Karar ağaçları ve yapay sinir ağları kullanarak kasko sigortalarında risk değerlendirme
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Bilişim sistemlerinin gün geçtikçe gelişmesiyle birlikte artık büyük verilerin elde edilmesi ve sistemlerde saklanması kolaylaşmıştır. Sistemlerde saklanan her bir veri, çözüm üretilmek istenen probleme göre uygun analiz yöntemleriyle anlamlandırılabilir. Bu büyük verilerden geleceğe yönelik anlamlı sonuçlar çıkarmaya kısaca Veri Madenciliği (Data Mining) denmektedir. Veri madenciliği günümüzde bankacılık, sigortacılık, telekomünikasyon, borsa, tıp vs. pek çok bilim dalının vazgeçilmez bir parçası haline gelmiştir. Özellikle büyük şirketler, raporlamalarında sık sık veri madenciliğinden faydalanmaktadır.Veri madenciliği tekniklerinin temelini Bellek Tabanlı Yöntemler (Memory Based Reasoning), Sepet Analizi Tekniği (Market basket analysis), Yapay Sinir Ağları (Neural Networks), Karar Ağaçları (Decision Tree) ve Kümeleme Analizi (Cluster Analysis) oluşturmaktadır. Bu çalışmada sigortacılık sektörünün önemli alanlarından biri olan kasko branşında, özel bir şirketten alınan poliçe bilgileri üzerinden yeni gelen bir müşterinin hasar frekansını tahmin edebilmek için Yapay Sinir Ağları ve Karar Ağaçları yöntemlerinden faydalanılmıştır. Bu yöntemlerden Yapay Sinir Ağları; insan beyninin çalışma mekanizmasını taklit ederek beynin öğrenme, hatırlama genelleme yapma yoluyla yeni bilgiler üretebilme gibi temel işlevleri gerçekleştirmek üzere geliştirilmiştir. Karar ağaçları ise denetimli öğrenimin kullanıldığı veri madenciliği tekniklerindendir. Bu anlamda tahmin edilmesi gereken bir hedef değişken vardır. Bu çalışmada hasar frekansı sigorta riski olarak kabul edilmiş olup bu hedef değişkeni etkilediği düşünülen bağımsız değişkenler ile SAS yazılımının Enteprise Miner modülü kullanılarak Yapay Sinir Ağları ve Karar Ağaçları yöntemleriyle modelleme çalışması yapılmıştır. Yapay Sinir Ağları ve Karar Ağaçları yöntemleriyle elde edilen modellerin sigorta riskini tahmin performansları karşılatırılmış olup, her ikisi de kabul edilebilir seviyede olmakla birlikte Karar Ağaçları yönteminin tahmin başarısı daha yüksek bulunmuştur. As the information systems are growing day by day, it becomes easier to obtain bigger data and store it in systems. Each data stored in the systems can be interpreted by analysis methods which are appropriate to the problems desired to be solved. It is called Data Mining producing meaningful results for the future from the huge amount of data. Nowadays data mining has become an indispensable part of many sciences including banking, insurance, telecommunication, stock exchange, medicine etc. Especially large companies often use data mining in their reports.Data mining techniques are based on Memory Based Reasoning, Market basket analysis, Neural Networks, Decision Tree and Cluster Analysis. In this study, Artificial Neural Networks and Decision Trees methods were used to estimate the damage frequency of a new customer based on policy information from a private company in the auto insurance branch, which is one of the important areas of the insurance industry. Artificial Neural Networks has been developed to realize brain's functions such as learning, producing new data by remembering and generalizing through imitating human brain's working mechanism. Decision trees are data mining techniques where supervised learning is used. In this sense there is a target variable to be estimated. In this study, damage frequency was accepted as insurance risk, and using independent variables affecting this target variable, insurance risk was modeled by Artificial Neural Networks and Decision Trees methods of SAS software using Enterprise Miner module. Performances of the of the models obtained by Artificial Neural Networks and Decision Trees methods were at acceptable levels, and the predictive success of the Decision Trees method was found to be higher than Artificial Neural Networks.
Collections