今天小麦继续“蝶变-Smartbi2018大数据分析峰会”北京站分享。

此次是由中科软数据专家张东带来的主题演讲。

话不多说，演讲内容分享开始：

各位来宾下午好，我是中科软科技的张东，很高兴能参加本次峰会，能有这次机会将我们在寿险行业的智能化场景应用给大家做一个分享。

智能化应用发展背景

在应用场景分享前，我想先和大家一起回顾一下商业智能的发展历程。

在这里我准备了两张图，从上面两张图上大家应该一眼就能看出来，这是目前智能应用的两大核心技术，大数据技术及人工智能技术。那么我们可以回想一下在这两个技术出现之前，我们的商业智能是什么样子的呢，是依靠传统数据库构建的ODS、数据仓库以及数据集市，以及在数据模型之上建立的灵活报表、驾驶舱、趋势分析图表等展现应用，但是传统架构对于海量数据的计算存在瓶颈，使得我们驾驶舱、趋势分析等应用的时效至少需要T+1天甚至更长时间，导致管理层不能敏感的捕获到相关变化，这个问题在大数据计算相关技术的不断成熟后解决了，通过分布式计算、实时流计算、内存计算等手段我们可以将海量计算做到准实时，也就是T+15分钟;大数据技术解决了时效性问题后，还有一个问题，就是我们通过大量计算出来的结果还是需要相关人员进行判断决策的，人为判断就免不了依靠“经验+主观判断”，不同人看到相同的数据可能得到的判断是不一致的，如何解决这个问题，就依靠人工智能技术了，人工智能的深度学习技术已经能在特定场景下完成类似人脑的判断，屏蔽了人为判断的差异，使得商业智能真正智能化。所以我认为大数据技术及人工智能是目前智能化应用的核心灵魂。

智能建模方法论

在回顾了商业智能的发展历程之后，我们来看一下如何利用海量数据以及数学模型如何相结合来实现我们的智能应用。

上图展现的是我们如何利用海量数据建立选取合适的数学模型的方法论。智能模型建立的好坏也是智能化应用的根本。针对某一个领域建立数学模型有一个前提条件就是需要有一定规模的海量数据，只有有了海量数据供我们选取及训练相关数学模型，模型的判断结果才能更加准确，否则模型的准确率会非常低，达不到我们的期望。下面我们来简单看一下这个方法论，首先我们确定了智能应用的领域，并且在这个领域有大量的数据，我们使用70%的数据进行数据探索，在这个环节中我们利用我们的行业经验及领域经验找到我们所有能找到的相关因子，根据这些因子，我们去训练并选择我们的模型，经过训练选择后确定模型，然后我们利用剩下的30%数据来评估模型，评估通过后进行部署并对已有数据及新增数据进行判断，模型部署后需要在相关在应用层面监控模型运行情况我这里以客户评分模型举例说明，分析模型运行的数据，并将分析结果反馈形成一个闭环的、持续优化的流程。这个就是我们中科软模型创建的方法论，也是我们构建智能化应用的基础。

智能化应用场景分享

下面我来介绍一下我今天要给大家分享的寿险智能化应用场景的几个应用。

智能化应用的方向往简单了说其实就是对我们目前的业务做加法和减法，加法就是提高公司收益、提升效率、提高客户满意度等，减法就是降低公司风险。本次分析的相关加法的应用是精准营销及个性化产品定制，精准营销的目标是提升客户的转换率，让公司更高效的收取保费，产品个性化定制的目标是挺高客户满意度，提升客户粘度;减法的相关应用是智能风控及人员留任预警两个方面，智能风控是降低客户投保的不实告知、逆选择风险，降低公司损失，人员留任预警是降低人员流失对公司带来的影响，提前储备人力。

下面我分别详细的介绍一下每个应用。

精准营销模型—提高客户转化率

首先我们来看一下精准营销应用，精准营销应用应该是目前保险公司应用的比较多的一个方向，也相对的比较成熟。我先来介绍一下精准营销应用的技术架构，其实智能化应用的技术架构基本上一致，只是应用的模型、终端以及数据源不同而已。

从这架构图中可以看出我们利用大数据技术与传统技术相结合，将海量数据进行分析，最终将分析结果输入到营销评分模型中，根据这些输入，评分模型计算出高概率二次投保的客户清单反馈给客户销售管理平台，销售平台根据客户信息及评分与销售人员匹配，然后进行相关名单推送。这就是精准营销的一个基本技术框架。

介绍完技术框架之后，我们再来看一下整个业务环节的数据闭环。

从这张图中可以看出，所有的营销数据、客户行为数据，以及所有的相关数据都会汇总到客户营销管理管理平台，由平台中的营销模型进行分析，最终将分析后的客户名单、客户标签反馈给相关的互联网平台，由客户经理根据反馈信息进行相关营销。客户经理的二次营销数据还会通过数据闭环流回到营销管理平台，平台根据这些信息进行模型的优化，使得整个精准营销应用是一个持续改进的过程。

刚才我讲了，每个智能化应用都应该是一个持续优化、持续改进的过程，因此，我们需要建立一些相关的应用去管理和分析模型的实际运行效果。

在上图里能看到我们为了监控精准营销的实际效果。我们做了有：数据流向图、各省实际客户数据的地图展现、各环节转化率的漏斗图、各分公司名单使用情况、各分公司名单回收情况等。通过这些监控数据，可以更好的优化模型给出更好的结果，同时还可以继续将应用细分，为客户量大的分公司定制专属模型等优化改进。依据我们现在实施的经验来看，通过精准营销应用转化的客户二开的概率会比传统方式提高10个百分点以上。

上面的介绍就是我们在精准营销方面的一些经验及探索。下面我们来看下一个应用。

智能个性化产品—针对不同人群定制化产品

第二个介绍的智能化应用场景是个性化产品定制的一个场景。

如这张片子所示，个性化产品定制的核心是智能两核模型对于客户方面的价值体现。智能两核模型是由业务系统、智能算法服务以及医学保险规则三个方面功能组成的，利用深度学习技术将这三者有机的结合在一起形成的智能两核模型，这个模型对客户层面的价值在于可以根据不同客户进行个性化定价，享受，费率;定制化产品组合，使客户得到全面，的保障以及及时的理赔服务。我们在这几个场景下做了一个定制化产品应用的探索。

下面我们来看一下模型应用的场景，以及模型应用前后客户体验的差异有哪些。

在这张图的上半部分是模型实施之前的客户承保及理赔流程，对于医疗保障类产品当达到一定保额后，按照传统规则是要求客户进行体检的，体检过后还需要经过人工核保才能判断客户是否可以投保，同时在理赔阶段，保险公司也需要经过一定的调查才能进行理赔。这种传统的流程时效性差，且客户体验不佳。那么当我们有了智能两核模型以后，我们可以通过模型在一定程度上取代人工核保及核赔环节，以模型的计算结果为准，同时依据模型的计算结果我们可以提供进一步的优质服务，如免体检、费率的再次降低、享受一定赔付金额的实时赔付等。这是个性化定制产品应用的一个简单介绍。

智能风控—提高承保及理赔环节的效率及准确率

第三个是智能风控应用的介绍，智能风控应用的核心也是智能两核模型，刚才的个性化产品定制是讲的模型在客户层面的体现，智能风控就是模型在公司层面的体现。模型在公司层面的体现主要针对的是发现逆选择欺诈，降低风险这一部分;其余的精准定价、智能核保智能核赔更多的还是体现在刚才介绍的个性化产品定制应用上。

我们来看一下智能风控的应用场景，智能风控只要有两个环节的应用。首先是在新契约投保流程中，在自动核保及人工核保环节中嵌入不实告知风险监测，调用两核模型，实时监测客户的不实告知及逆选择倾向，降低人工工作量，同时将风险扼杀于事前;第二个是在理赔的核赔环节，在理赔审核及理赔调查环节嵌入智能两核模型，进行筛查，利用可抗辩期2年时效的保险规则，将已承保不实告知及逆选择倾向保单筛查出来，辅助案件的调查和审核。

这两个场景就是智能风控的应用场景。

从我们初步监控的效果来看，这个应用的效果其实还是比较显著的，在新契约环节，10万客户高风险预警200余例，其中5%最终确认为不实告知，涉及保额400多万;在理赔筛查环节70W客户，高风险客户700余例。初步确认35%的客户存在不实告知，涉及保额3000余万。

从这几个数字看这个应用的效果还是非常明显的。

人员留任预警—对各类员工划分离职等级，并对离职原因进行定量分析

下面我来介绍本次分享的，一个智能应用场景，人员留任预警。之所以有这个方向的智能化应用场景是随着保险业的蓬勃发展，新的保险公司越来越多的出现，但是保险人才的基数并不足以满足这么多新成立的保险公司的需求，那么就会出现同业挖角的现象，轻则部分业务员被挖走，重则整个营销团队被挖走。为了预警这样的情况，就设计了人员留任的智能化预测模型。整个模型的定位是支持人力资源管理工作、降低企业的人力成本及间接损失。模型的目标是分析人员离职倾向、提前做好人力规划;为员工划分离职等级，依据不同等级采取个性化措施。

人员留任预警这个应用，场景化不是很强，所以我这里就列出了我们一些成果物。第一幅图是我们的模型设计原理，依据多种数学模型的组合判断给出人员离职登记。第二幅图是，模型计算完毕后对评测人概况的一个展现，大家可以看到评测人概貌有三道线，其中两道虚线是安全线、预警线，实现是评测人的实际表现。人力资源人员可以根据这个概貌来进行判断。

第三幅图是评测人的实际得分及基本信息。第四幅图是人员离职概率的相关指标打分，指标可分为固定指标和可调指标两部分，同时也是有三条线表示安全线、预警线及实际线。

这就是人员留任预警的基本情况。

刚才我介绍了四个智能化场景应用的实际例子，其实这几个例子也还在不断的探索和优化，因为随着技术的不断发展，寿险行业的智能化应用也会不断的进化。

智能化应用场景——未来趋势

，我来讲一下我个人认为未来保险行业智能化的发展趋势。

如这张图所示，未来保险对于个人来说一定是无感化的。什么是无感化呢，就是我不需要费事费力的通过百度、咨询朋友或者询问代理人来咨询我买什么保险合适，应该买什么保险，这些烦恼统统交给人工智能了，未来个人只需要确认我需要在保险方面花费多少钱这么一个确认，剩下的人工智能就完全代劳。不需要知道我买了什么保险，哪家公司的、出险了如何赔付，怎么赔付等等麻烦事情，未来的保险一定会打通所有环节包括医院、诊所、交通监控等等环节。

如何做到这些呢，一个是可穿戴智能设备，可以随时将个人的实时身体状态上传给保险公司，而同医院、银行等环节的打通目前已经开始。未来区块链技术的应用进一步加强的保险的信用管理，不实告知、逆选择的情况会归零。

因此我个人认为未来保险行业的智能化发展一定是向无感化发展。

好了，今天我的寿险行业智能化应用场景的分享就结束了，再次感谢思迈特软件的邀请。