دانلود ترجمه مقاله رویکردهای طبقه بندی مشتریان در صنعت بیمه

عنوان فارسی

بخش بندی مشتریان در مجموعه داده شرکت بیمه (TIC)

عنوان انگلیسی

Customers Segmentation in the Insurance Company (TIC) Dataset

کلمات کلیدی

داده کاوی؛ تحلیل گر داده؛ کلان داده؛ دسته بندی؛ CRM؛ بخش بندی

درسهای مرتبط

مدیریت بیمه

تعداد صفحات انگلیسی : 14 نشریه : ELSEVIER
سال انتشار : 2018 تعداد رفرنس مقاله : 13
فرمت مقاله انگلیسی : PDF نوع مقاله : ISI
آیا این مقاله برای بیس پایان نامه مناسب است؟ : بله آیا این مقاله برای ارائه کلاسی مناسب است؟ : بله
وضعیت شکل ها و عنوان شکل ها: ترجمه شده است. وضعیت جداول و عنوان جداول : ترجمه شده است.
وضعیت تایپ فرمول ها : فرمول ندارد نام مجله مقاله : Procedia Computer Science (پروسدیا علوم کامپیوتر)
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 19 صفحه با فونت ۱۴ B Nazanin آیا در بسته تبلیغات سایت نیز قرار داده شده است؟: محتوی بسته این محصول فاقد هر گونه تبلیغات می باشد.
پاورپوینت : ندارد گزارشکار : ندارد شبیه سازی : ندارد
سطح کیفیت ترجمه و ضمانت فراپیپر برای این مقاله چگونه است؟

ترجمه دارای وضعیت طلایی بوده و تا 24 ساعت در صورت عدم رضایت مشتری مبلغ مورد نظر عودت داده خواهد شد.

بعد از خرید این محصول یک فایل برای شما قابل دانلود خواهد بود که دارای ورد (word) ترجمه مقاله است که قابل ویرایش است و همچنین pdf ترجمه مقاله به همراه pdf مقاله انگلیسی برای شما قابل مشاهده خواهد بود. در فایل های دانلود هیچگونه تبلیغاتی وجود ندارد و شما با خیال راحت میتوانید از ترجمه مقاله استفاده کنید.

فهرست مطالب

1. مقدمه
2. مروری بر مقالات
3. مجموعه داده
4. پیش زمینه
4.1. مشخص کردن گرایش دسته بندی داده
4.2. الگوریتم K-میانگین
4.3. روش آرنج، برای انتخاب تعداد دسته ها (K)
4.4. نقشه های خود-سازمانی (SOM)
5. آزمایش 1:دسته بندی با استفاده از K –میانگین
5.1. اجرای آزمایش
5.2. ارزیابی
5.3. تحلیل
6. آزمایش دو: نقشه خود-سازمانی (SOM) و K-میانگین
6.1. اجرا
6.2. ارزیابی
6.3. تحلیل
6.4. نتایج
7. نتیجه گیری و مطالعات آتی

ترجمه بخش انگلیسی

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.

نمونه متن انگلیسی مقاله ---> نتیجه گیری و مطالعات آتی

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.

توضیحات و مشاهده مقاله انگلیسی

نقد و بررسی‌ها

هنوز بررسی‌ای ثبت نشده است.

اولین کسی باشید که دیدگاهی می نویسد “دانلود ترجمه مقاله رویکردهای طبقه بندی مشتریان در صنعت بیمه”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

7 − 5 =

مقالات ترجمه شده

تمامی حقوق مادی و معنوی برای سایت فراپیپر محفوظ است.