پیش بینی رویگردانی بیمه گذاران در صنعت بیمه: شناسایی عوامل تاثیر گذار

محورهای موضوعی : دانش سرمایه‌گذاری

سمانه سلطانی لیفشاگرد ¹ ( دانشجوی دکتری، گروه مدیریت بازرگانی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران. )
کامبیز شاهرودی ² ( دانشیار گروه مدیریت بازرگانی، دانشکده مدیریت و حسابداری، دانشگاه آزاد اسلامی واحد رشت، رشت ، ایران )
ابراهیم چیرانی ³ ( دانشکده مدیریت و حسابداری، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران. )

تاریخ دریافت : 1398/07/01 تاریخ پذیرش : 1398/07/30 تاریخ انتشار : 1400/07/01

کلید واژه: مدیریت ارتباط با مشتری, پیش بینی رویگردانی, رویگردانی مشتری,

چکیده مقاله :

صنعت بیمه در ایران طی سالهای اخیر با ورود شرکتهای مختلف در بازار رقابت دچار نوسانات زیادی از نظر سودآوری، ترکیب پرتفوی، نرخ خسارت، ضریب نفوذ، حفظ و رضایتمندی بیمه گذاران و سهم بازار شده است. از این رو حفظ و نگهداری بیمه گذاران تبدیل به معضل اصلی اکثر شرکتهای بیمه ای گردیده است. از آنجایی که در صنعت بیمه همچون بسیاری از صنایع دیگر هزینه جستجو برای جذب بیمه‌گذاران جدید به مراتب هزینه بردار تر از حفظ و نگهداری بیمه گذاران فعلی است، لذا ضروری است تا به شناسایی عوامل تاثیر گذار بر ریزش و رویگردانی بیمه گزاران در این صنعت پرداخته شود.این پژوهش با هدف مطالعه ادبیات و پیشینه تحقیق در حوزه رویگردانی مشتریان، صورت گرفته است که در نهایت منجر به شناسایی و طبقه بندی عوامل تاثیر گذار در پیش بینی رویگردانی مشتریان در صنعت بیمه می گردد.در این پژوهش از روش مرور ادبیات سیستماتیک برای جمع آوری و بررسی مطالعات پیشین بهره‌گرفته شده است که با یکپارچه سازی راهبردهای جستجوی خودکار و دستی کلیه مقالات پژوهشی مرتبط منتشر شده در این حوزه در بازه زمانی 1389 تا 1398 برای مقالات فارسی و 2010 تا 2018 برای مقالات انگلیسی پوشش داده شده است.یافته های تحقیق 85 مولفه اثرگذار بر رویگردانی مشتریان را اختصاصاً در صنعت بیمه شناسایی نموده که در چهار دسته مولفه های مربوط به بیمه گر، مولفه های مربوط به بیمه گذار، مولفه های مربوط به محصول/خدمت و مولفه های مربوط به رابطه بیمه گر و بیمه گذار تقسیم گردیده اند.

چکیده انگلیسی:

Iran insurance industry has recently faced with various problems regarding fluctuations in profitability, portfolio composition, the rate of loss, the rate of penetration, retention and satisfaction of insurers and market share, due to presence of numerous insurance companies in the competitive market. As a result, insurer maintenance has become a major goal for most of the insurance companies. Since in the insurance industry, like many other industries, the cost of searching for new insurers is far more expensive than retaining the current insurers, it is essential to identify the factors that drive insurers to churn. The purpose of this study is to investigate the literature and research background in the field of customer churn, which ultimately leads to identifying and classifying “influential factors in predicting customer churn in the insurance industry”. A systematic literature review method is used to collect and review previous studies by integrating automated and manual search strategies of all the related research articles in this field, published for the period 1389 to 1398 for Persian articles and 2010 to 2018 for English articles. The research findings identified 85 factors that affect customer churn, specifically in the insurance industry. They are classified into four categories; the factors related to the insurer, the factors related to the insuree, product/service related factors and factors regarding the relationship between the insurer and the insuree.

منابع و مأخذ:

• حسین خانی نوشین، حسینی مطلق سید مهدی و خاکزار بفروئی مرتضی، « شناسایی عوامل موثر بر رویگردانی مشتریان در صنعت بیمه»، همایش بین المللی بیمه و توسعه، 1393


• Amin, A., Al-Obeidatb, F., Shahab, B., Adnana, A., Loo, J., & Anwar, S. (2018). Customer churn prediction in telecommunication industry using data certainty. Journal of Business Research, 1 - 12.


• Amin , A., Anwar, S., Adnan, A., Nawaz, M., Alawfi, K., Hussain, A., & Haung, K. (2016). Customer Churn Prediction in Telecommunication Sector Using Rough Set Approach. Neurocomputing, http://dx.doi.org/10.1016/j.neucom.2016.12.009.


• De Caigny, A., Coussement, K., & W. De Bock, K. (2018). A new hybrid classification algorithm for customer churn prediction based on logistic regression and decision trees. European Journal of Operational Research 269, 760-772.


• Chen, S.-H. (2016). The Gamma CUSUM Chart Method for Online Customer Churn Prediction. Electronic Commerce Research and Application 17, 99-111.


• Gordono, N., & Veglio, V. (2016). Customers Churn Prediction and Marketing Retention Strategies. An Application of Support Vector Machines Based on the AUC Parameter-selection Technique in B2B E-commerce Industry. Industrial Marketing Management, http://dx.doi.org/10.1016/j.indmarman.2016.08.003.


• Hendrikse, K. (2017). “Predicting Customer Churn in the Healthcare Insurance Market: A Case Study”, Master Thesis, Operations Management and Logistics, Eindhoven University of Technology, 2017, https://pure.tue.nl/ws/files/76306184/Master_Thesis_Kim_Hendrikse.pdf


• Holtrop, N., E. Wieringa, J., J. Gijsenberg, M., & C. Verhoef, P. (2016). No Future Without the Past? Churning in th Face of Customer Privacy. International Journal of Research in Marketing, doi: 10.1016/j.ijresmar.2016.06.001.


• Huigevoort, C. (2015). “Customer Churn Prediction for an Insurance Company”, Master Thesis, Operations Management and Logistics, Eindhoven University of Technology, 2015, https://pdfs.semanticscholar.org/2028/6dfd510e6cb5c374384f415aab12b4b87132.pdf


• Khodabandelou, S., & Zivari Rahman, M. (2017). Comparison of Supervised Machine Learning Techniques for Customer Churn Predicion based on Analysis of Customer Behavior. Journal of Systems and Information Technology, Vol. 19, Issue:1/2, 65-93.


• Lee, E.-B., Kim, J., & Lee, S.-G. (2017). Predicting Customer Churn in Mobile Industry Using Data Mining Technology. Industrial Management & Data Systems, Vol. 117 Iss pp. 90 - 109 . http://dx.doi.org/10.1108/IMDS-12-2015-0509.


• Oskarsdottir, M., Van Calster, T., Baesens, B., Lemahieu, W., & Vanthienen, J. (2018). Time series for early churn detection: Using similarity based classification for dynamic networks. Expert Systems With Applications, 106, 55-65.


• Postigo-Boix, M., & Melus-Moreno, J. (2018). A Social Model Based on Customers' Profiles for Analyzing the Churning Process in the Mobile Market of Data Plans. Physica A, https://doi.org/10.1016/j.physa.2017.12.121.


• Ravi, K., Ravi, V., & Krishna Prasad, P. (2017). Fuzzy Formal Concept Analaysis Based Opinion Mining for CRM in Financial Services. Applied Soft Computing.


• Sahlberg, E. E. (2018). “Modeling Customer Churn among Movers in the Finnish Insurance Market”, Master Thesis, Economics, University of Helsinki, 2018, https://pdfs.semanticscholar.org/f2c8/178a274a5d4f623b4e1269a245be2a88d7bf.pdf?_ga=2.167502334.130163482.1568527409-1782194187.1556699392


• Siemes, T. (2016). Churn Prediction Models Tested and Evaluated in the Dutch Indemnity Industry. Open University of the Netherlands Faculty Management, Science and Technology.