เพิ่มความลึกซึ้งในการทำ Customer Analytics ด้วย Actuarial Models

เพิ่มความลึกซึ้งในการทำ Customer Analytics ด้วย Actuarial Models

ในทางการตลาดการวิเคราะห์พฤติกรรมลูกค้าที่นิยมทำกันคือ การวิเคราะห์พฤติกรรมการซื้อสินค้าในอดีตของลูกค้าด้วย RFM Analysis สมมติว่า เราทำการวิเคราะห์พฤติกรรมของลูกค้าในระยะเวลา 1 เดือน ดังนั้น RFM ในที่นี้เป็นดังนี้ R (Recency) คือ ระยะเวลาที่ลูกค้าซื้อครั้งล่าสุดจนถึงปัจจุบัน F (Frequency) คือ จำนวนครั้งที่ลูกค้าซื้อใน 1 เดือน  และ M (Monetary) คือ จำนวนเงินที่ลูกค้าซื้อแต่ละครั้งใน 1 เดือน สำหรับลูกค้าแต่ละคนเมื่อนำค่า F คูณกับ M จะได้ยอดซื้อรวมของลูกค้าแต่ละคน (Total Revenue per Customer) ในรอบ 1 เดือน จากนั้นในการทำ Customer Analytics จะนำตัวแปรเหล่านี้ไปทำการวิเคราะห์แบ่งกลุ่มลูกค้า (Customer Segmentation) หรือนำตัวแปรเหล่านี้ไปใช้วิเคราะห์เชิงทำนาย (Predictive Analytics) ซึ่งมีบทความที่เขียนเกี่ยวกับเทคนิคนี้มากมาย แต่ท่านรู้หรือไม่ว่า สิ่งที่ไม่มีการอธิบายกันแพร่หลายแต่มีการเรียนการสอนสำหรับผู้ที่เรียนทางด้านวิทยาการประกันภัยและการบริหารความเสี่ยง (Actuarial Science and Risk Management) คือ ตัวแบบทางคณิตศาสตร์ประกันภัย (Actuarial Models) ที่จะช่วยเพิ่มความลึกซึ้งในการวิเคราะห์ RFM ให้มากขึ้น

ในวิทยาการประกันภัยและการบริหารความเสี่ยง จะมีการเรียนเกี่ยวกับการสร้างตัวแบบการวิเคราะห์ความถี่ (F: Frequency) และความรุนแรง (S: Severity) รวมทั้งผลคูณของ F และ S คือความสูญเสีย (L:Loss) เช่น การเก็บข้อมูลพฤติกรรมการเรียกร้องสินไหม (Claims) แต่ละกรมธรรม์จะมีการนำข้อมูลความถี่ (F) ในการเรียกร้องสินไหมแต่ละกรมธรรม์และการจ่ายเงินชดเชยค่าสินไหมแต่ละครั้ง (S) มาทำการวิเคราะห์และสร้างตัวแบบความสูญเสีย (L) ซึ่งสามารถนำตัวแบบทั้ง F, S และ L มาใช้ในการตัดสินใจเพื่อบริหารความเสี่ยง การตั้งสำรองเพื่อรองรับความเสี่ยง รวมทั้งการคำนวณหาอัตราเบี้ยประกันภัยที่ควรจะต้องจ่ายเพื่อให้ได้ความคุ้มครองตามที่กรมธรรม์กำหนดหรือตามที่ลูกค้าต้องการซื้อ ในการวิเคราะห์ F, S และ L ในทางวิทยาการประกันภัยจะมีการสร้างตัวแบบวิเคราะห์ลึกถึงการแจกแจงความน่าจะเป็น (Probability Distribution) ของตัวแปรทั้งหมดซึ่งทำให้สามารถวิเคราะห์ได้ลึกซึ้งมากกว่าเพียงการหาค่าเฉลี่ย (Mean) หรือค่าเบี่ยงเบนมาตรฐาน (Standard Deviation) 

จะเห็นว่า แทนที่จะมองในแง่ลบ ตัวแบบทางวิทยาการประกันภัยสามารถนำมาประยุกต์ใช้ในทางบวก คือ การวิเคราะห์ RFM ที่ใช้แพร่หลายกันในทางการตลาด แต่เป็นสิ่งที่ไม่ได้สอนกันมากในทางการตลาดเพราะ ตัวแบบทางวิทยาการประกันภัยมีการสอนกันในมหาวิทยาลัยของประเทศไทยน้อยมาก คณะสถิติประยุกต์ สถาบันบัณฑิตพัฒนบริหารศาสตร์ ได้เปิดสอนระดับปริญญาโท สาขาวิทยาการประกันภัยและการบริหารความเสี่ยง (Actuarial Science and Risk Management) มาแล้วมากกว่า 25 ปีี 

นอกจากการผลิตบุคลากรให้แก่บริษัทประกันภัยกว่า 100 บริษัทแล้ว ผู้ที่จบไปยังสามารถทำงานฝ่ายบริหารความเสี่ยงในบริษัทต่างๆ ปัจจุบันในยุคที่ทางการตลาดเน้นการใช้ข้อมูลมากขึ้น (Data-Driven Marketing) มากขึ้นจึงเป็นอีกทางเลือกหนึ่งในงานสำหรับผู้ที่เรียนรู้เกี่ยวกับตัวแบบวิทยาการประกันภัย (Actuarial Models) ในต่างประเทศมีการกล่าวถึงการพัฒนาบุคลากรที่สามารถทำการวิเคราะห์ได้นอกจากสาขาวิเคราะห์ (BA: Business Analytics) และวิทยาการข้อมูล (DS: Data Science) แล้ว อีกสาขาหนึ่งคือ วิทยาการข้อมูลทางประกันภัย (Actuarial Data Science) ซึ่งการเรียนทางด้านนี้จะเป็นการสร้างทรัพยากรบุคคลที่ต่างจาก BA และ DS ที่เปิดสอนหรืออบรมกันอยู่ทั่วไปในปัจจุบัน คราวหน้าจะอธิบายถึง การวิเคราะห์คุณค่าตลอดช่วงชีวิตของลูกค้า (CLV: Customer Lifetime Value) ซึ่งก็เป็นอีกหนึ่งเทคนิคที่ตัวแบบทางวิทยาการประกันภัยมีการสอนการวิเคราะห์ตัวแบบลักษณะนี้มานานแล้วและสามารถมองในเชิงบวกมาประยุกต์ใช้สร้างความลึกซี้งในการวิเคราะห์ CLV ให้มากขึ้นกว่าที่ทราบกันในทางการตลาดในปัจจุบัน

เขียนโดย:
ผศ.ดร.ปรีชา วิจิตรธรรมรส
  • ผู้อำนวยการหลักสูตรวิทยาศาสตรมหาบัณฑิต สาขาวิชาสถิติประยุกต์
  • อาจารย์ประจำสาขาวิชาวิทยาการประกันภัยและการบริหารความเสี่ยง
คณะสถิติประยุกต์
สถาบันบัณฑิตพัฒนบริหารศาสตร์

เปิดรับสมัครปริญญาโท ภาคพิเศษ

บัดนี้ - 25 กันยายน 2564
Share on facebook
Facebook
Share on twitter
Twitter
Share on linkedin
LinkedIn