چکیده:
با رشد روز افزون کامپیوتر، مقادیر زیادی از داده ها به وسیله ی سیستم های مختلف به وجود می آیند. در حال حاضر مسئله ی پیش روی سازمان ها، دیگر جمع آوری داده ها نیست، بلکه توانایی استخراج اطلاعات مفید از میان آنهاست. همانند دیگر بخش های اقتصادی، شناخت و جذب مشتریان کم ریسک و سودآور برای صنعت بیمه نیز دارای اهمیت است. بیمه ی اتومبیل یکی از مهم ترین رشته های بیمه ای در ایران است. اگر شرکت های بیمه به طبقه بندی مشتریان با توجه به ویژگی های قابل مشاهده بپردازند، می توانند نرخ پوشش دهی بیمه و سود خود را افزایش دهند و از سوی دیگر فشاری بر افراد با ریسک کم برای جبران خسارات وارده به وسیله ی افراد ریسک زیاد به شرکت های بیمه وارد نشود. در این تحقیق طبقه بندی ریسکی بیمه گذاران با استفاده از دو تکنیک شبکه ی انجام شد. در ابتدا عوامل تاثیر گذار بر ریسک بیمه گذاران k-means خودسازمان ده و الگوریتم شناسایی شد و سپس بخش بندی مشتریان با استفاده از دو روش نام برده به صورت جداگانه انجام گرفت و ویژگی های مشتریان در هریک از بخش ها مشخص شد. در پایان مقایسه ای بین دو روش صورت گرفت و تفاوت های آنها بیان شد.
Due to the sharp rise of the information technology (IT)، the amount of data stored in databases is dramatically on the rise. Analyzing the stored data and converting it to information and knowledge which is applicable in organizations requires powerful instruments. As with other economic sectors، recognizing and attracting low-risk and profitable customers are of high significance for insurance industry. Car insurance is one of the most important insurance branches which accounts for a great deal of portfolio of insurance industry. Risk segmentation of policyholders on the basis of observable features can help insurance companies to reduce loss، raise the rate of insurance coverage، and prevent them from making an inappropriate choice in the insurance market. In this study، the segmentation of comprehensive car insurance customers on the basis of risk was selected through self-organizing map and K-means. At first، the effective factors on the risk of policyholders are identified. Then، the insurance policyholders are segmented using the proposed SOM and K-means. Customers’ characteristics in every cluster are identified. Finally، the two methods compared with each other. The advantages and disadvantages of them illustrated.