Using Association Rule Mining for Customer Relationship Management in Insurance Sector

Abstract

Today, the development of information technology, increased competition, change in customer profile have affected firms’ relationship with customers. CRM (Customer Relationship Management) is required to be in continuous contact with customers to increase customer loyalty and satisfactions and it aims to identify customer’s needs and requests to meet the expectations. Customer relationship management is primarily based on the collection of data about customers as much as possible. Therefore, data warehouses in companies are combined together and analyses are performed to determine the characteristics of customers. With this data, it is possible to find which types of products customers prefer to buy and this information will help and give directions of communication with the customers.  DM (Data Mining) provides benefits at this stage which is the process of extraction of meaningful information and patterns through the analysis of data. In this study, a leading insurance company’s customer data that is operating in Turkey is used. Apriori algorithm which is the most widely used association rule mining algorithm is applied to this dataset. This analysis reveals combinations of product groups that customers prefer to buy. Taking advantage of this association rule analysis results in terms of customer relationship management, it is possible to make more effective sales campaign and to develop marketing strategies.

Keywords

• Customer Relationship Management
• Association Rule Mining
• Apriori Algorithm

Sigortacılık Sektöründe Müşteri İlişkileri Yönetimi İçin Birliktelik Kuralı Kullanılması

Abstract

Bilgi teknolojilerinin gelişimi, rekabetin artması, müşteri profilinin değişmesi günümüzde işletmelerin müşteri ile olan ilişkisini de etkilemiştir.  MİY(Müşteri İlişkileri Yönetimi), müşterinin sadakatini ve memnuniyetini arttırmak amacıyla müşterilerle sürekli ilişki içerisinde olmayı ve müşterilerin beklentilerine uygun ihtiyaç ve istekleri belirleyip müşteriye sunmayı hedeflemektedir. Müşteri ilişkileri yönetimi öncelikle müşteriler hakkında olabildiğince veri toplamaya dayanır. Bu nedenle şirketlerin toplamış olduğu veri ambarlarındaki veriler bir araya getirilerek müşterilerin karakteristik özelliklerini belirlemek için analizler yapılmaktadır. Bu veriler ile hangi tür ürünleri tercih ettiklerini bulmak ve bunların ışığında müşteriyle yapılacak iletişime yön vermek mümkündür. VM(Veri Madenciliği) bu aşamada fayda sağlamakta olup, veri analizleri sayesinde anlamlı bilgi ve örüntüleri açığa çıkarma sürecini kapsamaktadır. Bu çalışmada, Türkiye’de faaliyet gösteren sektöründe öncü bir sigorta şirketinin müşterilerine ait veriler VM’nin en çok kullanılan birliktelik kuralı algoritmalarından Apriori algoritması ile analiz edilmiştir. Bu analiz sonucunda müşterilerin daha çok hangi ürün gruplarını bir arada almayı tercih ettiği ortaya çıkmaktadır. Müşteri ilişkileri yönetimi açısından, birliktelik kuralı analiz sonuçlarından faydalanılarak daha etkin sonuç verecek satış kampanyası ve pazarlama stratejisi geliştirmek mümkündür.

Keywords

• Müşteri İlişkileri Yönetimi
• Birliktelik Kuralları
• Apriori Algoritması

References

1. Payne, A. (2005). Handbook of CRM : Achieving Excellence in Customer Management, Butterworth-Heinemann Publishers, 1 edition, s. 1-25.
2. Michael, J.B. ve Gordon, S.L. (2000). Mastering Data Mininng The Art Science of CM, Wiley, USA, s. 10-20.
3. Şimşek, U.T. (2006). Veri Madenciliği ve Müşteri ilişkileri Yönetiminde Bir Uygulama, Doktora Tezi, Sayısal Yöntemler, İstanbul Üniversitesi, s 107-108.
4. Tezcanlar, P. (2007). Müşteri İlişkileri Yönetimi, Veri Madenciliği ve Bir Uygulama, Yüksek Lisans Tezi, Üniversitesi Sosyal Bilimler Enstitüsü, Sayısal Yöntemler Anabilim Dalı, İstanbul.
5. Kırım, A. (2001). Strateji ve Birebir Pazarlama MİY, Sistem Yayıncılık, İstanbul, s. 60-63
6. Odabaş, Y. (2001) Satışta ve Pazarlamada Müşteri İlişkileri Yönetimi, Sistem Yayıncılık, Sayı 1, Ağustos, İstanbul.
7. Zhi-Hua, Z. (2003) . Three perspectives of data mining, Artificial Intelligence , 139–146.
8. Witten, H.A.ve Frank, E. (2000). Data Mining, Practical Machine Learning Tools and Techniques with JAVA Implementations, Morgan Kaufmann Publishers, 10-54.

9. Han, J. ve Kamber, M.: “Data Mining Concept and Techniques”, Morgan Kaufmann Publishers, 1st Ed., San Fransisco USA, (2000).
10. Babu, G.ve Bhuvaneswari, T.A. (2012). Data Mining Technique to Find Optimal Customers for Beneficial Customer Relationship Management, Journal of Computer Science, 8(1), ISSN 1549-3636,89-98
11. Wang, C.ve Pang, C. (2012). Applying Fuzzy Data Mining for an Application CRM, Bulletin of Networking, Computing, Systems, and Software, ISSN 2186–5140,Volume 1, Number 1, January 2012, 46–51.
12. Hsieh, N. (2004). An Integrated Data Mining and Behavioral Scoring Model for Analyzing Bank Customers, Expert Systems with Applications, 27(4), 623-633.
13. Kim, E.ve Lee, Y. (2002.) Combination of multiple classifiers for the customer's purchase behavior prediction, Decision Support Systems, 34 (2), 167-175
14. Kantardzic, M. (2003). Data Mining - Concepts, Algorithms, Wiley-IEEE. Computer Society Press, s. 114.
15. Agrawal, R., Imielinski, T.ve Swami, A. (1993). Mining Association Rules Between Sets of Items in Large Databases, In Proceedings of the ACM SIGMOD International Conference on Management of Data, Washington, USA., 207-216.
16. Agrawal, R.ve Srikant, R.: “Fast Algorithms for Mining Association Rules”, Proc. 20th Int. Conf. Very Large Databases, 487-499, (1994).
17. Zaki, M.J. ve Ogihara, M. (1998) Theorical foundations of association rules, 3rd SIGMOD’98 Workshop on Research Issues in Data Mining and Knowledge Discovery(DMKD) , Seattle, WA.
18. Han, J., Pei, J. ve Yin, Y. (2000). Mining frequent patterns without candidate generation. In ACM SIGMOD Record (Vol. 29, No. 2, pp. 1-12). ACM.