یکی از مسائل مهم در صنعت بیمه، شناخت فاکتورها و متغیرهایی است که برای پیش بینی احتمال و مقدار خسارت اهمیت دارند. هر چند برخی از این عوامل خطر واضحند اما روابط بین آن ها و نحوه تأثیر گذاری آن ها بر یکدیگر مشخص نیست. به طور کلی از نظر بیمه گر خطر انتخاب نامساعد، از امکان طبقه بندی نادرست ریسک یا طبقه بندی نادرست بیمه گذاران ناشی می شود. از آنجاییکه در بیمه حوادث انفرادی نیز مبنای تجزیه و تحلیل ریسک و نیز تعیین حق بیمه، مشاغل افراد در طبقات شغلی است بنابراین خطر طبقه بندی نادرست ریسک و بیمه گذاران می تواند منجر به زیان های مالی قابل توجهی برای شرکت های بیمه و یا حتی بیمه گذاران شود چرا که در صورت ارزیابی اشتباه میزان ریسک هر شغل و تخصیص آن به طبقه نامناسب، نرخ حق بیمه تعیین شده متناسب، منطقی و منصفانه نخواهد بود و نیز با نارضایتی بیمه گذاران، شرکت های بیمه متضرر خواهند شد. بنابراین فراوانی و شدت خسارات وارده می توانند به عنوان متغیر های تعیین کننده در شناسایی و طبقه بندی بهینه ریسک مشاغل و در نتیجه تعیین قیمت منطقی و واقعی بیمه نامه لحاظ شوند. پس از پیش پردازش داده های ثانویه جمع آوری شده از پایگاه داده شرکت بیمه دانا و ورود آنها در قالب 3 متغیر ارزیابی کننده خطر شغلی به شبکه عصبی som، و دست یابی به شمای کلی از خوشه بندی منتج از آن و نیز تعیین تعداد خوشه های بهینه بر مبنای شاخص سیلوئت، تفکیک خوشه های نهایی با استفاده از الگوریتم های مختلف k-means و twostep صورت پذیرفت. به طوری که سرانجام به قوانین دقیقی جهت توصیف خروجیهای الگوریتم های مذکور با accuracy به میزان 100% بر مبنای الگوریتم c5.0 دست یافتیم. به علت همپوشانی بالای خوشه ها، امکان تخصیص مشاغل به طبقات مختلف شغلی وجود نداشته و ارزیابی ریسک مشاغل، بر اساس فراوانی و شدت ریسک، منجر به تفکیک مشاغل در طبقات مختلف نمی شود. یعنی ارزیابی خطر، لزوماً تعیین کننده طبقه خطر شغلی خاصی نخواهد بود. ماهیت همبستگی بین 2 عامل طبقه خطر فعلی و میزان ضریب خسارت شغل نیز مبین عدم اعتبار ماهیت طبقات شغلی فعلی می باشد.