Τη σύγχρονη εποχή το διαδίκτυο κατακλύζεται από μεγάλο όγκο δεδομένων, που αφορούν διάφορους τομείς. Το ζήτημα που προκύπτει είναι κατά πόσον στο μεγάλο αυτό πλήθος δεδομένων που είναι διαθέσιμα, μπορεί να ανιχνευτεί η χρήσιμη πληροφορία, η γνώση, που απαιτείται έτσι ώστε να ληφθούν οι κατάλληλες αποφάσεις στον οποιοδήποτε τομέα. Ένας τομέας που συχνά απαιτείται η λήψη εύστοχων, έγκυρων και έγκαιρων αποφάσεων είναι η ασφάλιση. Το σύγχρονο κοινωνικοοικονομικό περιβάλλον απαιτεί την εξασφάλιση των προϋποθέσεων ανάκαμψης μετά από αστάθμητους παράγοντες. Αυτό το γεγονός στρέφει το καταναλωτικό κοινό και τους διάφορους οργανισμούς προς τον κλάδο των ασφαλειών. Η διαθεσιμότητα των σχετικών προγραμμάτων από διάφορες ασφαλιστικές εταιρείες είναι μεγάλη και οι ενδιαφερόμενοι που καλούνται να επιλέξουν τα καταλληλότερα ασφαλιστικά προϊόντα, πρέπει να επεξεργαστούν μεγάλο όγκο δεδομένων που συχνά είναι πολύ δύσκολο. Ικανοποιητική λύση στο πρόβλημα αυτό δίνουν οι μεθοδολογίες εξόρυξης ή ανακάλυψης γνώσης. Σε γενικές γραμμές οι μεθοδολογίες αυτές βασίζονται στην επεξεργασία μεγάλων συνόλων δεδομένων ώστε να είναι εφικτή η ανάπτυξη προτύπων που με τη σειρά τους μπορούν να χρησιμοποιηθούν στις διαδικασίες λήψης αποφάσεων. Στην παρούσα μελέτη, εξετάζεται ο τρόπος που μπορούν να χρησιμοποιηθούν μεγάλοι όγκοι δεδομένων σχετικών με την ασφαλιστική αγορά των Ηνωμένων Πολιτειών Αμερικής και ειδικότερα του κλάδου των ασφαλίσεων υγείας. Επίσης, η εύρεση συσχετίσεων μεταξύ διαφόρων χαρακτηριστικών ασφαλιζομένων και ασφαλίσεων καθώς και η δημιουργία των κατάλληλων προβλεπτικών μοντέλων, μέσω των οποίων προτείνεται το καταλληλότερο ασφαλιστικό προϊόν για κάθε υποψήφιο ασφαλισμένο, ανάλογα με τις ανάγκες και τα χαρακτηριστικά του. Το γενικό συμπέρασμα που προκύπτει είναι ότι η εξόρυξη γνώσης και ειδικότερα οι μηχανισμοί της μηχανικής μάθησης, μπορούν να δώσουν σημαντικές και αξιόπιστες λύσεις.
In modern times the internet is flooded with a large volume of data, covering various sectors. The question that arises is whether in this large amount of data that is available, the useful information, the knowledge, that is required in order to make the appropriate decisions in any field, can be traced.One area that often requires accurate, valid and timely decisions is insurance. The modern socio-economic environment requires the provision of the conditions for recovery after unbalanced factors. This fact turns the consumer public and the various organizations towards the insurance industry. The availability of relevant programs from various insurance companies is high and those interested in choosing the most suitable insurance products, have to process a large amount of data which is often very difficult. Knowledge mining or discovery methodologies provide a satisfactory solution to this problem. In general, these methodologies are based on the processing of large data sets to enable the development of standards that in turn can be used in decision-making processes.
This study examines how large volumes of data related to the insurance market in the United States and in particular to the health insurance industry can be used. Also, finding correlations between different characteristics of policyholders and insurances as well as the creation of appropriate predictive models, through which the most appropriate insurance product is proposed for each candidate insured, depending on his needs and characteristics.The general conclusion that emerges is that knowledge mining, and in particular the mechanisms of machine learning, can provide important and reliable solutions.
Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.
Κύρια Αρχεία Διατριβής
ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΜΟΝΤΕΛΑ ΠΡΟΒΛΕΨΗΣ ΣΤΗΝ ΑΣΦΑΛΙΣΤΙΚΗ ΑΓΟΡΑ Περιγραφή: 131039 ΣΑΜΑΡΑ ΘΩΜΑΗ.pdf (pdf)
Book Reader Πληροφορίες: ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΜΟΝΤΕΛΑ ΠΡΟΒΛΕΨΗΣ ΣΤΗΝ ΑΣΦΑΛΙΣΤΙΚΗ ΑΓΟΡΑ Μέγεθος: 3.5 MB
ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ ΚΑΙ ΜΟΝΤΕΛΑ ΠΡΟΒΛΕΨΗΣ ΣΤΗΝ ΑΣΦΑΛΙΣΤΙΚΗ ΑΓΟΡΑ - Identifier: 160287
Internal display of the 160287 entity interconnections (Node labels correspond to identifiers)