김준성
(Department of Applied Data Science, Sungkyunkwan University)
,
조아라
(Department of Applied Data Science, Sungkyunkwan University)
,
오하영
(College of Computing and Informatics, Sungkyunkwan University)
저출산과 노령화로 보험 수요가 지속해서 감소하고 있다. 나아가 언택트 소비가 주류가 되면서 기존의 대면 서비스를 중심으로 한 보험상품 마케팅은 실효성이 크게 떨어지고 있다. 그러므로 보험업계는 비대면 서비스를 기반으로 한 새로운 마케팅이 절실한 시점이다. 확보된 내 외부 및 공공데이터를 바탕으로 보험 트렌드를 반영한 맞춤형 전략을 통해 기존 고객의 로열티를 강화하고 신규 고객을 확보할 수 있는 개인 맞춤형 보험 상품 추천시스템을 제안하고자 한다. 보험회사 데이터베이스에 등록된 고객을 대상으로 공공 데이터(시군구별 총인구수, 건강생활 실천율, 고령 인구 비율, 출생률, 노인여가복지 수, 연령대별 경제활동참가율 등), 고객 개인정보 및 기 계약 정보를 사용하여 인구통계학 기반과 모델 기반 추천시스템을 설계하였다. 인구통계학 기반 추천시스템은 군집화된 고객 내 코사인 유사도를 계산하여 유사도가 높은 고객들이 많이 가입한 보험상품을 추천하였다. K-means를 이용한 군집화 방식과 고객의 지역, 성별 및 연령대 기준의 Segmentation 방식으로 각각 수행하였다. 모델 기반 추천시스템은 Decision Tree, Random Forest Classifier를 사용하여 각각 추천시스템을 설계하였다. 본 연구 결과 군집 된 고객 간 코사인 유사도를 활용한 인구통계학 기반 추천시스템의 성능이 가장 우수하였다. 이는 개인의 특성(성별, 나이 등) 및 환경적인(경제력, 직업 거주지역 등) 요소에 따라 보험 상품을 선택하기 때문에 고객 간 유사도가 보험 추천시스템의 성능에 주요 요소인 것을 보여준다.
저출산과 노령화로 보험 수요가 지속해서 감소하고 있다. 나아가 언택트 소비가 주류가 되면서 기존의 대면 서비스를 중심으로 한 보험상품 마케팅은 실효성이 크게 떨어지고 있다. 그러므로 보험업계는 비대면 서비스를 기반으로 한 새로운 마케팅이 절실한 시점이다. 확보된 내 외부 및 공공데이터를 바탕으로 보험 트렌드를 반영한 맞춤형 전략을 통해 기존 고객의 로열티를 강화하고 신규 고객을 확보할 수 있는 개인 맞춤형 보험 상품 추천시스템을 제안하고자 한다. 보험회사 데이터베이스에 등록된 고객을 대상으로 공공 데이터(시군구별 총인구수, 건강생활 실천율, 고령 인구 비율, 출생률, 노인여가복지 수, 연령대별 경제활동참가율 등), 고객 개인정보 및 기 계약 정보를 사용하여 인구통계학 기반과 모델 기반 추천시스템을 설계하였다. 인구통계학 기반 추천시스템은 군집화된 고객 내 코사인 유사도를 계산하여 유사도가 높은 고객들이 많이 가입한 보험상품을 추천하였다. K-means를 이용한 군집화 방식과 고객의 지역, 성별 및 연령대 기준의 Segmentation 방식으로 각각 수행하였다. 모델 기반 추천시스템은 Decision Tree, Random Forest Classifier를 사용하여 각각 추천시스템을 설계하였다. 본 연구 결과 군집 된 고객 간 코사인 유사도를 활용한 인구통계학 기반 추천시스템의 성능이 가장 우수하였다. 이는 개인의 특성(성별, 나이 등) 및 환경적인(경제력, 직업 거주지역 등) 요소에 따라 보험 상품을 선택하기 때문에 고객 간 유사도가 보험 추천시스템의 성능에 주요 요소인 것을 보여준다.
The data mainly used for the model are as follows: the personal information, the information of insurance product, etc. With the data, we suggest three types of models: content-based filtering model, collaborative filtering model and classification models-based model. The content-based filtering mod...
The data mainly used for the model are as follows: the personal information, the information of insurance product, etc. With the data, we suggest three types of models: content-based filtering model, collaborative filtering model and classification models-based model. The content-based filtering model finds the cosine of the angle between the users and items, and recommends items based on the cosine similarity; however, before finding the cosine similarity, we divide into several groups by their features. Segmentation is executed by K-means clustering algorithm and manually operated algorithm. The collaborative filtering model uses interactions that users have with items. The classification models-based model uses decision tree and random forest classifier to recommend items. According to the results of the research, the contents-based filtering model provides the best result. Since the model recommends the item based on the demographic and user features, it indicates that demographic and user features are keys to offer more appropriate items.
The data mainly used for the model are as follows: the personal information, the information of insurance product, etc. With the data, we suggest three types of models: content-based filtering model, collaborative filtering model and classification models-based model. The content-based filtering model finds the cosine of the angle between the users and items, and recommends items based on the cosine similarity; however, before finding the cosine similarity, we divide into several groups by their features. Segmentation is executed by K-means clustering algorithm and manually operated algorithm. The collaborative filtering model uses interactions that users have with items. The classification models-based model uses decision tree and random forest classifier to recommend items. According to the results of the research, the contents-based filtering model provides the best result. Since the model recommends the item based on the demographic and user features, it indicates that demographic and user features are keys to offer more appropriate items.
D. G. Kim and I. Y. Jung, "Changes in insurance product subscription and implications," Korea Insurance Research Institute, KIRI-Report-537, Jan. 2022.
Korea Life Insurance Association, "Results of the 16th Life Insurance Propensity Survey," Korea Life Insurance Association, Report 367001, Dec. 2021.
J. E. Son, S. B. Kim, H. J. Kim, and S. Z. Cho, "Review and Analysis of Recommender Systems," Journal of the Korean Institute of Industrial Engineers, vol. 41, no. 2, pp. 185-208, Apr. 2015.
S. J. Yoo, "A Study of Improvement of Individual Item Diversity in Collaborative Filtering-based Recommendation," Journal of Korean institute information technology, vol. 14, no. 8, pp. 89-94, Aug. 2016.
A. Gershman, A. Meiseis, K. Luke, L. Rokach, A. Schclar, and A. Sturm, "A Decision Tree Based Recommender System," in Proceedings of 10th International Conferenceon Innovative Internet Community Systems (I2CS) - Jubilee Edition 2010, Germany, Bonn, pp. 170-179, 2010.
Y. H. Jang C. Y. Lee, I. Y. Choi, and J. K. Kim, "Development of Hybrid Recommender System Using Review Data Mining," Journal of the Korean Institute of Industrial Engineers, vol. 23, no. 1, pp. 155-172, Feb. 2021.
M. S. Chang and H. J. Kim, "A Customer Segmentation Scheme Base on Big Data in a Bank," Journal of Digital Contents Society, vol. 19, no. 1, pp. 85-91, Jan. 2018.
H. B. Lee, D. O. Won, and S. H. Lee, "Collaborative Filtering Recommender System With Clustering and Histogram," in Proceedings of 2016 Journal of Computing Science and Engineering, Pyeongchang, Korea, pp. 558-590, Dec. 2016.
D. H. Kim, J. M. Shin, and S. W. Park, "Decision Tree Based Application Recommendation System," Korean Institute of Information Scientists and Engineers, vol. 39, no. 1, pp. 140-142, Jun. 2012.
G. Song and I. C. Moon, "Introduction to recent recommendation system research and future works," Communications of the Korean Institute of Information Scientists and Engineers, vol. 39, no. 3, pp. 16-23, Mar. 2021.
C. Y. Park, J. Y. Ryu, N. K. Lee, and J. S. Lee, "Graph-based Recommender Systems," Communications of the Korean Institute of Information Scientists and Engineers, vol. 39, no. 3, pp. 8-15, Mar. 2021.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.