به کارگیری فرایند داده کاوی برای پیش بینی الگوهای رویگردانی مشتری در بیمه

نوع مقاله : مروری

نویسندگان

دانشگاه فردوسی مشهد

چکیده

توسعه پارادایم بازاریابی دانش محور، تقاضا برای پیوستن داده کاوی به فرایندهای تجاری کسب و کار به ویژه در حوزه های مختلف مدیریت روابط با مشتری را به دنبال داشته است. یکی از حوزه های جدید و مورد اقبال در این زمینه، "مدیریت رویگردانی مشتری" می باشد. با اعمال فرایند داده کاوی در مقام یکی از فناوریهای مدیریت دانش، می توان طی کاوش در پایگاههای داده حجیمی از تعاملات ثبت شده سازمان با مشتریان که منعکس کننده تمایلات و رفتارهای واقعی آنان است به استخراج الگوهایی برای پیش بینی رفتار رویگردانی مشتری نائل آمد و مدیران را در اخذ تصمیمات لازم برای حفظ این مشتریان و کاهش روند ریزش آنان یاری داد. پژوهش حاضر با هدف تبیین قابلیتهای داده کاوی در مدیریت رویگردانی مشتری، و با بهره گیری از متدولوژی استاندارد داده کاوی CRISP-DM، به کاوش در پایگاه های داده یکی از شرکتهای سهامی عام بیمه ای در رشته بیمه آتش سوزی پرداخته است. نتایج نشان می دهد کانال جذب مشتری عامل اصلی پیش بینی کننده رویگردانی یا ماندگاری مشتری در شرکت بوده و در مراتب بعد سابقه خرید و کاربری مکان بیمه شده به عنوان عوامل پیش بینی کننده رویگردانی قرار می گیرند.

کلیدواژه‌ها


عنوان مقاله [English]

Applying data mining to predict customer churn patterns in insurance

  1. ١. شهرابی، جمال (١٣٨۶). داده کاوی جلد اول. تهران: جهاد دانشگاهی واحد صنعتی امیر کبیر.

    2 .Buckinx, W., & Van den Poel, D.(2005), "Customer base analysis: Partial defection of behaviourally loyal clients in a non-contractual FMCG retail setting". European Journal of Operation Research, 164(1), 252-268.

    1. Burez, J., & Van den Poel, D.(2007), "CRM at a pay-TV company: Using analytical models to reduce customer attrition by targeted marketing for subscription services". Expert System with Applications, 32, 277-288.

    4 .Chandar, M., Laha, A., & Krishna, P. (2006), "Modeling churn behavior of bank customers using predictive data mining techniques". In National conference on soft computing techniques for engineering applications (SCT-2006), March 24- 26, 2006.

    1. Chen, M. Y., Tsai, C.F.(2010), "Variable selection by association rules for customer churn prediction of multimedia on demand". Expert System with Applications, 37, 2006-2015.
    2. Fayyad,U., Piatetsky-Shapiro, G., & Smyth, P.(1996), "From data mining to knowledge discovery in databases". AI Magazine, 17(3), 37-54.

    7 .Glady, N., Baesens, B.,& Croux, C. (2009), "Modeling churn using customer lifetime value". European Journal of Operation Research, 197,402-411.

    8 .Hung, S. Y., Yen, D., Wang, H. Y. (2006), "Applying data mining to telecom churn management". Expert System with Applications, 31,515-524.

    1. Liou, J.H. (2008), "A novel decision rules approach for relationship management of the airline market". Expert System with Applications, 36, 4374- 4381.
    2. Ngai, E.W. T., Xiu, L., & Chau, D. C. K.(2008), "Application of data mining techniques in customer relationship management: A literature review and classification". Expert System with Applications,36, 2592-2602.
    3. Reichheld, F.F., & Sasser, W. E (1990), "Zero defections: quality comes to service". Harvard Business Review, 68, 105-111.
    4. Rygielski,C., Wang, J.C., &Yen, D. C. (2002), "Data mining techniques for customer relationship management". Technology in Society, 24, 483-502.
    5. Shaw, M.J., Subramaniam,C., Gek, W.T., & Welge, M.E.(2001), "Knowledge management and data mining for marketing". Journal of Decision Support System , 31, 127-137.
    6. Tsai, C. F., Lu, Y. H. (2009), "Customer churn prediction by hybrid neural network". Expert System with Applications, 36, 12547-12553.
    7. Van den Poel, D., & Lariviere, B. (2004), "Customer attrition analysis for financial services using proportional hazard models". European Journal of Operation Research, in press.
    8. Wang, Y. F., Ding-An, C., Mei-Hua, H., Cheng-Jung, L., & I-Long, L. (2009), "A recommender system to avoid customer churn: A case study". Expert System with Applications, 36, 8071-8075.