پیش بینی وفاداری و رویگردانی بیمه شدگان خویش فرمای سازمان تامین اجتماعی مبتنی بر روشهای داده کاوی

نوع مقاله: مقاله پژوهشی

نویسنده

سازمان تامین اجتماعی

چکیده

وفاداری و رویگردانی مشتریان یکی از چالش‌های مهم شرکتها و موسساتی است که خدمات و کالا را به مشتریان خود عرضه میکنند. سازمان تامین اجتماعی هم در موضوع وفاداری بیمه‌شدگان خویش‌فرما جهت ادامه بیمه‌پردازی، در سالهای اخیر با چالش فوق مواجه بوده است. در این پژوهش اطلاعات و شاخصهای مهم حدود 21407 نفر در قالب 27 ویژگی از بانکهای اطلاعاتی سازمان مذکور استخراج گردید. سپس با استفاده از الگوریتم NSGA-II، تعداد 7 ویژگی مهم که دارای حداقل خطای طبقه‌بندی بودند، انتخاب شد. در ابتدا عملیات طبقه‌بندی داده‌ها با شبکه عصبی چندلایه برروی داده‌های موجود و با استفاده از 27 ویژگی انجام شد و دقت طبقه‌بندی 97.6 درصد بدست آمد. پس از انتخاب بهترین طبقه‌بند که شبکه عصبی بود، عملیات طبقه‌بندی با شبکه عصبی برروی همان داده‌ها و در قالب 7 ویژگی انجام شد و دقت 96.8 درصد بدست آمد. در مرحله انتخاب بهترین طبقه-بند جهت انجام پیش‌بینی‌های مورد نیاز، از 3 الگوریتم شبکه عصبی چندلایه، الگوریتم ماشین بردار پشتیبان (SVM) و الگوریتم KNN استفاده شد که نهایتاً شبکه عصبی چندلایه، بهترین دقت طبقه‌بندی را با مقدار 96.8 درصد بدست آورد. سپس برای شبکه عصبی مذکور با استفاده از 7 ویژگی مربوط به داده‌های سالهای 1367 تا 1395 آموزش انجام شد. از شبکه عصبی آموزش دیده جهت پیش‌بینی وفاداری و رویگردانی مشتریان سالهای 1396 و 1397 که به تعداد 8364 رکورد می‌باشد، استفاده شد. نهایتاً این نتیجه حاصل شد که با در نظر گرفتن همه احتمالات، حدود 27.65 درصد از بیمه‌شدگان خویش‌فرمای سالهای 1396و1397 در کلاس رویگردان دسته‌بندی خواهند شد.

کلیدواژه‌ها


عنوان مقاله [English]

Predictability of loyalty and separation of self-insurance Persons of Social Security Organization based on data mining method

نویسنده [English]

  • Akbar Najafi
Social Security Organization
چکیده [English]

Loyalty and customer loyalty is one of the major challenges of companies and institutions that provide services and goods to their customers. The social security organization has faced the challenge in recent years in the issue of loyalty of its insured individuals to continue insurance. In this research, information and important indicators of 21407 people were extracted from 27 databases of this organization. Then, using the NSGA-II algorithm, seven important characteristics with the least degree of classification error were selected. In the first step, the classification of data with multi-layer neural network was performed on existing data using 27 characteristics and the classification accuracy was 97.6%. After selection of the best class that was neural network, classification operation with neural network was performed on the same data and in the form of 7 characteristics and accuracy of 96.8%. At the selection stage, the best stratified strain was used to perform the required predictions from three multi-layer neural network algorithms, backup vector machine (SVM) and KNN algorithm. Finally, the multilayer neural network had the best degree of accuracy with a 96.8% got. Then, for the neural network, the training was carried out using 7 characteristics related to the data of years 1367 to 1395. The trained neural network was used to predict loyalty and customer rejection of 1396 and 1397, with 8364 records. Finally, it was concluded that considering all probabilities, about 27.65% of the insured persons who were born in 1396 and 1397 would be categorized in a reversal class.

کلیدواژه‌ها [English]

  • Social security
  • Loyalty and Separation
  • Classification
  • Feature selection