چکیده مقاله
در دهه های اخیر، استفاده از هوش مصنوعی و یادگیری ماشین به عنوان ابزاری در بازاریابی دیجیتالی به طرز چشم گیری در صنایع مختلف رو به افزایش است برخی از شرکت های بیمه نیز از این فناوری ها برای خودکارسازی کارهای مشخصی استفاده می کنند تا خدمات بهتری در زمینه های قیمت گذاری، فرایندهای صدور بیمه نامه و رسیدگی به خسارت ها، مدیریت ارتباط با مشتریان، سنجش بهتر ریسک ها و به مشتریان ارائه دهند خوشه بندی یکی از روش های مهم در یادگیری ماشین است که داده ها را به گروه ها و خوشه های همگن افراز می کند هدف از این پژوهش، استفاده از الگوریتم های خوشه بندی برای پردازش، کاویدن و کشف الگوهای پنهان در مجموعه داده های پرتفوی محصول زندگی و سرمایه گذاری بیمه ملت است متغیرها در این پرتفو، از نوع آمیخته عددی و رسته ای، شامل اطلاعات مربوط به بیمه شده ها، قراردادها و پوشش های تکمیلی هستند در این پژوهش با توجه به ماهیت داده ها، از الگوریتم k prototype برای خوشه بندی داده ها استفاده شده است همچنین به منظور ارزیابی ریسک فوت در میان بیمه شدگان، براساس نتایج خوشه بندی به مقایسه خسارت های فوت مورد انتظار با خسارت های فوت واقعی در هر خوشه پرداخته شده است که می تواند مرحله ای آغازین را در توسعه سیستمی با نظارت مداوم بر مدیریت ریسک فوت فراهم آورد نتایج نشان می دهد که در همه خوشه ها، خسارت های فوت واقعی نسبت به خسارت های فوت مورد انتظار با تغییرپذیری متفاوت، کمتر هستند
کلیدواژهها
نویسندگان
منیر گودرزی
دکتری آمار دانشگاه شهید بهشتی، کارشناس ریسک شرکت بیمه ملت، تهران
سنا مصلی
دانشجوی دکتری مدیریت بازرگانی دانشگاه الزهرا س ، مدیر بیمه های عمر و حوادث شرکت بیمه ملت، تهران،
شیوه ارجاع
گودرزی، منیر و مصلی، سنا،1400،پیش بینی ریسک مشتریان در محصولات زندگی شرکت بیمه ملت با استفاده از الگوریتم خوشه بندی k-prototype،بیست و هشتمین همایش بیمه و توسعه،تهران
ارائهشده در
مجموعه مقالات بیست و هشتمین همایش بیمه و توسعه13 آذر 1400 · تهران