906

provider model predictions customers risks third party insurance by using decision tree based on artificial newral network

كارشناسي ارشد

صنايع

تهران شمال

1397

97/10/27

17/75

121ص.

جعفري اسكندري، ميثم

Third party car insurance , insurance customers , risk management

يكي از حوزه هاي مهم در صنعت بيمه، بيمه شخص ثالث خودرو است كه مانند ساير حوزه ها با ريسك هايي مواجه مي باشد. از اين رو يكي از مهم‌ترين مسائل براي تصميم‌گيري در صنعت بيمه به منظور كاهش هزينه‌ها و افزايش سودآوري، مديريت و ارزيابي ريسك بيمه‌گذاران مي‌باشد. بر اين اساس در پايان‌نامه حاضر يك روش پيشنهادي به منظور پيش‌بيني ريسك هاي مشتريان بيمه شخص ثالث با استفاده از روش‌هاي داده‌كاوي بر مبنايروش شبكه عصبي و درخت تصميم ارائه مي‌شود. در چارچوب روش پيشنهادي ابتدا داده هاي مشتريانبيمه شخص ثالث خودرواز پايگاه داده يكي از شركت هاي بيمه اي استخراج مي‌گردد. پس از پيش‌پردازش داده‌هاو كدگذاري متغيرهاي اسمي،تعداد خوشه هاي مشتريان با استفاده از روش شبكه عصبي تعيين مي گردد. در ادامه مشتريان بر اساس ريسك ها و ويژگي‌هاي جمعيت شناختي از قبيل سن، جنسيت، وضعيت تاهل و تحصيلات خوشه‌بندي مي‌شوند. خوشه‌بندي با استفاده از الگوريتم كاميانگين انجام مي‌شود و از آنجا كه اين الگوريتم براي شروع نياز به تعيين تعداد خوشه‌ها دارد، تعداد خوشه اوليه به كمك الگوريتمشبكه عصبي تعيين مي‌شود. در گام بعد، با در نظر گرفتن متغيرخوشه مشتريان به عنوان متغير هدف، با استفاده از تكنيك درخت تصميم به پيش‌بيني سطحريسك ها مشتريان آتي پرداخته مي‌شود. طبق نتايج درخت تصميم از بين هفت ويژگي اوليه به عنوان ورودي، به ترتيب تعداد خسارت، نوع گواهينامه، كاربري خودرو، سن و سال عدم خسارت بيشترين تاثير را روي متغير هدف (سطح ريسك مشتري) دارند. با درنظر گرفتن صحت درخت تصميم كه در حد مناسبي است، نتايج پژوهش نشان مي‌دهد كه روش پيشنهادي به منظور پيش‌بينيريسك هاي مشتريان جديد از دقت مطلوبي برخوردار است. در پايان پژوهش، قوانين و الگوهاي ريسكي مشتريان استخراج گرديد. به اين ترتيب مشتري جديد بر اساس ويژگي‌هاي جمعيت‌شناختي خود مي‌تواند در يكي از سه كلاس مشتريان با ريسك بالا، متوسط و كم قرار بگيرد كه هر خوشه نياز به عملكرد و استراتژي متفاوتي دارد.

58040