دانلود ترجمه مقاله رویکردهای طبقه بندی مشتریان در صنعت بیمه

نتیجه گیری و مطالعات آتی:
برای نتیجه گیری، همیشه اطلاعات جذابی وجود دارد که می توان در CRM یا داده مشتریان، به دنبال آن ها گشت. این دامنه هنوز، توسط پژوهش های داده کاوی، به خوبی بررسی نشده است. اکثر داده ها هیچ گاه تحلیل نشده و در برخی از مواقع، حتی اتوماسیون سازی نشده اند. در همین زمان و به دلیل وجود بعدهای CRM، متخصصان انسانی، زمان بیشتری برای تحلیل این داده با دقت کمتر نیاز دارند. هم چنین تکنیک های داوه کاوی اثربخش فراوانی، برای مطالعه مجموعه داده های CRM وجود دارد که برخی از آن ها را در این مقاله بررسی و آزمایش نمودیم. استفاده از این تکنیک های پیشرفته، به صورت موازی با داده کاوی می تواند کسب و کارهایی همانند بیمه را بهبود ببخشد. یکی از اهداف کلیدی بازاریابی، شناسایی خصوصیت های مشتری و تحلیل آن، توسط بخش بندی است. تعیین کمپین ها و استراتژی های بازاریابی می تواند با استفاده از ویژگی های دموگرافیک یا رفتاری، به جای استفاده از برنامه یکسان بازاریابی، برای تمامی مشتریان، اثربخش تر باشد. برای رسیدن به این هدف، سه راه حل متفاوت را در این مقاله، بر پایه تکنیک های مختلف داده کاوی و مجموعه داده CRM ِ THE INSURANCE COMPANY (TIC) 2000 پیشنهاد نمودیم. با شروع از استفاده IG با K-میانگین، برای بررسی خصوصیت های مشتریانی که به احتمال بیشتر، سیاست کاروان را می خرند، کار خود را شروع کردیم. مطالعه این خصوصیت ها (دموگرافیک و رفتاری) می تواند در درک بازار و کمپین های بازاریابی مفید باشد. در حالی که آزمایش دوم، در مصورسازی در CRM، با استفاده از روش SOM متمرکز بودیم، آزمایشات، نتایج نویدبخشی، برای دسته بندی با استفاده از K- میانگین را نشان داد. به دلیل گرایش مجموعه داده، به سمت دسته بندی، در اختیار داشتن درک کلی از مشتریان، خصوصیات و نیازهایشان جالب است. خواندن چنین اطلاعاتی ، در مجموعه داده ای با این ابعاد بزرگ، امری چالش برانگیز است. SOM توانسته نتایج قابل توجهی را در راه حل پیشنهادی دوم ارائه کند. در همین زمانف نتایج توانسته اند کیفیت دسته بندی خوبی را با ثبت کردن مقدار بسیار دیویس بولدین، در مقایسه با آزمایش دسته بندی دوم، از خود نشان دهد این درک از رفتار و ویژگی های دموگرافیک مشتری، برای کسب و کارهایی با مرکزیت مشتری، بسیار مهم است.

Conclusion & Future work:
To conclude there are always interesting information that could be explored in customers’ data or CRM. This domain is not yet investigated well by data mining research, most of the data have never been analyzed and sometimes not even automated. At the same time and because of CRM dimensions human experts usually take longer time to analyze this data with less accuracy. Also there are many effective data mining techniques to study CRM datasets, we have been examining and testing some of them within this paper. Using those advanced techniques in parallel with the data mining consultant would improve businesses such as Insurance. One of the key purposes of marketing is to detect customer’s characteristics and analyze it by segmentation. Setting marketing strategies and campaigns would be more effective using the resulted demographic or behavioral segments instead of using the same marketing plan for all customers. To achieve this goal, we proposes 3 different solutions in this paper based on different data mining techniques and THE INSURANCE COMPANY (TIC) 2000 CRM dataset. Starting from using IG with K-means to explore the characteristics of customers who are likely to buy a Caravan policy in our first solution. Studying these characteristics (both demographic and behavioral) could be useful in understanding the market and designing cross-marketing Campaigns. While in the second experiment we had been focusing on visualization in CRM using SOM method, at the same time the experiment had shown promising results for clustering using K-means. Because of the dataset tendency toward clustering, it is interesting to have a general understanding of customers, their characteristics and their needs. Reading these information in such a high dimensional dataset is really challenging, SOM had shown interesting results, in the second proposed solution. At the same time the experiment had shown a good clustering quality by recording a very small Davies Bouldin value compared with the first clustering experiment. This understanding of the customer’s behavior and demographics is important for customer-centric businesses.