دانلود ترجمه مقاله کاربردهای کلان داده در صنعت بیمه

1. مقدمه 2. مروری بر مقالات 3. روش تحقیق 4. نتایج 5. تحلیل خوشه ای 6. بحث و بررسی 7. پیشنهاداتی برای تحقیقات آینده 8. محدودیت ها 9. نتیجه گیری

چکیده – در چند دهه اخیر صنعت بیمه تغییرات سریعی داشته است. یکی از عوامل این تغییر، رشد پیوسته حجم هنگفتی از داده هایی می باشد که لازم است به درستی پردازش شوند تا به نحو بهینه مورد استفاده قرار گیرند. این امر باعث بوجود آمدن موجی قوی از فنآوریهای پردازش پیشرفته شده که می تواند به صورت نظامند مجموعه داده های بزرگ را مدیریت کند که می توان یادگیری ماشینی و هوش مصنوعی را نام برد. این مطالعه، پیشرفت های پژوهشی در مورد کلان داده و بیمه را تحلیل می کند. تحلیل کتابشناختی و یک مرور سیستماتیک برای تحلیل الگوها و روندهای این زمینه موضوعی انجام شدند که تاکید اصلی بر منابع و مآخذ به عنوان یک واحد اندازه گیری کلیدی گذاشته شد. این تحلیل برای پر کردن خلاء موجود در زمینه موضوعی مدنظر مهم است زیرا هیچ تحلیل کتاب سنجی دیگری تاکنون در مورد این موضوع انجام نشده است؛ همچنین به برقراری یک بستر علمی برای پژوهش های آتی کمک خواهد کرد. یافته های پژوهش تایید می کنند که ایالات متحده، شناخته شده ترین و ارجاع داده شده ترین کشور در زمینه پژوهشی کلان داده ها و بیمه در هر دو سطح نویسندگی انفرادی و کمک نویسندگی، می باشد. در نهایت، تاثیر اصلی رابطه بین کلان داده ها و بخش بیمه بوسیله جنبه های انسانی علامت گذاری شد. مقدمه: در سال 2022، بخش بیمه سراسر جهان درآمدی بالغ بر 6 تریلیون دلار حاصل کرد. این رقم کلی از کل تولید ناخالص داخلی بزرگترین اقتصادهای جهان مانند ژاپن، آلمان، انگلستان، هند، ایتالیا، فرانسه و کانادا بیشتر است و دو برابر صنعت نفت درآمد دارد (حسنی و همکاران، 2020). این چیزی است که باعث شده علم آماری امروزه از اهمیت بالایی برخوردار باشد و در زمینه های مختلف انعطاف پذیر بوده است. به بیان دیگر، بخش بیمه وابستگی بالایی به تحلیل ریسک از طریق استفاده از روش های ریاضیاتی و آماری دارد (فریس و هوانگ، 2023). افزایش وابستگی بخش بیمه به کاربرد فنآوریهای پیشرفته، مانند کلان داده ها، هوش مصنوعی و یادگیری ماشینی، یکی از نشانه های قوی اهمیت این موضوع پژوهشی است. کلان داده ها می توانند به بیمه گران در افزایش سطح دقت سیاست قیمت گذاری کمک کنند زیرا داده های بیشتری را می توانند در دسترس قرار دهند و بازده فعالیت هایشان را با فراهم کردن بینش موثرتر و کارآمدتر در مورد مشتریانشان، بهبود بخشند. این امر می تواند باعث کاهش هزینه ها و بهبود رضایت مشتری شود (حسنی و همکاران، 2020). هیچکس دقیقاً نمی داند که چه زمانی ایده بیمه شروع شده است؛ با این حال پیش بینی می شود که تاریخ آن به دوران باستان بر می گردد. البته، علم بیمه ای که امروزه آنرا می دانیم در اواخر دهه 1600 پایه گذاری شد، در زمانی که نیاز به بسته های بیمه بلندمدت مانند بیمه عمر، مقرری های سالانه و هزینه های کفن و دفن سریعاً رشد پیدا کردند؛ بنابراین، یک رشته ریاضیاتی و آماری جدیدی برای مدیریت این متغیرها لازم بود (لاندسمن و شریس، 2001).

The insurance industry has changed rapidly over the last few decades. One factor in this change is the continuous growth of massive amounts of data that need to be processed properly to be optimally utilized. This has led to a strong wave of advanced processing technologies that can systematically manage big datasets, such as machine learning and artificial intelligence. This study analyzes the current state of research on big data and insurance. Bibliometric analysis and a systematic review were conducted to analyze the patterns and trends of the subject area, with the main focus on citations as a key measurement unit. This analysis is important to fill the existing gap in the examined area because no other bibliometric analysis has been conducted previously on the same subject; it will also help in establishing a scientific background for future research. The research findings verify that the United States is the most popular and cited country in the research area of big data and insurance at both the single authorship and co-authorship levels. Finally, the major impact of the relationship between big data and the insurance sector was marked by human-related aspects. Introduction: In 2022, the insurance sector around the world generated revenues of more than USD 6 trillion. A total that exceeds the entire Gross Domestic Product of the world's largest economies, like Japan, Germany, UK, India, Italy, France, Canada, and draws in double the intake of the oil industry (Hassani et al., 2020). That is what makes actuarial science nowadays of great importance and versatile in various contexts. In other words, the insurance sector depends mainly on risk analysis through the use of mathematical and statistical methods (Frees and Huang, 2023). The increasing dependence of the insurance sector on the application of advanced technologies, such as big data, artificial intelligence, and machine learning is a strong indication of the importance of this research topic. Big data can help insurers increase the accuracy level of policy pricing due to the higher availability of data and improve the efficiency of their operations by providing more effective and efficient insight into their customers. This can lead to lower costs and improve the customer satisfaction (Hassani et al., 2020). No one knows exactly when the idea of insurance started; however, it is predicted that it dates back to antiquity. However, actuarial science that we know today was founded in the late 1600s when requirements for long-term insurance packages such as life insurance, annuities, and burial were growing fast; therefore, a new mathematical and statistical discipline was needed to manage these variables (Landsman and Sherris, 2001).