Eşiğin Belirlenmesi – Ödev Hazırlatma – Proje Yaptırma – Tez Yaptırma Fiyatları – Sunum Örnekleri – Ücretli Ödev Yaptırma – Ödev Yaptırma Ücretleri
Sigortası Fiyatlandırması için Sinir Ağları
Son derece rekabetçi endüstrilerde, müşteriyi elde tutma çok dikkat çekmiştir. Sadık müşteriler daha fazla nakit akışı ve kar üretme eğiliminde olduklarından, fiyata daha az duyarlı olduklarından, yeni müşteriler getirdiğinden ve herhangi bir satın alma veya başlangıç maliyeti gerektirmediğinden, müşteriyi elde tutma önemli bir konudur.
Müşteriyi elde tutmayı analiz etmek için çeşitli teknikler kullanılmıştır. Uygulamalı genetik programlama, kaba küme analizi, Ki-kare Otomatik Etkileşim Algılama (CHAID) ve bir finans şirketinin veri tabanını kullanarak müşteriyi elde tutma modelleme problemine lojistik regresyon analizidir.
Bu teknikler tarafından oluşturulan modeller, müşteri davranışını etkileyen faktörler hakkında bilgi edinmek ve müşterilerin şirketle ilişkilerini sonlandırması hakkında tahminlerde bulunmak için kullanıldı. Bir yatırım fonu yatırım şirketinin müşteriyi elde tutmasını etkileyen temel faktörleri belirlemek için kaba kümeler kullanıldı.
Müşterilerin sadakatini ölçmek ve onların ayrılma olasılıklarını tahmin etmek için sezgisel bir yaklaşım oluşturmak için karar ağacı çıkarımı, sapma analizi ve çoklu kavram düzeyinde ilişkilendirme kuralları gibi çeşitli teknikleri entegre etti.
Mozer ve yardımcı araştırmacıları, kullanıcıyı elde tutmayı iyileştirmek ve taşıyıcının karlılığını en üst düzeye çıkarmak için kablosuz telekomünikasyon abonelerine hangi teşviklerin sunulacağını belirlemek için istatistiksel makine öğreniminden kesintiyi tahmin etmek için teknikleri araştırdı ve bu tahminlere dayanarak. Teknikler logit regresyonu, karar ağaçları, sinir ağları ve güçlendirmeyi içeriyordu.
Mozer ve ortak araştırmacılarının yanı sıra, diğerleri de tahmin problemlerini çözmek için sinir ağlarını uyguladılar. Bir müşterinin bir otomobil üreticisinin bayisine sadık kalma kararı üzerindeki kalite iyileştirmelerinin etkisini değerlendirmek için sinir ağı yaklaşımını kullandı.
Müşteri sadakatini açıklamada önemli görünen faktörleri inceledi. Sinir ağlarının çoklu regresyon gibi geleneksel analitik tekniklerden daha iyi bir tahmin gücüne sahip olduğunu buldular. Ayrıca sinir ağlarının, sigorta poliçesi sahiplerini poliçelerini yenileme veya sona erdirme olasılığı olan sınıflandırma için regresyon ve karar ağacı modellemesine kıyasla en iyi sonuçları sağladığını buldu.
SAKLAMA ORANLARINI ÖNGÖRMEK
Ayrıca, fiyat duyarlılığı analizinden önce elde tutma oranını tahmin etmek için poliçelerini feshetmesi muhtemel sigorta poliçesi sahiplerini yenilenmesi muhtemel olanlardan ayırt etmeyi öğrenmek için sinir ağlarını kullandık. Avustralyalı bir motor sigortası şirketinin poliçe sahipleri, k-araç kümelemesi kullanılarak demografik ve poliçe bilgilerine dayalı olarak 30 risk grubuna sınıflandırılır.
Sinir ağları daha sonra, bir poliçe sahibinin poliçesini yenileyip yenilemeyeceği veya sonlandıracağı konusundaki prim fiyat değişikliğinin etkisini modellemek için kullanılır. Her bir küme için 25 girdi ve 1 çıktı (poliçe sahibi sözleşmeyi yenilesin veya feshedsin) için çok katmanlı ileri beslemeli bir sinir ağı oluşturulmuştur.
Mutlak eşik ve fark eşiği
Mutlak eşik örnekleri
Mutlak eşik Nedir
Algılama eşiği nedir
Fark eşiği
Fark eşiği Nedir
Alt eşik Nedir
Alaktasit Nedir
En uygun gizli nöron sayısını ve aktivasyon fonksiyonunu belirlemek için birkaç küme üzerinde birkaç deney yapıldı. Tüm kümeler için sinir ağları için yirmi gizli nöron ve hiperbolik tanjant aktivasyon fonksiyonu kullanılmıştır.
Gelecekte şirketin kapsamlı deneyler yapmasına gerek kalmadan metodolojinin tüm kümelere doğrudan uygulanmasını sağlamak için tek tip bir yaklaşım tercih edilir. Eğik olan girdi değişkenleri loga dönüştürülmüştür.
Prim fiyat değişikliğinin poliçe sahibinin poliçesini yenileyip yenilemeyeceğine veya feshedip etmeyeceğine etkisini belirlemek için sinir ağlarını kullanırken karşılaştığımız sorunlardan bazıları şunlardı:
• Poliçe sahiplerini fesih edenler ve yenileyenler olarak sınıflandırma eşiğinin belirlenmesi
• Daha homojen modeller oluşturmak
• Sinir ağlarını eğitmek için çok az poliçe sahibi olan kümeler
Eşiğin Belirlenmesi
Sinir ağı, sıfır ile bir arasında çıktı üretir; bu, bir poliçe sahibinin politikasını sona erdirme olasılığıdır. Küme 11’in sonlanma olasılığını göstermektedir. Çıktı verilerinin nasıl kategorize edileceğine karar vermek için bir eşik değeri kullanılır. Örneğin 0,5’lik bir eşik, sona erme olasılığının 0,5’ten fazla olması durumunda poliçenin feshedilmiş olarak sınıflandırılacağı anlamına gelir.
Genellikle karar eşiği, sınıflandırma doğruluğunu en üst düzeye çıkarmak için seçilir. Ancak, bizim durumumuzda daha çok, fiili sonlandırma oranına eşit olan tahmini bir sonlandırma oranına ulaşmakla ilgileniyoruz. Bunun nedeni, bir kişinin poliçesini yenileyip yenilemeyeceğinden çok portföyün performansıyla (pazar payını karlılıkla dengelemek) ilgilenmemizdir.
Küme 11 için gerçek sonlandırma oranı %14.7’dir. Öngörülen %14,7’lik bir sonlandırma oranı elde etmek için eşik 0,204’e ayarlandı. 0.204’lük bir eşik için karışıklık matrisi Tablo 1’de gösterilmiştir. Genel sınıflandırma doğruluğu %85.3’tür.
Homojen Modeller Üretmek
Karışıklık matrisi, tüm kümenin tahmin doğruluğunu sağlar. Primdeki belirli bir yüzde değişikliğinin fesih oranlarını nasıl etkileyeceğini bize söylemez.
Sinir ağlarının değişen miktarlardaki prim değişiklikleri için sonlandırma oranlarını ne kadar iyi tahmin edebildiğini belirlemek için, kümeler daha sonra aşağıdaki gibi çeşitli prim bantlarına bölündü: primlerde %22,5’ten az düşüş, %17,5 ile %22,5 arasında prim düşüşü , %12,5 ile %17,5 arasında prim düşüşü vb.
Tahmini sonlandırma oranları daha sonra gerçek sonlandırma oranları ile karşılaştırıldı. Tüm kümeler için, sinir ağlarının tahmin doğruluğu, prim artışları %10 ile %20 arasında olduğunda bozulmaya başlar. Kümelerden biri için gerçek ve tahmin edilen sonlandırma oranlarını gösterir.
Tahmin doğruluğunu iyileştirmek için küme, tahmin doğruluğu bozulmaya başladığı noktada bölündü. Bu, önemli bir prim artışı olan poliçe sahiplerini izole etmek içindir. Bu poliçe sahiplerinin araçlarını yükselten daha fazla sayıda olması nedeniyle bu poliçe sahiplerinin farklı davrandığına inanılmaktadır.
Her küme için iki ayrı sinir ağı eğitilmiştir. Tahmin doğruluğu, Şekil 3’te görülebileceği gibi iki sinir ağı ile önemli ölçüde iyileşmiştir. Ortalama mutlak sapma %10,3’ten %2,4’e düşmüştür.
Küçük Kümeleri Birleştirme
Daha küçük kümelerin bazılarında, sinir ağlarını eğitmek için çok az politika sahibi vardı. 7.000’den az politikası olan küçük kümeleri grupladık. Gruplandırma kriteri riskte benzerlikti. Risk, talep miktarı ile ölçülür.
Bu nedenle, kümeler hasar maliyetindeki benzerliğe göre gruplandırılmıştır. Politika başına ortalama talep maliyetindeki maksimum fark 50 dolardan fazla değildi. Birleştirilmiş kümeler için, her küme için bir tane yerine iki sinir ağına sahip olunarak tahmin yeteneği de geliştirilmiştir.
Alaktasit Nedir Algılama eşiği nedir Alt eşik Nedir Fark eşiği Fark eşiği Nedir Mutlak eşik Nedir Mutlak eşik örnekleri Mutlak eşik ve fark eşiği