An Intelligent Method to Identify Effective Factors in Customers' Dissatisfaction in the Insurance Industry using Ensemble Learning | ||
| Journal of Engineering Management and Soft Computing | ||
| مقاله 6، دوره 9، شماره 2 - شماره پیاپی 17، بهمن 2023، صفحه 91-105 اصل مقاله (1.99 M) | ||
| نوع مقاله: Original Article | ||
| شناسه دیجیتال (DOI): 10.22091/jemsc.2024.9138.1170 | ||
| نویسندگان | ||
| Kamran Balani1؛ Hossein Sadr* 2؛ Ahmad Edalatpanah3؛ Mahnaz Manteghipour4؛ Mojdeh Nazari5 | ||
| 1Department of Computer Engineering, Ayandegan Institute of Higher Education, Tonekabon, Iran | ||
| 2Department of Computer Engineering, Rasht branch, Islamic Azad University, Guilan, Iran | ||
| 3Department of Mathematics, Ayandegan Institute of Higher Education, Tonekabon, Iran | ||
| 4Data mining desk leader, Insurance Research Center, Tehran, Iran | ||
| 5shahid beheshti tehran | ||
| چکیده | ||
| Given the competitive market of the insurance industry, customer retention is one of the most important goals of insurance brokers. As a matter of fact, attracting a new customer as well as establishing a relationship with the insurer and gaining his trust requires a lot of money. However, the cost of attracting new customers is much more than retaining existing customers. Accordingly, marketing strategies have shifted from product-oriented and many companies have turned to customer relationship management. Companies and organizations have found that retaining their current customers as their most valuable asset is highly important. Therefore, the strategy of insurance companies is to first retain existing customers and then attract new customers. In this regard, identifying the effective factors in customer turnover is essential. In this paper, data mining methods are used to predict the factors affecting customer dissatisfaction. Based on the empirical results, it has been determined that the customer attraction channel, purchase history and place of insurer are important factors affecting customers dissatisfaction in the insurance industry, respectively. | ||
| کلیدواژهها | ||
| Insurance Industry؛ Marketing Strategies؛ Customer Dissatisfaction؛ Data Mining؛ Machine Learning | ||
| عنوان مقاله [English] | ||
| ارایه یک روش هوشمند به منظور شناسایی فاکتورهای موثر در رویگردانی مشتریان در صنعت بیمه با استفاده از تکنیک یادگیری جمعی | ||
| نویسندگان [English] | ||
| کامران بالانی1؛ حسین صدر2؛ سید احمد عدالت پناه3؛ مهناز منطقیپور4؛ مژده نظری5 | ||
| 1مؤسسه آموزش عالی آیندگان، گروه مهندسی کامپیوتر، تنکابن، مازندران، ایران | ||
| 2گروه مهندسی کامپیوتر، واحد رشت، دانشگاه آزاد اسلامی، رشت، | ||
| 3مؤسسه آموزش عالی آیندگان، گروه ریاضی کاربردی، تنکابن، مازندران، ایران | ||
| 4راهبر میز داده کاوی، پژوهشکده بیمه، تهران، ایران | ||
| 5تهران دانشگاه شهید بهشتی گروه فناوری اطلاعات و انفورماتیک | ||
| چکیده [English] | ||
| با توجه به بازار رقابتی صنعت بیمه و اشباع آن، حفظ مشتریان از مهمترین اهداف کارگزاران بیمه به حساب میآید. زیرا برای جذب مشتری جدید علاوه بر ایجاد رابطه با بیمهگذار و جلب اطمینان وی، مستلزم صرف هزینه زیادی میباشد، بهطوریکه هزینه جذب مشتریان جدید بسیار بیشتر از حفظ مشتریان موجود است. بر این اساس، استراتژیهای بازاریابی، از محصول مداری تغییر کرده و بسیاری از شرکتها به مدیریت ارتباط با مشتریان روی آوردهاند. تعداد زیادی از شرکتها و سازمانها دریافتهاند که حفظ و نگهداری مشتریان فعلیشان بهعنوان گرانبهاترین سرمایه، ارزش بسیار بالایی دارند. استراتژی شرکتهای بیمه ابتدا حفظ مشتریان فعلی و سپس جذب مشتریان جدید میباشد. در این راستا، شناسایی فاکتورهای موثر در رویگردانی مشتریان از اهمیت های بالایی برخوردار است. در این مقاله از روش های داده کاوی برای پیش بینی عوامل موثر در رویگردانی مشتریان استفاده شده است. بر اساس تجزیه و تحلیل نتایج بدست آمده مشخص شده است که کانال جذب مشتری، سابقه خرید و کاربری مکان بیمه شده به ترتیب از عوامل مهم در رویگردانی مشتریان در صنعت بیمه است. | ||
| کلیدواژهها [English] | ||
| صنعت بیمه, استراتژیهای بازاریابی, رویگردانی مشتری, دادهکاوی, یادگیری ماشین | ||
| مراجع | ||
|
Karunarathna, K. and D. Rasika, Factors Affecting Salesforce Unethical Behavior: Evidence from Life Insurance Industry. Wayamba Journal of Management, 2021. 12(2). DOI: 10.1213/ANE.0b013e31828843e6 Osman, A.S., Data mining techniques. 2019. DOI: 10.1111/j.1423-0410.2010.01446 Nicholson, J.E., Challenges for the Insurance Industry in the Future. Journal of Insurance Regulation, 2019. 38(6). Doi: https://doi.org/10.1016/j.tele.2013.02.002 Pirmohammadi, G. and M.M. Zohouri, Comparison of Artificial Neural Network and SPSS Model in Predicting Customers Churn of Iran’s Insurance Industry. International Journal of Computer Applications. 975: p. 8887. doi: https://doi.org/10.13052/jicts2245-800X.12a9 Cao, S., et al. Deep Learning Based Customer Churn Analysis. in 2019 11th International Conference on Wireless Communications and Signal Processing (WCSP). 2019. IEEE. Doi: https://doi.org/10.1016/j.chb.2016.04.023 Saghir, M., et al. Churn prediction using neural network based individual and ensemble models. in 2019 16th International Bhurban Conference on Applied Sciences and Technology (IBCAST). 2019. IEEE. Doi: https://doi.org/10.1016/j.compeleceng.2017.09.001 Khodabandehlou, S. and M.Z. Rahman, Comparison of supervised machine learning techniques for customer churn prediction based on analysis of customer behavior. Journal of Systems and Information Technology, 2017. Doi: https://doi.org/10.1016/j.future.2019.01.020 Bhatnagar, A. and S. Srivastava. A Robust Model for Churn Prediction using Supervised Machine Learning. in 2019 IEEE 9th International Conference on Advanced Computing (IACC). 2019. IEEE. Doi: https://doi.org/10.1016/j.future.2019.01.020 Omerašević, A. and J. Selimović, Risk factors selection with data mining methods for insurance premium ratemaking·. Zbornik Radova Ekonomski Fakultet u Rijeka, 2020. 38(2): p. 667-696. Doi:https://dio.org/10.1002/sec.795 Kirlidog, M. and C. Asuk, A fraud detection approach with data mining in health insurance. Procedia-Social and Behavioral Sciences, 2012. 62: p. 989-994. DOI: https://10.1016/j.eswa.2011.01.075 Ling, C.X. and C. Li. Data mining for direct marketing: Problems and solutions. in Kdd. 1998. https://doi.org/10.3724/SP.J.1383.203008 Smith, K.A., R.J. Willis, and M. Brooks, An analysis of customer retention and insurance claim patterns using data mining: A case study. Journal of the operational research society, 2000. 51(5): p. 532-541. doi.org/10.1016/j.energy.2016.06.087 Cho, V. and E.W. Ngai, Data mining for selection of insurance sales agents. Expert systems, 2003. 20(3): p. 123-132. https://doi.org/10.3724/SP.J.1383.203008 حسین خانی, ن., س.م. حسینی مطلق, و م. خاکزار بفرویی, شناسایی عوامل موثر بر رویگردانی مشتریان در صنعت بیمه, در بیست و یکمین همایش ملی و هفتمین همایش بین المللی بیمه و توسعه. 1393. Günther, C.-C., et al., Modelling and predicting customer churn from an insurance company. Scandinavian Actuarial Journal, 2014. 2014(1): p. 58-71. https://doi.org/doi.org/10.3724/SP.J.1383.203008 فیروزی, م,و همکاران، شناسایی تقلب در بیمه اتومبیل با استفاده از روشهای دادهکاوی. پژوهشنامه بیمه) صنعت بیمه)، 1390. Morik, K. and H. Köpcke. Analysing customer churn in insurance data–a case study. in European conference on principles of data mining and knowledge discovery. 2004. Springer. https://doi.org/10.3724/SP.J.1383.203008 توکلی, ا ,و همکاران، به کارگیری فرایند دادهکاوی برای پیشبینی الگوهای رویگردانی مشتری در بیمه. چشم انداز مدیریت بازرگانی, 1391. Olson, D.L. and D. Delen, Advanced data mining techniques. 2008: Springer Science & Business Media. https://doi.org/10.3724/SP.J.1383.203008 | ||
|
آمار تعداد مشاهده مقاله: 702 تعداد دریافت فایل اصل مقاله: 632 |
||