تحقیقات مدلسازی اقتصادی، جلد ۱۴، شماره ۵۲، صفحات ۰-۰
عنوان فارسی دسته بندی مشتریان بیمه درمان با تکنیک‌های بازاریابی داده‌محور
چکیده فارسی مقاله هدف: شناسایی و طبقه­بندی مشتریان بیمه درمان به منظور شناسایی جامعه هدف و در نتیجه افزایش سودآوری شرکت‌های بیمه، ایجاد توازن در پرداختی حق‌بیمه و طراحی استراتژی بازاریابی.
روش­شناسی: در این مقاله از 5 الگوریتم یادگیری ماشین درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، بیز‌ ساده و رگرسیون لجستیک به منظور طبقه­بندی مشتریان به دو دسته سود‌ده و زیان‌ده استفاده شده است. به این منظور از داده‌ها و اطلاعات تعداد 2897 بیمه­نامه درمان یک شرکت بیمه خصوصی در بازه زمانی آذر 1400 تا آذر 1401 استفاده شده‌ است.
یافته­ها: این مقاله نشان می‌دهد که با استفاده از روش‌های یادگیری ماشین و ویژگی های ثبت شده از مشتریان در پرسشنامه سلامت می­توان سود‌ده یا زیانده بودن آن­ها را تا حدود مناسبی پیش­بینی کرد. این مقاله نشان می­دهد که تمرکز بر روی جامعه هدف معرفی شده توسط مدل شانس موفقیت و افزایش سود را به مقدار چشم گیری افزایش می­دهد.
نتیجه‌گیری: می­توان با استفاده از روش‌های یادگیری ماشین به درک مناسبی از مشخصه­های مشتریان بیمه درمان و نیاز‌های آنها رسید. پیدا کردن جامعه هدف علاوه بر این­که به افزایش سود شرکت بیمه منجر می­شود می­تواند با تمرکز بر خواسته‌های مشتریان به افزایش رضایتمندی آن‌ها نیز منجر شود.
کلیدواژه‌های فارسی مقاله بیمه درمان، بازاریابی داده‌محور، داده‌کاوی، یادگیری‌ماشین، طبقه‌بندی
عنوان انگلیسی Classification of Healthcare Insurance Customers Using Data-Driven Marketing Techniques
چکیده انگلیسی مقاله Purpose: The aim of this study is to identify and classify insurance customers in order to identify the target population for increasing the profitability of insurance companies, achieving a balance in premium payments, and examining the health questionnaire as an indicator of policyholders' preferences. Moreover, designing a marketing strategy to optimize advertising efficiency.
Method: In this paper, five machine learning algorithms, namely Decision Tree, Random Forest, Support Vector Machine, Naive Bayes, and Logistic Regression, are used to classify customers into two categories: profit-generating and loss-generating. Data from a private insurance company is utilized, consisting of 2,897 observations collected from December 1400 to December 1401.
Findings: By utilizing machine learning methods and focusing on the target population, the chances of success can be increased. The presence of a small number of individuals who significantly reduce the profitability of insurance companies is evident. The pre-existing medical conditions of individuals have a considerable impact on their insurance usage and the damage caused to insurance companies.
Conclusion: Machine-learning methods can provide a comprehensive understanding of insurance customers and their needs. By identifying the target population, insurance companies can increase their profitability and satisfy their customers by addressing their specific demands
کلیدواژه‌های انگلیسی مقاله Health insurance, Data-driven marketing, Data mining, Machine learning, Classification
نویسندگان مقاله محمدرضا آصفی |


عباس خندان | Abbas khandan
Faculty of Economics, Kharazmi University
دانشکده اقتصاد، دانشگاه خوارزمی

نشانی اینترنتی http://jemr.khu.ac.ir/browse.php?a_code=A-10-2364-3&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده سایر
نوع مقاله منتشر شده کاربردی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات