پراکندگی آنها، ابتدا از طریق تکنیکهای K-means و K-medoids به کشف الگوهای مفهومی رسیده و با استفاده از همین الگوها بعد از مشخص شدن خوشه مشتریان، فقط با داشتن اطلاعات جمعیت شناختی از سوی مشتریان جدید، خوشه آنها پیشبینی و اقدامات لازم صورت میگیرد. ویژگی متمایز این پژوهش، ترکیب روشهای خوشهبندی با روشهای دستهبندی در کشف الگو است. آزمایشهای انجام شده، موفقیت روش پیشنهادی در شناخت و کشف نیازها، همچنین رفتار و عملکرد مشتریان را نشان میدهد که براساس آن تبلیغات صورت میگیرد.
|