| Studiju veids |
maģistra akadēmiskās studijas |
| Studiju programmas nosaukums |
Finanšu inženiermatemātika |
| Nosaukums |
Privāto klientu segmentēšana nedzīvības apdrošināšanā |
| Nosaukums angļu valodā |
Private Customer Segmentation in Non-life Insurance |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Boriss Siliverstovs |
| Recenzents |
Ilze Zariņa-Cīrule |
| Anotācija |
Maģistra darbā tiek izstrādāts algoritms privāto klientu segmentēšanai ne
dzīvības apdrošināšanā, izmantojot uzlabotas prognozēšanas metodes. Darba mērķis ir
izveidot algoritmu, kas balstoties uz uzņēmumā pieejamajiem klientu datiem, spēj
precīzi noteikt klienta kopējo riska līmeni un segmentēt klientus atbilstošās grupās.
Klienta atlīdzību pieteikumu skaita modelēšanas procesā tiek izmantoti vispārinātie
lineārie modeļi (GLM - Generalized linear model) ar Tweedie sadalījumu, kā arī
mašīnmācīšanās algoritmi XGBoost un CatBoost. Veikta datu ieguve, apstrāde,
izzinošā analīze un modeļu apmācība, kā arī to salīdzinājums, izmantojot dažādas
kvalitātes metrikas. Darba rezultātā izveidota datos balstīta, pielāgojama
segmentēšanas pieeja, izmantojot klasterizācijas algoritmus. Algoritma izstrāde ļaus
uzņēmumam efektīvāk pieņemt datos balstītus lēmumus cenu politikā un klientu
pārvaldībā. |
| Atslēgas vārdi |
klientu segmentēšana, ne dzīvības apdrošināšana, GLM, XGBoost, CatBoost, Tweedie, klasterizācijas algoritmi |
| Atslēgas vārdi angļu valodā |
customer segmentation, non-life insurance, GLM, XGBoost, CatBoost, Tweedie, clustering algorithms |
| Valoda |
lv |
| Gads |
2025 |
| Darba augšupielādes datums un laiks |
05.06.2025 12:09:49 |
