Sigorta Sektöründe Makine Öğrenmesi ile Çapraz Satış Modeli Oluşturma Üzerine Bir Örnek Çalışma

Year 2022, Issue: 35, 364 - 372, 07.05.2022

Yunus Emre Özdemir , Selim Bayraklı

https://doi.org/10.31590/ejosat.895069

Cited By: 1

Abstract

Son yıllarda oldukça yaygınlaşan ve önemi artan çapraz satışlar, genel satın alma eğilimini analiz ederek müşteriye birbiriyle ilişkili ürün veya hizmetleri satma stratejisidir. Bu çalışmada öncelikle veri tabanlı pazarlama ve sigortacılıkta kullanımı açıklanmıştır. Makine öğrenmesi, karar ağaçları ve Çapraz Satışlar ayrıntılı olarak incelenmiştir. Projenin uygulama kısmında Türkiye’deki bir sigorta şirketinin müşteri verileri kullanılmıştır. Bilindiği üzere sigorta sektöründe ihtimaller çok önemlidir. Örneğin hayat sigortasında önümüzdeki yıl belirlenecek primler belirli yaş grupları arasında geçmiş yıllardaki ölüm sayılarını (mortalite) baz almaktadır. Bu doğrultuda bireysel emeklilik sözleşmesine sahip olan müşterileri hayat sigortası alma ihtimalleri tahmin edilecektir. Bu tahmin yapılırken müşterilerin özlük bilgilerinin yanı sıra 1 - 3 - 6 aylık geçmiş periyotlardaki davranışları ve sisteme bıraktıkları çeşitli izlerden faydalanılacaktır. Daha sonra karar ağaçlarında kullanılan Chaid, C5.0 ve Crt algoritmaları ile bireysel müşterilerin geçmiş davranışları üzerinden bir ürünün alınıp alınmayacağı incelenecektir. Son olarak bu çalışmanın şirket satışlarına katkısının bulunuo bulunmadığı analiz edilecek, geleneksel satış yöntemleri yerine yeni jenerasyon satış teknikleri kullanılmaya başlanılacaktır.

Keywords

makine öğrenmesi, çapraz satış modeli, karar ağaçları, sigortacılık

Thanks

Bu makale Maltepe Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Tezsiz Yüksek Lisans programında yürütülen "Sigorta Sektöründe Makine Öğrenmesi ile Çapraz Satış Modeli Oluşturma Üzerine Bir Örnek" isimli projeden üretilmiştir.

A Case Study on Building a Cross-Selling Model through Machine Learning in the Insurance Industry

Abstract

Cross-selling, has become widespread in recent years and has increased in importance, is a strategy of selling interrelated products or services to the customer by analyzing the general buying trend. In this study, firstly, its usage in data-based marketing and insurance is explained. As known, possibilities are very important in the insurance industry. For example, premiums to be determined in the next year in life insurance are based on the number of deaths (mortality) in the past years among certain age groups. Accordingly, the probability of customers with private pension contracts to obtain life insurance will be estimated. While making this estimation, besides the personal information of the customers, their behavior in the past periods of 1-3-6 months and the various traces they left on the system will be used. Machine learning, decision trees, and Cross Sales have been studied in detail. Customer data of an insurance company in Turkey is used in the implementation of the project. Then, it was examined whether a product can be purchased based on the past behavior of individual customers with the Chaid, C5.0 and Crt algorithms used in decision trees. Finally, it will analyzed that this study does not contribute to company sales, and new generation sales techniques will be used instead of traditional sales methods.

Keywords

machine learning, cross-selling model, decision trees

References

• Ahn, H., Ahn, J. J., Oh, K. J., & Kim, D. H. (2011). Facilitating cross-selling in a mobile telecom market to develop customer classification model based on hybrid data mining techniques. Expert Systems with Applications, 38 (5), 5005–5012.
• Ansell, J., Harrison, T., & Archibald, T. (2007). Identifying cross-selling opportunities, using lifestyle segmentation and survival analysis. Marketing Intelligence & Planning, 25 (4), 394-410.
• Bellogin, A., Cantador, I., & Castells, P. (2013). A comparative study of heterogeneous item recommendations in social systems. Information Sciences, 221 (1), 142–169.
• Chen, T., Li, H., Yang, Q., & Yu, Y. (2013). General functional matrix factorization using gradient boosting. In Proceedings of the 30th international conference on machine learning, Atlanta, Georgia, USA. Journal of Intelligent Information System, 36 (3), 283–304. Doğan, O. (2017). Türkiye’de Veri Madenciliği Konusunda Yapılan Lisansüstü Tezler Üzerine Bir Araştırma. Gazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 19 (3), 929-951.
• Kamakura, W. A. (2008). Cross-selling: Offering the right product to the right customer at the right time. Journal of Relationship Marketing, 6 (3–4), 41–58.
• Kamakura, W. A., Kossar, B. S., & Wedel, M. (2004). Identifying innovators for the cross-selling of new products. Management Science, 50 (8), 1120–1133.
• Kumar, V., George, M., & Pancras, J. (2008). Cross-buying in retailing: Drivers and consequences. Journal of Retailing, 84 (1), 15-27. Li, S., Sun, B., & Montgomery, A. (2011). Cross-selling the right product to the right customer at the right time. Journal of Marketing Research, 48 (4), 683-700. Netessine, S., Savin, S., & Xiao, W. (2006). Revenue management through dynamic cross selling in e-commerce retailing. Operations Research, 54 (5), 893-913.
• Prinzie, A., & Van den Poel, D. (2011). Modeling complex longitudinal consumer behavior with dynamic Bayesian networks: An acquisition pattern analysis application. Journal of Intelligent Information Systems, 36(3), 283-304.