دسته بندی مشتریان بیمه درمان با تکنیک‌های بازاریابی داده‌محور

نویسندگان
محمدرضا آصفی
عباس خندان
دانشکده اقتصاد، دانشگاه خوارزمی
چکیده
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.
کلیدواژه‌ها
بیمه درمان
بازاریابی داده‌محور
داده‌کاوی
یادگیری‌ماشین
طبقه‌بندی

عنوان مقاله English

Classification of Healthcare Insurance Customers Using Data-Driven Marketing Techniques

نویسنده English

Abbas khandan
Faculty of Economics, Kharazmi University
چکیده English

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

کلیدواژه‌ها English

Health insurance
Data-driven marketing
Data mining
Machine Learning
classification
باش‌افشار، مریم؛ سعیدپناه، مسعود؛ و تیره عیدوزهی، فرشید (1397). الگوی خوشه‌بندی مشتریان بیمه عمر (مطالعه مورد یک شرکت بیمه‌ای). پژوهشنامه بیمه، 7(2)، 108-119.

پرستش، مونا (1399). ‌خوشه‌بندی مشتریان بیمه بر اساس تکنیک‌های داده‌کاوی جهت استفاده در تکنیک‌های بازی‌وارسازی. پژوهشنامه بیمه، 9(4)، 426-443.

تجددی نودهی، مهسا؛ حسینی خطیبانی، سمانه؛ یزدی‌نژاد، محسن؛ و زلفی، سمیه (1402). پیش‌بینی هزینه‌های بیمه درمانی افراد با استفاده از یادگیری ماشین و روش یادگیری جمعی.
پژوهشنامه بیمه، 13(1)، 1-14.
خندان، عباس؛ نیاکان، لیلی؛ فخاری‌نژاد، زهرا (1402). پیش‌‌بینی بازخرید بیمه‌‌نامه‌‌های زندگی به شرط فوت با استفاده از شبکه‌‌های عصبی عمیق. پژوهشنامه بیمه، 12(4)، 265-282.

قربانی، حسن؛ قنبرزاده، میترا؛ و افقی، رضا (1401). بررسی ریزش مشتریان بیمه‌های زندگی با استفاده از روش‌های داده‌کاوی (مطالعه موردی: یکی از شرکت‌های بیمه ایران). پژوهشنامه بیمه، 11(4)، 305-320.

قره نژاد، سحر (1389). لزوم حفظ مشتریان بیمه با استفاده از ابزارهای داده‌کاوی. تازه‌های جهان بیمه، 150، 15.

Kaushik, K., Bhardwaj, A., Dwivedi, A. D., & Singh, R. (2022). Machine learning-based regression framework to predict health insurance premiums. International Journal of Environmental Research and Public Health, 19(13), 7898.

Han, J., Kamber, M., & Pei, J. (2012). Data mining concepts and techniques third edition. University of Illinois at Urbana-Champaign Micheline Kamber Jian Pei Simon Fraser University.

Nandapala, E., Jayasena, K., & Rathnayaka, R. (2020). Behavior segmentation based micro-segmentation approach for health insurance industry. Paper presented at the 2020 2nd International Conference on Advancements in Computing (ICAC).

Pandey, P., Saroliya, A., & Kumar, R. (2018). Analyses and detection of health insurance fraud using data mining and predictive modeling techniques. Paper presented at the Soft Computing: Theories and Applications: Proceedings of SoCTA 2016, Volume 2.

Peng, F., Wang, D., Zhang, D., Cao, H., & Liu, X. (2018). The prospect of layered double hydroxide as bone implants: A study of mechanical properties, cytocompatibility and antibacterial activity. Applied Clay Science, 165, 179-187.

Rawat, S., Rawat, A., Kumar, D., & Sabitha, A. S. (2021). Application of machine learning and data visualization techniques for decision support in the insurance sector. International Journal of Information Management Data Insights, 1(2), 100012.

Santos, F. P., Pacheco, J. M., Santos, F. C., & Levin, S. A. (2021). Dynamics of informal risk sharing in collective index insurance. Nature Sustainability, 4(5), 426-432.

Taha, A., Cosgrave, B., & Mckeever, S. (2022). Using feature selection with machine learning for generation of insurance insights. Applied Sciences, 12(6), 3209.

Wen, C., Gao, K., & Xiao, Y. (2021). Data-Driven Market Segmentation in Insurance Industry and Other Related Sectors. Journal of Finance and Accounting, 9(6), 268-272.

Zaqueu, J. R. (2019). Customer clustering in the health insurance industry by means of unsupervised machine learning.