استفاده از روشهای داده کاوی برای پيش بيني سطح خسارت مشتريان بيمه بدنه اتومبيل - دانلود فایل

دانلود فایل استفاده از روشهای داده کاوی برای پیش بینی سطح خسارت مشتریان بیمه بدنه اتومبیلاستفاده از روشهای داده کاوی برای پیش بینی سطح خسارت مشتریان بی?

دانلود فایل استفاده از روشهای داده کاوی برای پيش بيني سطح خسارت مشتريان بيمه بدنه اتومبيل استفاده از روشهای داده کاوی برای پيش بيني سطح خسارت مشتريان بيمه بدنه اتومبيل 40 صفحه بصورت ورد
فهرست مطالب
عنوان صفحه
چکيده 1
1-1- مقدمه. 2
1-2- تاريخچه داده كاوي.. 2
1-3- روشهاي پيشين و فعاليت هاي مرتبط با پژوهش... 4
1-4- مديريت ذخيره سازي و دستيابي اطلاعات.. 5
1-5- ساختار بانک اطلاعاتي سازمان : 7
1-6- داده کاوي :((Data Mining. 7
1-6-1- داده كاوي چيست؟. 7
1-6-2- مفاهيم پايه در داده کاوي.. 8
1-6-3- تعريف داده کاوي.. 8
1-6-4- برخي از اين تعاريف عبارتند از : 8
1-6-4-1- مراحل فرايند کشف دانش از پايگاه داده ها 9
1-7- تفسير نتيجه. 9
1-8- انبارش داده ها 9
1-9- انتخاب داده ها 10
1-10- تبديل داده ها 10
1-11- عمليات هاي داده کاوي.. 10
1-11-1- مدل سازي پيشگويي کننده 11
1-11-2- تقطيع پايگاه داده ها 12
1-11-3- تحليل پيوند. 12
1-11-4- تشخيص انحراف.. 12
1-12- الگوريتم هاي داده کاوي.. 13
1-12-1- دسته بندي.. 14
1-12-2-رگرسيون. 15
1-12-3- سري هاي زماني.. 16
1-12-4- پيش بيني.. 16
1-12-5- تکنيک هاي روش توصيفي.. 16
1-12-6- قوانين انجمني.. 16
1-12-7- خلاصه سازي (تلخيص) 17
1-12-8- مدل سازي وابستگي (تحليل لينک) 17
1-12-9- خوشه بندي.. 18
1-12-9-1- معيارهاي ارزيابي الگوريتم هاي خوشه بندي.. 18
1-12-9-2- طبقه بندي روش هاي خوشه بندي.. 19
1-12-10- الگوريتم Apriori 19
1-12-11- الگوريتم K-Means 20
1-12-11- 1-گام هاي الگوريتم k-means 20
1-12-11-2- ويژگي هاي الگوريتم k-means 20
1-12-11-3- رفع اشکالات الگوريتم k-means: 21
1-12-12- شبکه هاي عصبي.. 21
1-12-13- درخت تصميم. 22
1-13- روش پيشنهادي.. 23
1-14- جامع آماري و نمونه آماري.. 23
1-15- مراحل پژوهش... 23
1-16- پيش پردازش داده ها 25
1-17- معرفي مشخصه ها 26
1-18- مشخصه هدف.. 27
1-19- انتخاب مشخصه. 27
1-20- نرم افزارهاي داده کاوي.. 27
1-21- پياده سازي مدل هاي داده کاوي.. 30
1-21-1- درخت تصميم. 30
1-21-2- تحليل درخت تصميم. 30
منابع. 34

فهرست اشكال
عنوان صفحه
شکل 1-1- دسته بندي پژوهش ها در زمينه ي داده کاوي.. 4
شکل 1-2- نمودار پردازش اطلاعات.. 6
شکل1-3- مديريت داده ها 6
شکل 1-4- ساختار بانک اطلاعاتي.. 7
شكل 1-5- تجزيه و تحليل KDD. 8
شکل 1-6- يک شبکه عصبي با يک لايه پنهان. 22
شکل 1-7- مراحل پژوهش... 25
شکل 1-8- درخت تصميم. 31
شکل 1-9- درخت تصميم. 32
شکل 1-10- درخت تصميم. 33

چکيده
امروزه نقش مشتريان از حالت پيروي از توليد کننده ،به هدايت سرمايه گذاران ، توليد کنند گان و حتي پژوهش گران و نوآوران مبدل گشته است ،به همين دليل سازمان ها نياز دارند مشتريان خود را بشناسند و براي آنان برنامه ريزي کنند .تاکنون از برخي روش هاي آماري و يادگيري ماشيني براي اين منظور استفاده شده است که البته اين روش ها به تنهايي داراي محدوديت هايي هستند که در اين پژوهش سعي شده است تا با بهره گيري از روش هاي مختلف داده کاوي تا حد ممکن اين محدوديت ها از بين برده و بر طبق آن ،چارچوبي براي شناسايي مشتريان بيمه بدنه اتومبيل ارايه شود . در واقع هدف اين است تا مشترياني را که بيشتر به يکديگر شبيه هستند دسته بندي و با استفاده از اين دسته ها و ويژگي هاي آن ،ميزان خطر پذيري هر دسته را پيش بيني کرد . حال با استفاده از اين معيار (ميزان خطر پذيري هر دسته) و نوع بيمه نامه مشتري مي توان ميزان خسارت او را پيش بيني کرد که اين معيار مي تواند کمک شاياني براي شناسايي مشتريان و سياست گذاري هاي تعرفه بيمه نامه باشد . براي اين منظور، از روش داده کاوي ،درخت تصميم براي ايجاد مدل پيش بيني خطر پذيري مشتريان در صنعت بيمه استفاده شده است .فن درخت تصميم براي اين منظور نتايج بهتري را به دست اورده است.
کليد واژه ها :داده کاوي ، بيمه ، دسته بندي ، درخت تصميم ، خسارت.

1-1- مقدمه
امروزه با گسترش روز افزون فناوري اطلاعات و رقابتي شدن بازار ،توليد محصولات با کيفيت به صورت انبوه براي بقا و موفقيت سازمان ها کافي نيست و با افزايش اطلاعات مشتريان فرايند بازار يابي هرروز پيچيده تر و حساس تر مي شود همچنين توجه به مبحث مديريت ارتباط با مشتري هرروز اهميت بيشتري پيدا مي کند و بودجه ي اختصاص يافته به آن در سازمانها افزايش مي يابد ( رستمي 1378).
از جمله مسائلي که در صنعت بيمه داري اهميت بالا و کمک شاياني در جهت رشد آن است شناسايي مشتريان و پيش بيني سطح خطر پذيري آنان است که اين پژوهش در نظر دارد با کاربرد عملي داده کاوي در بيمه ي بدنه ي اتومبيل برسي نمايد که چگونه مي توان مشتريان را براساس ويژگي هاي آنها و ميزان خطر پذيري شان گروه بندي نمود. پس از آن سطح خطر پذيري هر يک از اين خوشه ها محاسبه مي شود حال مشتريان جديد براساس اينکه به کداميک از اين گروه ها شبيه تر هستند در يکي از آنها قرار مي گيرند و بدين ترتيب مي توان سطح خطر پذيري آن مشتري را پيش بيني نمود براي اين منظور از روش هاي داده کاوي جهت دستيابي به قوانين تصميم گيري و ايجاد مدل براي پيش بيني خطر پذيري مشتريان در صنعت بيمه استفاده شده است. به عبارت ديگر اين پژوهش با استفاده از روش هاي داده کاوي مشتريان را براساس رفتار و ويژگي هايشان و سپس مشتريان آتي را دسته بندي مي نمايد .
در اين مقاله ، ابتدا روش هاي پيشين که براي اين منظور استفاده مي شده است سپس مفهوم داده کاوي توضيح داده مي شود پس از آن روش پيشنهادي بيان و در ادامه چگونگي پياده سازي آن ارائه مي شود در نهايت به ارزيابي مدل ايجاد شده و تحليل نتايج بدست آمده پرداخته مي شود .
1-2- تاريخچه داده كاوي
اخيرا داده کاوي موضوع بسياري از مقالات ، کنفرانس ها و رساله ها ي عملي شده است ، اما اين واژه تا اوايل دهه نود مفهومي نداشت وبه کار برده نمي شد .
در دهه شصت و پيش از آن زمينه هايي براي ايجاد سيستم ها ي جمع آوري و مديريت داده ها ايجاد شد و تحقيقاتي در اين زمينه انجام پذيرفت که منجر به معرفي و ايجاد سيستم هاي مديريت پايگاه داده ها گرديد .
ايجاد و توسعه مدلهاي داده اي براي پايگاه سلسله مراتبي ، شبکه اي و بخصوص رابطه اي در دهه هفتاد ، منجر به معرفي مفاهيمي همچون شاخص گذاري و سازماندهي داده ها و در نهايت ايجاد زبان پرسش SQL در اوايل دهه هشتاد گرديد تا کاربران بتوانند گزارشات و فرمهاي اطلاعاتي مورد نظر خود را ، از اين طريق ايجاد نمايند .
توسعه سيستم هاي پايگاهي پيشرفته در دهه هشتاد و ايجاد پايگاه هاي شي گرا ، کاربرد گرا و فعال باعث توسعه همه جانبه و کاربردي شدن اين سيستم ها در سراسر جهان گرديد . بدين ترتيب DBMS هايي همچون DB2 ، Oracle ، Sybase ، ... ايجاد شدند و حجم زيادي از اطلاعات با استفاده از اين سيستم ها مورد پردازش قرار گرفتند . شايد بتوان مهمترين جنبه در معرفي داده کاوي را مبحث کشف دانش از پايگاه داده هاKDD دانست بطوري که در بسياري موارد DM و KDD بصورت مترادف مورد استفاده قرار مي گيرند .
براي اولين بار مفهوم داده کاوي در کارگاه IJCAI در زمينه KDD توسط Shapir مطرح گرديد . به دنبال آن در سالهاي 44 تا 441 ، کارگاههاي KDD مفاهيم جديدي را در اين شاخه از علم ارائه کردند بطوري که بسياري از علوم و مفاهيم با آن مرتبط گرديدند.

از 1960

ايجاد سيستم ها ي جمع آوري و مديريت داده ها توسط IBM, CDC ذخيره داده ها روي ديسک هاوکامپيوترهابازيابي ايستا (محاسبه کل سود يک فروشگاه در 5 سال گذشته).

از 1980

ايجاد زبان پرس و جو براي تهيه گزارشات از پايگاه داده شاخص گذاري و سازماندهي داده ها با DBMS هاي DB2 ، Oracle ، Sybase بازيابي پويا در سطح رکورد (ميزان فروش يك كالا در يك شعبه بصورت روزانه)

از 1990

ايجاد پايگاه داده هاي چند بعديData Warehouse و OLAP بازيابي پويا در چند سطح (با امكان Drill Down ) OLAP اطلاعات کاملي از رخدادهاي گذشته مي دهد، ولي نمي تواند بگويد چرا اتفاق افتاده و يا پيش بيني کند.

در حال حاضر

ابزارهاي پيشرفته مانندSPSS/Clementine, SGI, SAS کشف الگوهاي جديد در پايگاه داده ها بازيابي پويا با نگاه پيشرو به آينده فروش يک کالا در ماه آينده در يک شعبه خاص چقدر است؟ و چرا؟
1-3- روشهاي پيشين و فعاليت هاي مرتبط با پژوهش
پس از بررسي و مطالعه ي مقالات مربوط به کاربرد داده کاوي ، تقسيم بندي به صورت شکل 1-1 از حوزه هاي داده کاوي در بيمه به دست آمد که در ادامه شرح داده مي شود :

داده کاوی

روش های داده کاوی

داده کاوی سطح خسارت بیمه بدنه

داده کاوی اتومبیل

پیش بینی سطح خسارت مشتریان بیمه بدنه

مقاله

پاورپوینت

فایل فلش

کارآموزی

گزارش تخصصی

اقدام پژوهی

درس پژوهی

جزوه

خلاصه

ﮐﺘﺎب اﯾﻨﺘﺮﻧﺘﯽ ﻓﺮوش در ﻣﺸﺘﺮي ﻧﯿﺎز ﻧﻮع ﺑﯿﻨﯽ ﭘﯿﺶ ﻣﻨﻈﻮر

ﭘﯿﺶ. ﺑﯿﻨﯽ. ﻧﻮع. ﻧﯿﺎزﻫﺎي. ﻣﺸﺘﺮﯾﺎن. ﻓﺮوﺷﮕﺎه. ﻫﺎي. اﯾﻨﺘﺮﻧﺘﯽ. ﮐﺘﺎب. ﺑﺎ. اﺳﺘﻔﺎده. از. روش. ﻫﺎي. داده. ﮐﺎوي. ﺑﺮ.
ﻣﺒﻨﺎي. ﻣﺪل. ﮐﺎﻧﻮ. اراﺋﻪ. ﺷﺪه ... رﺿﺎﯾﺖ ﻣﺸﺘﺮﯾﺎن ﻧﻮﻋﯽ ﺑﯿﻤﻪ در ﺑﺮاﺑﺮ اﺷﺘﺒﺎﻫﺎت اﺣﺘﻤﺎﻟﯽ ﻣﻮﺳﺴﻪ اﺳﺖ ﮐﻪ در ﻧﺘﯿﺠﻪ
ﺗﻐﯿﯿﺮات ﻣﺮﺗﺒﻂ ﺑﺎ ﺗﻮﻟﯿﺪ ﺧﺪﻣﺎت، وﻗﻮع. آن ...... ﮐﺎوي ﺑﺮاي. ﭘﯿﺶ. ﺑﯿﻨﯽ ﺳﻄﺢ ﺧﺴﺎرت ﻣﺸﺘﺮﯾﺎن ﺑﯿﻤﻪ ﺑﺪﻧﻪ ﺧﻮدرو،.

ارزش‌مشتریان‌جدید‌بانک‌بر‌مبنای‌مدل‌آر.اف.ام‌ بینی پیش کاهش‌

های مشتریان. به. منظور. تعیین ارزش آن. ها با استفاده از تکنیک. های. داده. کاوی
پرداخته. اند و درخت تصمیم ..... فروش. خودرو. پرداختند. در این. تحقیق. مشتریان. بر.
اسا. س. روش. خوشه. بندی. K .... بندی بیمه. گذاران و پیش. بینی سطح خسارت آن. ها در
بیمه بدنه خودرو ایران ...... خسارت مشتریان بیمه بدنه اتومبیل با استفاده از راهکار داده.
کاوی،.

خرید و دانلود استفاده از روشهای داده کاوی برای پیش بینی سطح خسارت ...

دوست گرامی ،شما هم اکنون فایل با مشخصات و عنوان امروزه نقش مشتریان از حالت ... از
روشهای داده کاوی برای پیش بینی سطح خسارت مشتریان بیمه بدنه اتومبیل را مشاهده ...

استفاده از روش‌های داده‌کاوی برای پیش‌بینی سطح خسارت مشتریان بیمه ...

ایزدپرست سیدمحمود، فراهی احمد، فتح نژاد فرامرز، تیمورپور بابک. استفاده از
روش‌های داده‌کاوی برای پیش‌بینی سطح خسارت مشتریان بیمه بدنه اتومبیل. پژوهشنامه
...

استفاده از روش های داده كاوی برای پیش بینی سطح خسارت مشتریان بیمه ...

استفاده از روش های داده كاوی برای پیش بینی سطح خسارت مشتریان بیمه بدنه
اتومبیل ... تاكنون از برخي روش هاي آماري و يادگيري ماشيني براي اين منظور استفاده
شده ... طراحی چارچوبی برای پیش بینی مشتریان آتی بیمه بدنه اتومبیل بر پایه داده
کاوی.

لزوم حفظ مشتریان بيمه با استفاده از ابزارهای داده کاوی

و مراحل داده کاوی، روش های مختلف از جمله محاس بات خطی و غیرخطی و قابلیت های ... اما
تمرکز بر چگونگی استفاده از داده کاوی در حفظ مشتریان فعلی قرار دارد؛ زیرا نیاز
به .... در صنعت بیمه، الگوهای پیش بینی بســیار اهمیت دارند، .... ســه بار از شركت،
بیمه بدنه خرید كرده اند، اتومبیل با قیمت ... مــواد اولیه و ریســک و خســارت نیــاز دارند
.

ارزیابی موفقیت سیستم اطلاعاتی مالی دانشگاه فردوسی مشهد با ...

و استفاده از روشهای داده کاوی برای پیش بینی سطح خسارت مشتریان بیمه بدنه
اتومبیل. سید محمود ایزدپرست، احمد فراهی، فرامرز فتح نژاد و بابک تیمورپور. و نقش
و ...

خرید و دانلود استفاده از روشهای داده کاوی برای پیش بینی سطح خسارت ...

دوست گرامی ،شما هم اکنون فایل با مشخصات و عنوان امروزه نقش مشتریان از حالت ... از
روشهای داده کاوی برای پیش بینی سطح خسارت مشتریان بیمه بدنه اتومبیل را مشاهده ...

مروری بر کشف تقلب درتراکنش های مالی و کاری در صنعت بیمه

استفاده از روش های داده کاوی برای پیش بینی سطح خسارت مشتریان بیمه بدنه
اتومبیل. بیان مسئله. مرور ادبیات. جمع بندی. نتیجه گیری ...