دانلود ترجمه مقاله یک مدل تصمیم گیری برای مشاوران بیمه
عنوان فارسی |
یک مدل تصمیم گیری برای مشاوران بیمه: یک مطالعه موردی |
عنوان انگلیسی |
A Decision Model for Insurance Advisors: A Case Study |
کلمات کلیدی : |
  منطق فازی؛ سیستم استنتاج فازی؛ پشتیبانی از تصمیم؛ بیمه |
درسهای مرتبط | مدیریت بیمه |
تعداد صفحات مقاله انگلیسی : 7 | نشریه : ELSEVIER |
سال انتشار : 2013 | تعداد رفرنس مقاله : 14 |
فرمت مقاله انگلیسی : PDF | نوع مقاله : ISI |
پاورپوینت : ندارد | وضعیت ترجمه مقاله : انجام نشده است. |
1. مقدمه 2. سیستم استنتاج فازی (FIS) 3. مطالعه موردی و نتایج 4. نتیجه گیری
چکیده – این مقاله، یک مدل تصمیم گیری با استفاده از سیستم استنتاج فازی (FIS) را برای مشاوران بیمه در جهت شناسایی و پیشنهاد سیاست های مناسب برای مشتریان بالقوه و موجود را ارائه می دهد که می تواند پیش داوری های ذهنی مشاوران بیمه را نیز به حداقل رساند. مدل پیشنهادی شامل چهار فرآیند اصلی می باشد: (i) انتخاب ورودی ها و خروجی ها، (ii) شناسایی توابع عضویت، (iii) ساخت پایه های قانون فازی، و (iv) اعتبارسنجی پایه قانونی. مدل تصمیم گیری بر اساس پنج نوع از سیاست های بیمه تحت طرح خانوادگی توسعه یافته است. پنج ویژگی انتخاب شده اند که عبارتند از سن، جنس، وضعیت تاهل، درآمد ماهانه و ریسک شغلی. این ورودی ها با استفاده از توابع عضویت سه گانه به توابع فازی تبدیل شده و سپس برای ساخت پایه قانون فازی مورد استفاده قرار گرفته اند. جدای از یادگیری ماشین، یک کارشناس نیز برای تایید مدل استفاده شده است. به منظور تایید اعتبار مدل، سوابق مشترک سیاسی جدید نیز استفاده شده است. نتایج و یافته ها نیز در انتهای مقاله مورد بحث و بررسی قرار گرفته اند.
This study presents a decision model using fuzzy inference system (FIS) for insurance advisors to identify and suggest appropriate policies to potential or existing clients which can minimize the subjective prejudice of the insurance advisors. The proposed model consist of four main process- (i) selecting inputs and outputs, (ii) identifying membership functions, (iii) constructing fuzzy rule base and (iv) validating the rule base. The decision model is developed based on five types of insurance policies under the Family Plan. Five attributes are selected which are age, gender, marital status, monthly income and job risk. These inputs are transformed into fuzzy variables using triangular membership functions and then used to construct the fuzzy rule base. Apart from machine learning, an expert is also engaged to verify the model. To validate the model, records of new policy subscriber are applied. Results and findings are also discussed at the end of this paper.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.