بخش بندی بازار مشتریان بیمه های عمر با استفاد از شبکه عصبی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار گروه مدیریت، دانشکده علوم اجتماعی و اقتصادی، دانشگاه الزهرا

2 دانشجویی دکتری مدیریت بازاریابی بین الملل، دانشگاه الزهرا، دانشکده علوم اجتماعی و اقتصادی

چکیده

در فرایند بازاریابی یکی از ابزارهای استراتژیک که کلیه تصمیمات مربوط به آمیخته بازار را تحت تاثیر قرار می دهد فرایند بخش بندی بازار، انتخاب بازار و جایگاه یابی بازار است. اجرای درست این فرایند باعث می گردد تا بازاریابان دید و درک بهتری از مشتریان بدست آورند و در نتیجه نیازهای آنها را بهتر برآورده سازند. جهت بخش بندی بازار معیارهای متفاوتی مطرح شده است و از ابزارهای تحلیلی متنوعی از استفاده می گردد. در این تحقیق تلاش گردید تا با توجه به اهمیت رشته بیمه های عمر در صنعت بیمه از دیدگاه درامدزایی و سرمایه گذاری و همچنین سهم آن از بازار، بخشهای این بازار شناسایی گردند. پژوهش حاضر از نوع کاربردی بوده و روش ان کمی می باشد و صبغه پژوهش حاضر کتابخانه ای و پایگاه داده ای است. متغیرهای درآمد ماهیانه، وضعیت تاهل، نسبت بیمه گذار با بیمه شده، جنسیت، سن، استان محل تولد جهت بخش بندی انتخاب شدند. جامعه آماری این پژوهش مشتریان بیمه های عمر انفرادی شرکت بیمه پارسیان در سال 1396، بوده که شامل 58181 فقره بیمه نامه می گردد که 711 بیمه گذار به عنوان نمونه انتخاب شدند و به صورت تصادفی از پایگاه داده سیستم های صدور بیمه نامه های عمر بیمه پارسیان اطلاعات آنها استخراج گردید و در نهایت از طریق انجام تحلیل شبکه های عصبی خود یادگیرنده SOM شش بخش بازار شناسایی شد.

کلیدواژه‌ها


عنوان مقاله [English]

Life Insurance Market Segmentation using Neural Network

نویسندگان [English]

  • Manijeh Haghighinasab 1
  • Nazil Niakan Lahiji 2
1 Associate Professor of Business Management, AlZahra University
2 PhD Student in Business Management, AlZahra University
چکیده [English]

n the marketing process, one of the strategic tools that affect marketing mixes is the process of segmenting market, choosing a market, and positioning in the market. Correct implementation of this process will allow marketers to get a better understanding of customers , therefore, they meet customers needs better. Different criterias have been proposed for market segmentation and various analytical tools are used. In this research, we tried to identify segments of life insurance market (based on the importance of life insurance policies in the insurance industry from the point of view of income, investment, and its market share). The present study is an applied and quantitative and a library and database study. The variables of monthly income, marital status, the relation between insured and insurer, gender, age, the region of birth were selected for segmentation. The statistical population of this study is the customers of individual life insurance of Parsian Insurance Company in 1396, which includes 58181 insurer, that 711 of which were selected as the sample and Their information was extracted randomly from the database of life insurance policies of Parsians Insurance company. Finally, six market segments were identified through the analysis.

کلیدواژه‌ها [English]

  • Segmentation Index
  • Neural network
  • Life Insurance
حنفی‌زاده، پیام و رستخیزپایدار، ندا (1392). مقایسه دو روش داده‌کاوی در بخش‌بندی مشتریان بیمه بدنه اتومبیل براساس ریسک (مورد مطالعه: شرکت بیمه ملت)،مطالعات مدیریت صنعتی، 11 (30).
حسین‌قلی‌زاده‌گواهر، سولماز (1394). بخش‌بندی مشتریان شرکت بیمه آسیا با استفاده از روش تحلیل خوشه‌ای (مطالعه موردی: شهر تهران)، پایان‌نامه کارشناسی ارشد دانشگاه آزاد اسلامی واحد تهران مرکزی.
مرادپور، زهرا (۱۳۹۴). بخش‌بندی مشتریان بیمه عمر پاسارگاد با استفاده از خوشه‌بندی فازی، پایان‌نامه کارشناسی ارشد دانشگاه تهران.
ویسی، هادی و غروی، عرفانه (1393). رویکرد مبتنی بر داده‌کاوی در مدیریت ارتباط با مشتری و بازاریابی، مطالعات رفتار مصرف‌کننده، 2 (2)، 44-25.
بختیارنصرآبادی، حسینعلی؛ حسنقلی‌پوریاسوری، طهمورث؛ میرا، سید ابولقاسم و ودادهیر، ابوعلی (1399). توسعه مدل رفتار مصرف‌کننده بیمه‌های زندگی تحقیق مبتنی بر نظریه داده‌بنیاد، مطالعات رفتار مصرف‌کننده، 7 (1)، 244-217.
 
Refrences
Bakhtiar Nasrabadi, H., Hasangholipour Yasouri, T., Mira, S.A., & Vedadhir, A.A. (2020). Developing a Model of Consumer behavior in Life Insurance,A study based on Grounded Theory, Consumer Behavior Studies Journal, 7(1), 217-244. (in Persian)
Bijak, K., & Thomas, L. C. (2012). Does segmentation always improve model performance in credit scoring?. Expert Systems with Applications39(3), 2433-2442.‏
Bond, J., & Morris, L. (2003). A class of its own: Latent class segmentation and its implications for qualitative segmentation research. Qualitative Market Research: An International Journal, 6(2), 87-94.
Brito, P. Q., Soares, C., Almeida, S., Monte, A., & Byvoet, M. (2015). Customer segmentation in a large database of an online customized fashion business. Robotics and Computer-Integrated Manufacturing36, 93-100.‏
Casabayó, M., Agell, N., & Sánchez-Hernández, G. (2015). Improved market segmentation by fuzzifying crisp clusters: A case study of the energy market in Spain. Expert Systems with Applications42(3), 1637-1643.‏
Gholi zadeh gavaher, S. H. (2015). Segmentation of Asia insurance’s custometrs using clustering analysis. Master of Science Thesis. (in Persian)
Han, S. H., Lu, S. X., & Leung, S. C. (2012). Segmentation of telecom customers based on customer value by decision tree model. Expert Systems with Applications39(4), 3964-3973.‏
Hanafizadeh, P., & Mirzazadeh, M. (2011). Visualizing market segmentation using self-organizing maps and Fuzzy Delphi method–ADSL market of a telecommunication company. Expert systems with applications38(1), 198-205.‏
Hanafizadeh, P., & Rostokhizadeh N. (2011). Comparison of Two Data Mining Methods in Customer segmentation based on risk (Case Study: Mellat Insurance Company), Industrial Management Studies, 30 )1), 77-97. (in Persian)
Harrison, D., & Kjellberg. H. (2010). Segmenting a market in the making: Industrial market segmentation as construction. Industrial Marketing Management, 39(1) 784-792.
Hiziroglu, A. (2013). Soft computing applications in customer segmentation: State-of-art review and critique, Expert Systems with Applications, 40(16), 6491-6507.
Hosking J.R.M., & Wallis J.R. (1997). Regional frequency analysis: An approach based on L-moments, Cambridge University Press, New York.
Kahreh, M. S., Tive, M., Babania, A., & Hesan, M. (2014). Analyzing the applications of customer lifetime value (CLV) based on benefit segmentation for the banking sector. Procedia-Social and Behavioral Sciences109, 590-594.‏
Kesic, T., & Piri Rajh, S. (2003). market segmentation on the basis of food related lifestyles of creation families, british food journal, 105(3) 162-174.
Kim, S. Jung, T. Suh, E., & Hwang, H. (2006). Customer segmentation and strategy development based on customer lifetime value: A case study, Expert Systems with Applications, 31(1) 101-107.
Kourtney, K. Collum, J., & daigle J. (2015). Combining attitude theory and segmentation analysis to understand travel mode choice at a national park, Journal of Outdoor Recreation and Tourism, 9(2), 17-25.
Kreidler, M. (2008). Guide to auto insurance. Washington State Office of the Insurance Commissioner.‏
Lilly, B., & Nelson, T. (2003). fads: segmenting the fad-buyer market, journal of customer marketing, 20(3) 252-265.
Liu, Y. Kiang, M., & Brusco, M. (2012). A unified framework for market segmentation and its applications, Expert Systems with Applications, 39(11), 10292-10302.
Moradpour, Z. (2015). Customer Segmentation of Life Insurance insured of Pasargad using Fuzzy Clustering, Master of Science thesies in Industrial Management. (in Persian)
Thach, L., & Olsen, J. (2015). Profiling the high frequency wine consumer by price segmentation in the US market. Wine Economics and Policy4(1), 53-59.‏
Valentine, D., & Powers, T. (2013). Generation Y values and lifestyle segments. Journal of Consumer Marketing, 30(7) 597-606.
Veisi H., & Gharavi, E. (2014). A Data Mining Approach to Customer Relationship Management and Marketing, Journal of Consumer Behavior Studies, 2 (2), 25-44. (in Persian)
Wang, B. Miao, Y. Zhao, H. Jin, J., & Chen Y. (2016). A biclustering-based method for market segmentation using customer pain points. Engineering Applications of Artificial Intelligence, 47(4),101-109.