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.