داشبورد مدیریت و کاربر آن در صنعت بیمه(پیش بینی ریزش مشتری)

صنعت بیمه، یکی از صنایع مهم، در هر کشوری به شمار میرود. این صنعت، به خاطر گردش مالی عظیم و فرآیندهای بزرگ و پیچیده ای که دارد، نیاز هر چه بیشتر به مهندسی فرآیند ها و نظارت بر عملکرد سیستم خود را دارد. در این مقاله، قصد داریم، با ارائه یک مثال کاربردی در این صنعت، نقش هوش تجاری را در فرآیند های بیمه، به صورت دقیق تر مورد بررسی قرار دهیم.

فرض کنید، یک شرکت بیمه، قصد دارد، سیستم تقلب مشتریان خود را به صورت خودکار، توسط سیستم انجام دهد. حتماً میدانید که بعضی از مشتریان بیمه، به صورت عمدی، اعمالی را مرتکب می شوند، تا خسارت به آن ها تعلق بگیرد. این در حالی است، که اکثر مشتریان بیمه، اعمال سالم و غیرمتقلبانه ای انجام میدهند و پیدا کردن چند نفر از میان هزاران نفر، کاری پیچیده و وقت گیر است.

با استفاده از یک سیستم هوشمند تشخیص تقلب، که توسط الگوریتم های داده کاوی و هوش مصنوعی پیاده سازی شده باشد، میتوان احتمال تقلب یک مشتری را، با توجه به رفتارهای مختلف آن مشتری شناسایی کرد. حتی اگر، مشتریان متقلب بسیار کمتر از مشتریان، با رفتار های سالم باشند. به این دسته از مسائل، در داده کاوی، به اصطلاح، Unbalanced گفته می شود. مدل ارائه شده، مدل 4مرحله ای می باشد(که البته یک مدل ساده برای روشن شدن بحث، به دور از پیچیدگی های مختلف) است.

برای حل این مشکل، در ابتدا(فاز 1)، میبایستی رفتار ها و ویژگی ها(Features) یک مشتری، که میتوانیم به دست بیاوریم را جمع آوری کنیم. برای مثال، سن مشتری، درآمد ماهیانه مشتری، مدت زمان شروع بیمه،تعداد فرزندان و… . هر کدام از این ویژگی ها، میتواند یک ویژگی اساسی در سیستم، جهت تشخیص تقلب باشد. البته که تمام این ویژگی ها، در ترکیب با یکدیگر، میبایستی بررسی شوند.

در فاز 2، می بایستی از میان انبوه مشتریان گذشته، مشتریانی که تقلب کرده اند را مشخص کنیم. برای مثال، از بین 100هزار مشتری، حدوده 500 تا 1000 نفری که تقلب انجام داده اند و تفلب آن ها اثبات شده است را برچسب “متقلب” و بقیه را برچسب “سالم” بزنیم. البته که این کار، بایستی از میان داده های گذشته، انجام شود. داده هایی که ممکن است در طول چندین سال جمع آوری شده باشد و شرکت بیمه، با روش های غیر خودکار، مشتریان متقلب را شناسایی کرده باشد.

در فاز 3، به سراغ الگوریتم های یادگیری ماشین میرویم. الگوریتم های طبقه بندی(Classification)، برای این کار ضروری به نظر میرسند. الگوریتم های مختلف، مانند SVM، ANN، C4.5، RandomForest و… وجود دارند، که میتوانند عملیات طبقه بندی(یعنی جداسازی مشتریان متقلب از مشتریان سالم) را، بر طبق داده های آموزشی(داده هایی که خوده شرکت بیمه، در فاز 2، برچسب زده است) انجام دهد. در واقع الگوریتم در اینجا، میتواند این مسئله را یادبگیرد، که کدام مشتری(با توجه به ویژگی ها)، مشتری متقلب است.

به این صورت که، مشتریان جدید(مشتریانی که جدیداً فرآیند دریافت خسارت را طی کرده اند) را به الگوریتمی که یاد گرفته است، میدهیم، و در نهایت، این الگوریتم یک عدد بین 0 تا 100 که احتمال متقلب بودن همین مشتری است را به ما برمیگرداند. البته در اینجا میتوان از فرآیند های Regression نیز استفاده کرد. به این صورت که احتمال متقلب بودن یک مشتری را مشخص کنیم، و در نهایت(فاز 4)، مشتری ای که مثلا به احتمال 80درصد به بالا، احتمال تقلب را دارد، به عنوان مشتری مشکوک شناسایی کنیم. در اینجاست که به وسیله یک داشبورد مدیریت و یک سیستم آلارم، میتوان مدیران یک شرکت بیمه ای را در لحظه، از وجود یک مشتری مشکوک به تقلب، آگاه کرد. این کار به آسانی به وسیله داشبورد مدیریت انجام می شود، و یک مدیر یا یک کارشناس، لازم نیست، هر روز یا هر ساعت، فرآیند های مختلف را، جهت شناسایی مشتری متقلب، تکرار کند.

پاسخی بگذارید

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

Privacy Settings
We use cookies to enhance your experience while using our website. If you are using our Services via a browser you can restrict, block or remove cookies through your web browser settings. We also use content and scripts from third parties that may use tracking technologies. You can selectively provide your consent below to allow such third party embeds. For complete information about the cookies we use, data we collect and how we process them, please check our Privacy Policy
Youtube
Consent to display content from Youtube
Vimeo
Consent to display content from Vimeo
Google Maps
Consent to display content from Google
Spotify
Consent to display content from Spotify
Sound Cloud
Consent to display content from Sound