p
 





 

  
   

|
 !    
î Principiile de gestiune a riscurilor
î Mutualizarea şi diversificarea riscurilor individuale
î În cadrul unei structuri se regrupează un număr mare de riscuri
independente unde asiguraţii fără sinistre vor finanţa prin compensaţie
pe cei cu sinistre
î Autoprotecţie şi autoasigurare
î Comportament spontan al agenţilor de reducere a probabilităţii de
producere a unui risc (auto-protecţie: sistem antifurt) sau de reducere a
gravităţii acesteia în cazul în care acesta se produce (asigurările auto:
centura de siguranţă)
î Repartiţia riscurilor
î Transferul unei părţi din risc către societăţile de reasigurare

 p      

î Asigurările tarifează un serviciu astăzi (încasarea primei) care va
avea mâine un cost aleator (indemnizaţia pentru sinistru): acesta se
numeşte       
î        perturbă necesitatea de a fi
rentabil pentru o companie de asigurări
î Pe parcursul unui ciclu financiar veniturile provin din tarificarea unui
risc viitor, în timp ce cheltuielile sunt legate de angajamente trecute
asupra unor riscuri actuale
î Simplul decalaj între tarificare şi indemnizare în jurul aceluiaşi risc face
ca activitatea de asigurări să fie dificilă

0
 p      
î Alte probleme specifice asigurărilor sunt legate de asimetria informaţiei
ce ameninţă rentabilitatea unei companii de asigurări:
î Antiselecţia:
î a propune toturor acelaşi contract va avea ca efect atragerea persoanelor cu risc
crescut; aceste riscuri crescute vor fi tarifate ca riscuri medii şi apoi sinistralitatea
totală va fi mai mare ca sinistralitatea medie prevăzută: va rezulta o problemă de
rentabilitate
î Ex: asigurarea de sănătate şi fumătorii

î Hazardul moral:
î Riscul suplimentar ce este creat de către un asigurat prin diminuarea prevenţiei în
raport cu riscul deorece este asiguratş această deresponsabilizare creşte
sinistralitatea aposterioară
î Ex: deţinerea unei asigurări CASCO totală va diminua grija conducătorului pentru
autoturismul său; asigurarea de sănătatea poate antrena un supraconsum de consultaţii
medicale º
 p      

î Soluţii ale problemelor de antiselecţie sau de hazard moral:

î Cererea directă de informaţii de la asigurat pentru a tarifa riscul cât mai
corect posibil:   
 
î [imitele segmentării: costul, probleme etice (sida, etc)
î Responsabilizarea asiguraţiilor cu privire la nivelul riscului
î principiul franşizei
î Acumularea de informaţii cu privire la riscul asiguratului pe parcursul
derulării contractului de asigurare
î Sistemul Bonus - Malus

D
 x 
  
 

  calculul a trei indici:

  Simplă şi operaţională unul pentru trecut, altul
  Acceptată de toată lumea pentru vânzări potenţiale şi
  Perenă în timp x 
 unul pentru ciclul vieţii
  Se bazează pe date disponibile,   utilizarea operaţională în
comparabile şi fiabile cadrul campaniilor

  scor de receptivitate
  scor de reziliere
  Panel de clienţi   modele pentru durata vieţii şi
  Studii diverse a ciclului de cumpărări
  cercetarea nişelor de clienţi
‰
   
  Î 
î Pentru ca o soluţie particulară de segmentare a pieţei să fie eficientă şi să
conducă la strategii de marketing profitabile, trebuie satisfăcute 6 criterii:
î |

  : segmentele trebuie să fie bine separate, să existe diferenţe clare
între acestea;
î

    segmentele identificate trebuie să conţină destul de multe unităţi pentru a
putea fi asigurate strategii de marketing specifice segmentelor;
î 0
 
   unităţile din segmente trebuie să fie accesibile prin publicitate sau
vânzări directe;
î º

  
între segmentele identificate nu trebuie să se producă schimbări majore;
î D
 
  
unităţile segmentelor identificate trebuie să răspundă unic eforturilor de
marketing specifice fiecărui segment;
î ‰

  
segmentele identificate trebuie să prevadă direcţiile eforturilor de
marketing.

*
   
  Î 

î atura şi calitatea segmentelor identificate depind de variabilele

folosite. 4 clase de variabile de segmentare pot fi distinse:
î |
 

 


 variabile demografice, variabile socio-
economice, etc.
î

 





  frecvenţa utilizării, loialitatea
consumatorilor, etc.
î 0
 

 


 variabile referitoare la stilul de viaţă etc.
î º
 





  beneficii, utilitate, preferinţe,
intenţii etc.

ë
 Principalele criterii de segmentare

î x
  î x
 

î Regiune î Úârstă: <6 ani, 6-11 ani, ...
î Sex
î Mediul: urban-rural,
centru-periferie î Dimensiunea familiei
î Statut familial
î Aglomeraţia populaţiei:
sub 2000 locuitori, 2000- î Úenit anual
4999, ... î Categorie socio-profesională
î Clima: oceanică- î ivel de educaţie
continentală, ... î Religie
î Rasă
î aţionalitate
î Clasă socială
§
 Principalele criterii de segmentare

î x

î Stil de viaţă: casnică, tânăr
intelectual dinamic,...
î Personalitate: autoritar,
introvertit, ambiţios
î x
 
 

î Cumpărător ocazional: cu ocazii speciale
sau cumpărăturile uzuale
î Motivarea cumpărătprului: economie,
comoditate, prestigiu
î Statutul utilizatorului: utilizator potenţial, ex-
utilizator, prim utilizator, utilizator regulat
î Rata utilizării: mic, mediu, mare utilizator
î Fidelitatea la marcă: nulă, medie, mare,
totală
î Atitudinea cu privire la produs: nu îl
cunoaşte, nu a auzit de el, ...
î Sensibilitatea la campaniile de marketing:
calitate, preţ, service, publicitate,
promovarea vânzărilor
|
 p
    


î După identificarea unei mulţimi de variabile potenţiale pentru

segmentare, este folosită o metodă de stratificare pentru identificarea
segmentelor. M. Wedel şi W.A. Kamakura* clasifică aceste metode în
patru categorii:
î |

 

: tabele de frecveţe;
î





analiza discriminantă;
î 0

 
   metode de clasificare, metode mixte;
î º

 
  metode de regresie logistică, CHAID, CART, metode
de regresie mixte sau cu clase latente.

·p   -  
 
 

 
  , Boston, MA: Kluwer
Academic Publishers, 1998 ||
 p !"# # x !!$ #  %p &!
$'     


î 
 


 
î Úariabilele folosite în analiză pentru identificarea segmentelor sunt numite bază de
segmentare.
î Includerea de variabile nesemnificative pentru segmentare, poate ascunde
structura segmentării. G. Milligan* a arătat că includerea chiar şi a unei singure
variabile nerelevante pentru segmentare poate reduce foarte mult şansele
determinării clusteri-lor.
î O problemă foarte importantă este şi alegerea numărului de variabile folosite într-o
analiză cluster:
î Un număr prea mare de variabile creşte probabilitatea includerii în analiză a unei variabile
nerelevante pentru segmentare.
î Un număr prea mic de variabile, poate să nu caracterizeze suficient cluster-ii.

·%p- a
  













 
a , Psychometrika, 45, 325-342, 1980
|

 p !"# # x !!$ #  %p &!

$'     


î   
!
 :

î Reducerea numărului de variabile prin tehnici speciale de analiza datelor,
cum ar fi analiza în componente principale sau analiza de corespondenţe
multiple.
î Atunci când în analiză există variabile măsurate pe scale diferite, apare
necesitatea definirii unei măsuri de similaritate între subiecţii caracterizaţi
de variabile cu niveluri diferite de măsurare. Pentru evitarea acestei
probleme, poate fi folosită o analiză de corespondenţe simplă sau
multiplă pentru transformarea variabilelor în variabile măsurate pe o scală
de raport şi aplicarea apoi a metodelor de clasificare.

|0
 p !"# # x !!$ #  %p &!
!'   

î !
 
 
  

î O problemă importantă care poate să apară este existenţa
valorilor lipsă sau aberante.
î În cazul în care, pentru o unitate statistică se înregistrează valori
lipsă pentru majoritatea variabilelor, aceasta este complet eliminată
din studiu.
î În cazul în care lipsesc un număr redus de valori, acestea sunt
înlocuite cu estimatori ai nonrăspunsurilor.

|º
 p !"# # x !!$ #  %p &!
!'   

î Se presupune că se observă 
indivizi, în raport cu " variabile: |#
#

$#
#
".
î Se notează cu $ valoarea variabilei $ pentru elementul , adică răspunsul
individului , % # la întrebarea $.

î În cazul în care matricea are valori lipsă, acestea sunt înlocuite cu valori
estimate
 £
î Înlocuirea valorilor incomplete poate fi făcută fie pentru fiecare valoare
în parte ±    &, fie pentru toate odată ±  
&.

|D
 p !"# # x !!$ #  %p &!
!'   

î ( înlocuirea tuturor valorilor lipsă ale întrebării $ cu media respondenţilor la

această întrebare:
| = , pentru >k s-rj.

 £

£
l

 £
£

î estimaţii cu o micşorare severă dar nereală a dispersiei şi deci a exactităţii

rezultatelor şi a preciziei.
î este uşor de aplicat, fiind adesea folosită în practică.

î '(înlocuirea tuturor valorilor lipsă ale întrebării $ cu media respondenţilor la

această întrebare pe clase. Eşantionul este împărţit în mai multe clase în
funcţie de o variabilă auxiliară corelată cu variabila pentru care se înregistrează
valorile lipsă. Pentru fiecare clasă se aplică prima metodă.
î un estimator cu o dispersie subevaluată, dar mai puţin ca în primul caz.
|‰
 p !"# # x !!$ #  %p &!
!'   

î (înlocuirea valorilor lipsă cu ajutorul unui model de regresie.

î Se construieşte un model de regresie al variabilei $ în funcţie de celelalte
variabile considerate în sondaj.
î Se iau în considerare variabilele corespunzătoare întrebărilor la care
individul  a răspuns. Atunci

 £ ´

 
       
   
unde  este funcţia de regresie.

î (metodele noi pentru înlocuirea valorilor lipsă sunt bazate pe arbori de

clasificare, în cazul variabilelor calitative sau arbori de regresie, în cazul
variabilelor continue. În ultimii ani au fost testate şi reţelele neurale
pentru atribuirea unor valori nonrăspunsurilor.
|*
 p !"# # x !!$ #  %p &!
!'   

î (înlocuirea valorilor lipsă cu valori alese dintre răspunsurile din

eşantionul studiat. În cazul în care individul  nu a răspuns la
întrebarea $, se alege un individ din mulţimea celor care au răspuns la
întrebarea $, numit , şi i se atribuie răspunsul acestuia.
î Donorul poate fi ales în funcţie de mai multe criterii:
î aleator, din mulţimea $;
î cel mai aproape individ, cu răspunsurile asemănătoare cu ale individului i, la
întrebările legate într-o anumită măsură de întrebarea $;
î cel mai apropiat individ, în raport cu o anumită distanţă.

î (înlocuirea valorilor lipsă cu valori alese din alte surse, cum ar fi

spre exemplu un sondaj anterior. Se procedează ca şi în cazul
anterior.
|ë
 p !"# # x !!$ #  %p &!

)  ' 

î În analiza datelor, în general datele se standardizează. Ele se transformă în

variabile de medie zero şi varianţă 1, prin scăderea mediei şi împărţirea la
abaterea medie pătratică, pentru fiecare unitate statistică. Această operaţie
se face înainte de începerea analizei, pentru a putea compara variabile
măsurate pe scale diferite, cu unităţi de măsură diferite.

î În cazul metodelor descriptive de segmentare, nu există diferenţe

substanţiale între rezultatele obţinute pe date standardizate în comparaţie cu
cele obţinute pe date nestandardizate, deoarece se folosesc similarităţi între
puncte, care în general se calculează din datele centrate. În cazul acestor
metode, nici nu se recomandă standardizarea datelor, exceptând cazurile
când există un motiv bine întemeiat pentru a o face, deoarece se pierde din
informaţie prin transformarea lor.

|§
 p !"# # x !!$ #  %p &!
p  
 
*  (

î După selectarea variabilelor ce urmează a fi folosite în studiu, pasul

următor este calculul similarităţilor între unităţi. Acestea pot fi calculate
folosind diverse măsuri: distanţe, coeficienţi de asociere, coeficienţi de
similaritate.

î O funcţie d Ô X
X Rî se numeşte 
 †, dacă

satisface următoarele proprietăţi:





  


†



  
 


†


  




      
u  

u
†

 p !"# # x !!$ #  %p &!

p  
 
*  (

î distanţa euclidiană: d  u

l 


  

î distanţa geometrică într-un spaţiu multidimensional;

pătratul distanţei euclidiene:   u

l   
 


î

î pentru a atribui progresiv ponderi mai mari unităţilor care sunt din ce în ce mai
diferite din punctul de vedere al caracteristicilor studiate.

î distanţa city-block (Manhattan):   u

l  



î dă aceleaşi rezultate ca şi distanţa euclidiană. Efectul elementelor atipice
(outliers), care se manifestă prin distanţe mari, este temperat.

î distanţa Cebîşev: d  u






î este folosită atunci când se doreşte definirea a doi indivizi ca fiind diferiţi între ei,
în condiţiile în care ei diferă pentru cel puţin o dimensiune
|
 p !"# # x !!$ #  %p &!
p  
 
*  (

î ^

  

' este o funcţie sÔ X
X Rî cu proprietăţile:


s

s
 > 


X




> 


X


s
u > 

X , adică nu există un individ mai asemănător ca el însuşi.

î ^

   

' este o funcţie d Ô X
X Rî cu proprietăţile:


d

d
 > 

X

d


> 

X

d 

u >  X

î Evident orice distanţă este şi un indice de disimilaritate.

 p !"# # x !!$ #  %p &!

p  
 
*  (

î Dacă cei  indivizi sunt descrişi prin prezenţa sau absenţa a  caracteristici, fiecare cuplu
de indivizi (#)
este caracterizat de 4 numere:
î = numărul de caracteristici comune (pe care le posedă ambii indivizi);
î
= numărul de caracteristici posedate de primul individ din cuplu, dar nu şi de al doilea;
î  = numărul de caracteristici posedate de cel de-al doilea individ, dar nu şi de primul.
î  = numărul de caracteristici ce nu sunt posedate nici de unul, nici de celălalt individ.

î Pe baza acestor patru numere se construieşte tabelul de similaritate sau prin completare
în raport cu 1, cel de disimilaritate, utilizând diferiţi indici, ca de exemplu:


î 
*  :

î îà

î 
+ , : 


î î à


î 
-:

 
 à 


î 
. 
/
. :
0

 àd
 p !"# # x !!$ #  %p &!
p  
 
*  (

î Alegerea măsurii folosite pentru similaritatea dintre doi

indivizi se face în funcţie de tipul datelor:
î În cazul unor date numerice, măsurate pe o scală de interval
sau de raport, se va folosi un tip de distanţă.
î În cazul unor date măsurate pe o scală nominală sau ordinală,
în general se folosesc măsuri de similaritate sau disimilaritate.
î Dacă datele sunt binare, atunci se vor folosi indicii Jaccard,
Czekanowski, Ochicii, Russel şi Rao.

º
 p !"# # x !!$ #  %p &!
  

î a

   urmăresc sintetizarea datelor, prin gruparea în clase a

indivizilor, în aşa fel încât indivizii aparţinând aceleiaşi clase să fie cât mai
asemănători între ei (similari) din punctul de vedere al caracteristicilor
studiate, iar indivizii din clase diferite să fie cât mai deosebiţi.
î Din perspectiva utilizatorului, procedurile de segmentare pot fi clasificate în
următoarele familii de metode de clasificare:
î metode ierarhice,
î metode iterative neierarhice de partiţionare,
î metode factoriale.
î În practică, în cazul volumelor de date reduse, sunt aplicate adesea, întâi
metode de clasificare ierarhice, pentru determinarea numărului de clase în
care pot fi împărţiţi indivizii, iar pentru descrierea claselor sunt folosite metode
neierarhice sau metode factoriale. Metodele ierarhice de clasificare nu sunt
eficiente în cazul bazelor de date mari.
D
 & 
 

  
    

  
   
    
     
 
  
    
 

       

‰
& 
 


 
   

   

      
  !" !#$    $