دوره 6، شماره 4 - ( زمستان 1402 )
جلد 6 شماره 4 صفحات 287-280 |
برگشت به فهرست نسخه ها
Ethics code: IR.TUMS.SPH.REC.1399.153
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Daroudi R, Jaafaripooyan E, Golzar H. Identifying of Pattern Outpatient visit of insured person with Data Mining Techniques: Case Study of Health Insurance in Bushehr Province. Iran J Health Insur 2024; 6 (4) :280-287
URL: http://journal.ihio.gov.ir/article-1-290-fa.html
URL: http://journal.ihio.gov.ir/article-1-290-fa.html
درودی رجبعلی، جعفری‌پویان ابراهیم، گلزار هوشنگ. شناسایی الگوی رفتار بیمه‌شدگان در مراجعات سرپایی با تکنیک‌های داده کاوی: مطالعه موردی بیمه سلامت استان بوشهر. بیمه سلامت ایران. 1402; 6 (4) :280-287
رجبعلی درودی1 
، ابراهیم جعفری‌پویان2 ، هوشنگ گلزار* 3
، ابراهیم جعفری‌پویان2 ، هوشنگ گلزار* 3
1- مرکز ملی تحقیقات بیمه سلامت، تهران، ایران
2- گروه مدیریت، سیاست‌گذاری و اقتصاد سلامت، دانشکده بهداشت، دانشگاه علوم پزشکی تهران، تهران، ایران
3- مرکز ملی تحقیقات بیمه سلامت، تهران، ایران ،golzarbs@gmail.com
2- گروه مدیریت، سیاست‌گذاری و اقتصاد سلامت، دانشکده بهداشت، دانشگاه علوم پزشکی تهران، تهران، ایران
3- مرکز ملی تحقیقات بیمه سلامت، تهران، ایران ،
چکیده: (229 مشاهده)
مقدمه: با ظهور چالش‌های جدید این صنعت، تلاش برای یافتن راهکارهای نوین جهت بهبود کیفیت خدمات، مدیریت بهینه منابع، و افزایش رضایت بیمه‌شدگان اهمیت بیشتری پیدا کرده است. یکی از رویکردهای مهم در بهبود این حوزه، استفاده از تکنیک‌های داده‌کاوی به منظور شناسایی الگوهای رفتاری بیمه‌شدگان در مراجعات سرپایی به موسسات تشخیصی و درمانی می‌باشد.
روش بررسی: مطالعه حاضر از نوع توصیفی- مقطعی بوده و مجموعه داده‌های آن متعلق به اداره کل بیمه سلامت استان بوشهر است. پس از آماده‌سازی داده‌ها، تحلیل با استفاده از نرم‌افزار SPSS Clementine۱۲.۰ انجام گردید. برای مدل‌سازی الگوریتم K-means در دو حالت جمعیت شناختی و مبتنی بر (Recency-Frequency- Monetary)RFM شامل مقادیر زمان شروع بیمه، تعداد دفعات مراجعه و ارزش نوع بیمه اجرا شد تا ارتباط بین متغیرهای مختلف بدست آید. نمونه‌گیری با روش سرشماری انجام گردید. جامعه آماری شامل اطلاعات کلیه مراجعات سرپایی بیمه شدگان تحت پوشش بیمه سلامت استان بوشهر به تعداد ۱,۴۲۰,۵۷۹ مراجعه در سال ۱۳۹۷ به مراکز تشخیصی درمانی است که با مراجعه مستقیم پژوهشگر به بانک اطلاعاتی اسناد پزشکی تهیه گردیده است.
یافته‌ها: مقدار شاخص ریشه میانگین مربع انحراف از معیار برای خوشه بندی مبتنی برRFM و جمعیت شناسی به ترتیب ۲۱ و ۲۱.۶۵ است. و شاخص دان (Dunn) بهتر بودن خوشه بندی مبتنی بر RFM را تأیید کرد. الگوریتم K-Means مبتنی RFM، داده‌ها را در ۴ خوشه قرار داد به طوریکه ۴۴ درصد بیمه شدگان در خوشه یک، ۴ درصد در خوشه دو، ۲۲ درصد در خوشه سه و ۳۰ درصد در خوشه چهار قرار گرفتند. بر این اساس بیمه‌شدگان خوشه ۲ شامل زنان دارای بیمه سایر اقشار با ۴ درصد جمعیت به‌عنوان پرمراجعه‌ترین و خوشه ۳ شامل زنان دارای بیمه روستایی با ۲۲درصد جمعیت کم مراجعه ترین بیمه‌شدگان مشخص گردیدند.
نتیجه‌گیری: مدل بدست آمده بیمه‌شدگان را در ۴ خوشه قرارداد. این تحلیل به سازمان این امکان را می‌دهد که الگوهای مراجعه برای هر یک از این خوشه‌ها را نسبت به متغیرهای سن، جنسیت و نوع بیمه شناسایی نماید. نقطه قابل بهبود در این حیطه حفظ منافع بیمه شدگان و ارائه خدمات شایسته و درخور برای هر خوشه است. نتایج نهائی حاصل شده نشان‌دهنده وجود الگوهای مطلوب به‌عنوان یک ابزارتصمیم گیری مناسب جهت افزایش رضایت‌مندی بیمه‌شدگان در سازمان مطرح می‌گردد.
روش بررسی: مطالعه حاضر از نوع توصیفی- مقطعی بوده و مجموعه داده‌های آن متعلق به اداره کل بیمه سلامت استان بوشهر است. پس از آماده‌سازی داده‌ها، تحلیل با استفاده از نرم‌افزار SPSS Clementine۱۲.۰ انجام گردید. برای مدل‌سازی الگوریتم K-means در دو حالت جمعیت شناختی و مبتنی بر (Recency-Frequency- Monetary)RFM شامل مقادیر زمان شروع بیمه، تعداد دفعات مراجعه و ارزش نوع بیمه اجرا شد تا ارتباط بین متغیرهای مختلف بدست آید. نمونه‌گیری با روش سرشماری انجام گردید. جامعه آماری شامل اطلاعات کلیه مراجعات سرپایی بیمه شدگان تحت پوشش بیمه سلامت استان بوشهر به تعداد ۱,۴۲۰,۵۷۹ مراجعه در سال ۱۳۹۷ به مراکز تشخیصی درمانی است که با مراجعه مستقیم پژوهشگر به بانک اطلاعاتی اسناد پزشکی تهیه گردیده است.
یافته‌ها: مقدار شاخص ریشه میانگین مربع انحراف از معیار برای خوشه بندی مبتنی برRFM و جمعیت شناسی به ترتیب ۲۱ و ۲۱.۶۵ است. و شاخص دان (Dunn) بهتر بودن خوشه بندی مبتنی بر RFM را تأیید کرد. الگوریتم K-Means مبتنی RFM، داده‌ها را در ۴ خوشه قرار داد به طوریکه ۴۴ درصد بیمه شدگان در خوشه یک، ۴ درصد در خوشه دو، ۲۲ درصد در خوشه سه و ۳۰ درصد در خوشه چهار قرار گرفتند. بر این اساس بیمه‌شدگان خوشه ۲ شامل زنان دارای بیمه سایر اقشار با ۴ درصد جمعیت به‌عنوان پرمراجعه‌ترین و خوشه ۳ شامل زنان دارای بیمه روستایی با ۲۲درصد جمعیت کم مراجعه ترین بیمه‌شدگان مشخص گردیدند.
نتیجه‌گیری: مدل بدست آمده بیمه‌شدگان را در ۴ خوشه قرارداد. این تحلیل به سازمان این امکان را می‌دهد که الگوهای مراجعه برای هر یک از این خوشه‌ها را نسبت به متغیرهای سن، جنسیت و نوع بیمه شناسایی نماید. نقطه قابل بهبود در این حیطه حفظ منافع بیمه شدگان و ارائه خدمات شایسته و درخور برای هر خوشه است. نتایج نهائی حاصل شده نشان‌دهنده وجود الگوهای مطلوب به‌عنوان یک ابزارتصمیم گیری مناسب جهت افزایش رضایت‌مندی بیمه‌شدگان در سازمان مطرح می‌گردد.
نوع مطالعه: پژوهشي |
موضوع مقاله:
تخصصي
دریافت: 1402/6/6 | ویرایش نهایی: 1403/2/1 | پذیرش: 1402/10/24 | انتشار الکترونیک: 1402/11/11
دریافت: 1402/6/6 | ویرایش نهایی: 1403/2/1 | پذیرش: 1402/10/24 | انتشار الکترونیک: 1402/11/11
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
