0
大數(shù)據(jù)和人工智能「撬動」保險數(shù)字化，從養(yǎng)老保險和財產(chǎn)保險的角度看過去，路徑或許大不相同。
近日，在上海舉行的外灘大會上，長江養(yǎng)老保險股份有限公司總經(jīng)理徐勇和中國大地財產(chǎn)保險股份有限公司總裁陳勇就各自講述了不同保險賽道中的技術應用之道。
徐勇表示，大數(shù)據(jù)在養(yǎng)老金資產(chǎn)管理中的應用實踐，主要集中在受托資產(chǎn)配置、投研資訊研究、投資經(jīng)理畫像等場景，對數(shù)字化建設的探索使得委托人和投資經(jīng)理的定位都更加清晰。
陳勇則分享了大數(shù)據(jù)和AI在保險定價、風控、營銷服務、理賠等重點環(huán)節(jié)的優(yōu)化細節(jié)，例如在技術加持下，進行網(wǎng)絡退運險等產(chǎn)品創(chuàng)新。
以下為徐勇和陳勇的全場演講，雷鋒網(wǎng)AI金融評論做了不改變原意的編輯如下：
徐勇：三大場景智能化，打破養(yǎng)老金資管困局
首先介紹一下長江養(yǎng)老：我們是中國太保集團旗下的養(yǎng)老金公司，2007年5月份成立，由11家央企和上海地方國資共同發(fā)起設立，定位是專注養(yǎng)老金保險主業(yè)，聚焦長期資金管理，服務三支柱的社會保障體系。目前已涵蓋政府養(yǎng)老金、單位養(yǎng)老金、個人養(yǎng)老金三大領域，擁有養(yǎng)老金管理領域全牌照。截至2020年7月，其管理資產(chǎn)規(guī)模已突破1萬億。
長江養(yǎng)老目前擬定了1+2+3+N的戰(zhàn)略，以客戶為中心，通過數(shù)據(jù)和留存兩輪驅(qū)動，建設面向客戶、合作伙伴和員工的數(shù)字化終端，并打造受托、投研、風控、運營等多方面的數(shù)字化能力。
近年來，我們結合業(yè)務場景在大數(shù)據(jù)、人工智能、區(qū)塊鏈等技術應用方面不斷探索和創(chuàng)新，涵蓋了智能支配、智能投研、智能風控、精準營銷、智能客戶等場景，加快生成以數(shù)字化科技驅(qū)動為主的養(yǎng)老金管理模式發(fā)展的新模式，助推養(yǎng)老資產(chǎn)管理能夠?qū)崿F(xiàn)高質(zhì)量的持續(xù)健康發(fā)展。
2020年，我們持續(xù)推進進一步加強數(shù)字化科技對業(yè)務的賦能，重點是在受托資產(chǎn)配置、投研資訊研究、投資經(jīng)理畫像和績效考核等領域來進一步加大探索和運用，建設了智能受托、智能投研、智能績效管理多個平臺。這次我們也來分享在長江養(yǎng)老探索數(shù)字化建設的過程中，具體的三個應用場景。
這個應用有它特殊的背景，因為年金基金是我們國家社會養(yǎng)老保障體系重要組成部分，在這個管理模式當中，作為受托人的我們，處在核心的管理位置，承擔了為受托人實現(xiàn)基金安全運營和保值增值的重大責任。
但現(xiàn)階段，國內(nèi)養(yǎng)老金資管行業(yè)普遍存在一些痛點：委托人對自己的管理目標其實不清晰，或者說他難以用量化手段來進行清晰描述。比如受托人對委托人的風險，收益的特征怎么樣加以量化，更清晰地來運用到管理工作上去。
又比如不同的委托人，資產(chǎn)配置需求應該是多樣化，過去的方法和手段面對現(xiàn)在的委托人，個性化需求不斷增強和豐富的前景下，很難匹配；投保人的風格也比較難量化和精準識別——管理投保人也是我們受托人的工作責任之一。
同時，國內(nèi)養(yǎng)老金資管行業(yè)規(guī)模快速增長，專業(yè)化管理要求和科技發(fā)展，這三種驅(qū)動因素相互疊加成一種巨大發(fā)展的推動力量。在行業(yè)高速發(fā)展的背景下，如何解決這樣一些痛點，客觀上成為行業(yè)關注焦點。
為此，我們結合自身受托業(yè)務的場景，探索將大數(shù)據(jù)和人工智能技術引入資產(chǎn)配置領域，通過人工智能的模型構建，大數(shù)據(jù)的回撤和專家經(jīng)驗相結合的方法，在第一期的研發(fā)當中成功驗證了新型支配模型的有效性。整體風險收益的特征表現(xiàn)良好，證明我們可以通過大數(shù)據(jù)和算法模型精準的量化和匹配委托人的資產(chǎn)配置需求，并結合市場數(shù)據(jù)進行動態(tài)調(diào)整，已經(jīng)獲得一定的超額投資收益。
我們知道，資本市場瞬息萬變，投資者需要通過對各類新聞海量信息進行收集、處理和分析，預測未來市場的走向，做出投資決策，因此咨詢信息對投資者風控有至關重要的價值，包括輔助投資者快速捕捉熱點事件和甄別投資機會，準確洞察企業(yè)關聯(lián)關系，及時獲取風險預警等多方面的體現(xiàn)。
但是在信息大爆炸的時代，咨詢數(shù)據(jù)的價值提取客觀上存在諸多的難點，比如數(shù)據(jù)來源分析，需要我們通過大量的時間和精力和資源去收集瀏覽和查詢。
其次，信息數(shù)據(jù)反映的事件往往是缺乏分類，重要的事件信息經(jīng)常被淹沒在信息海洋當中，錯看、漏看可能會導致我們不能夠及時識別風險，出現(xiàn)踩雷。
第三，全網(wǎng)數(shù)據(jù)量巨大，缺乏對信息整體概覽，使我們很難有效識別資產(chǎn)風險的分布狀況。
第四，多個信息背后往往存在事件關聯(lián)，在信息智能化整個水平不夠高的水平，往往憑投資者的經(jīng)驗去識別不同事件背后的關聯(lián)性，會難以發(fā)現(xiàn)潛在的企業(yè)關聯(lián)的風險。
我們結合大數(shù)據(jù)和人工智能技術給出了智能投研的解決方案，主要包括四個方面：
第一，我們建設了數(shù)據(jù)分析和訓練平臺，通過人工智能的算法可以對揭露的信息進行識別，快速篩選投資機會和風險信息。
第二，把內(nèi)部和外部海量資訊數(shù)據(jù)接入這個平臺，通過這個平臺可以對各類數(shù)據(jù)做全天候24小時的監(jiān)控，通過分類去從過濾，得到我們所關注的高價值信息。
第三，長江養(yǎng)老將以上的數(shù)據(jù)和算法平臺與我們的投資與分工的業(yè)務系統(tǒng)進行整合，結合場景可視化來展現(xiàn)全網(wǎng)整體的資訊情況，輔助投資人員通過全局視野實現(xiàn)投資熱點整體的掌控。
在整個系統(tǒng)建設過程當中通過大數(shù)據(jù)的處理建立企業(yè)知識圖譜，知識風險穿透發(fā)現(xiàn)潛在的企業(yè)關聯(lián)信息。這張圖就是我們整體的平臺架構，從下而上包括了數(shù)據(jù)層、技術服務層和咨詢應用層，整個架構融合了大數(shù)據(jù)、人工智能、自然語言處理和知識圖譜等多個技術，并和長江養(yǎng)老具體的投研風控的業(yè)務場景來緊密結合。
基于這樣一個平臺，我們構建了金融大數(shù)據(jù)平臺來全面采集海量數(shù)據(jù)，實現(xiàn)資訊自動精準分類，并可視化展現(xiàn)各類投資熱點，助力公司的投研風控團隊，全面準確快捷獲取資訊信息，甄別投資機會和識別風險事件。整體上，我們感覺依靠AI加數(shù)據(jù)的科技驅(qū)動，確實有效提升了科研的風控能力。
作為一家養(yǎng)老金資管公司，在當前市場態(tài)勢下，我們一直思考一個問題：如何沉淀和固化優(yōu)秀投資經(jīng)理的能力。
這也是行業(yè)面臨的普遍性的挑戰(zhàn)。我們認為對優(yōu)秀投資經(jīng)理的能力固化和沉淀，包括了如何評估投資經(jīng)理的投研和風控能力，包括如何洞察投資經(jīng)理的投資風格，包括如何對不同投資經(jīng)理進行績效考核和排名。這些問題也是養(yǎng)老金投資機構遇到的難題，很長時間沒有有效的手段去加以解決。
我們的管理方案，是對投資經(jīng)理既往數(shù)據(jù)進行挖掘和分析的績效評估量化，根據(jù)對投資經(jīng)理歷史數(shù)據(jù)，包括對管理規(guī)模7天收益基準持倉的分析計算，從多個方面描述投資經(jīng)理特點。
例如投資風格偏好，也可能是大盤加持，也可能是中盤，也可能小盤成長，行業(yè)的配置也可能白酒、家電、TMT軍工等各方面，當然也有個股選擇以及擇時能力、風控能力和歷史業(yè)績這樣一些因素。
通過多維度對投資經(jīng)理的標簽化，較為客觀準確的來刻畫投資經(jīng)理的個人經(jīng)驗、投資能力和歷史業(yè)績。
整體上通過對海量投資數(shù)據(jù)的采集、處理和分析運用，實現(xiàn)對投資經(jīng)理歷史業(yè)績的歸因和投資風格的洞察，幫助公司精準有效篩選投資經(jīng)理以及匹配管理的產(chǎn)品，并進行多維度的績效考核排名，實現(xiàn)體系化和規(guī)?；耐顿Y管理能力的提升。
我們也發(fā)現(xiàn)，當投資績效系統(tǒng)2.0版本上線以后，不管是公司經(jīng)營管理的分管投研的領導，還是投資部，包括所有投資經(jīng)理都非常頻繁使用。
客觀上投資經(jīng)理有自己的價值和風格，但是他有時候其實也未必自己能夠很準確把握和描述來表達他自己的偏好，所以他借助這樣一個系統(tǒng)其實也很大幫助他自己更好的來規(guī)劃歸因、總結和提升自己的投資問題，同時來豐富和優(yōu)化自己的投資風格。
陳勇：產(chǎn)品+營銷+流程+理賠的大數(shù)據(jù)創(chuàng)新應用
數(shù)字經(jīng)濟時代的變化正在重塑我們的保險行業(yè)，我們認為主要有以下四個方面：以客戶為中心，線上化的遷移，數(shù)字化的驅(qū)動，智能化的經(jīng)營。
新的趨勢將以客戶為中心逐步在打造線上化、數(shù)字化和智能化，通過科技驅(qū)動經(jīng)營。在新形勢下，新挑戰(zhàn)下，中國大地保險數(shù)字化應用主要聚焦在以下四個方面：
產(chǎn)品端，利用大數(shù)據(jù)進行產(chǎn)品的智能的設計，精準的定價以及風控。
營銷端，主要是基于客戶大數(shù)據(jù)客戶畫像，實現(xiàn)智能銷售與服務。
應用端，利用人工智能等科技提升公司的應用效率。
理賠端，理賠端是通過智能理賠提升客戶體驗和欺詐風險的識別能力。
通過大數(shù)據(jù)進行產(chǎn)品創(chuàng)新，我們有三架馬車并駕齊驅(qū)：
第一，與多家保險公司廣泛合作，借助相關領域的專業(yè)優(yōu)勢，研發(fā)我們的創(chuàng)新產(chǎn)品。
第二，通過大數(shù)據(jù)分析建模，實現(xiàn)精準的定價。
第三，引入各類的風險溯及，比如說像銀行征信，健康醫(yī)療、社?；ヂ?lián)網(wǎng)金融等多類溯及進行智能化的風控。
網(wǎng)絡退運險，是我們典型的大數(shù)據(jù)創(chuàng)新產(chǎn)品。2019年公司承保網(wǎng)絡退運數(shù)訂單數(shù)達到13億筆，日承保的峰值超過1億筆。這得益于三大能力：
第一，通過大數(shù)據(jù)來記錄和處理客戶、商家、帳戶終端設備退貨物流，覆蓋業(yè)務全生命周期海量溯及軌跡，實現(xiàn)了承保、理賠全流程的線上化的管控。
第二，通過機器學習，不斷完善C端客戶的用戶畫像，實現(xiàn)了千人千面的定價；同時對B端客戶，建立了商家逆選擇的風險模型，實現(xiàn)B端產(chǎn)品動態(tài)化的調(diào)節(jié)定價。
第三，建立自動核保核賠引擎，異?？蛻舻拿麊螏?，高風險客群等智能風險的模型，實現(xiàn)全方位的智能風控。
通過大數(shù)據(jù)分析，我們最大限度的來滿足客戶的需求，通過客戶畫像、客戶的偏好、客戶的行為分析以及價值貢獻實現(xiàn)客戶需求的精準推送。
在客戶洞察方面，我們建立了客戶畫像平臺，基于一千家客戶的特征，構建了200個以上的標簽，分析客戶支撐我們的銷售承保理賠等多項服務。
從實踐來看，精準的客戶畫像能夠有效提升銷售能力，為存量車險客戶實現(xiàn)1+N多產(chǎn)品的交叉銷售。
我們通過大數(shù)據(jù)構建了精準的推薦模型取得了良好的效果，例如通過車+財、車+人、車+X等在存量客戶中挖掘出具有高需求的人群，并進行精準的投放，這個銷售成功率和短線恢復率分別提升了60%和20%。
在客戶服務方面，大數(shù)據(jù)建模能夠支持精準的服務，提升客戶的黏性，識別客戶的服務偏好內(nèi)容，互動偏好的時間，進行精準投放，客戶的活躍力平均提高了20%。
近兩年我們不斷的擴大RPA技術在業(yè)務流程中的應用，實現(xiàn)業(yè)務流程自動化和智能化，主要是這三個場景：車險查詢檢索等前端；理賠對帳等財務共享中心；薪資審核發(fā)放等人力資源。
目前我們上線的機器人有30個，處理了97個流程，每月節(jié)約了人力超越了5千個小時，通過機器人大量減少了我們?nèi)肆Φ耐度搿?/p>
機器人也廣泛用于多個業(yè)務場景，比如客戶咨詢，通過機器人為客戶咨詢提供的服務累計超過400萬次。通過機器人的運用彌補人力不足，客戶服務也實現(xiàn)了標準化，提升了客戶的體驗感。
我們還搭建了圖像智能中臺，通過技術賦能業(yè)務的發(fā)展，比如說引入了OCR技術，提高了錄單的效率，錄單的時間現(xiàn)在縮短到2秒，利用圖像識別技術也減少了我們在人工分類以及檢查的工作量。采用人臉識別和生命技術，解決了客戶的身份認證等等問題。
通過對理賠數(shù)據(jù)的監(jiān)控，利用各種模型工具智能化實施，進行自動預警，業(yè)務干預，提供業(yè)務協(xié)調(diào)、調(diào)度、歸因分析進行業(yè)務決策和指揮。
我們搭建了基于客戶畫像的智慧理賠系統(tǒng)，支持客戶自主理賠，首先應用大數(shù)據(jù)、人工智能等技術對案件進行智能的分類，提升了對低風險的小額案件可以實現(xiàn)一件報案，一件索賠，一件視頻，一件理賠。
理賠手續(xù)也隨之簡化，從報案到拿到賠款的全流程可以縮短至25分鐘，做到讓數(shù)據(jù)多跑路，讓客戶少跑路、不跑路。
大數(shù)據(jù)的應用也有助于提升理賠端，特別是智能反欺詐的能力，我們做了諸多探索，也取得了一定的成效。
首先自建了人傷的數(shù)據(jù)庫，整合了車險和意健險（人身意外傷害險和健康險的綜合）的人傷信息，含十大智庫，數(shù)據(jù)覆蓋面達到85%以上。
其次，構建了基于神經(jīng)網(wǎng)絡的反欺詐系統(tǒng)，對模型高評分的案件進行實時的風險提醒，欺詐案件有效檢出率超過20%。
另外，利用社交網(wǎng)絡關聯(lián)的技術，我們自建了SNA反欺詐模型，進行團伙欺詐風險的識別，到目前為止所識別欺詐團伙累計超過300個。
大數(shù)據(jù)的保險應用，未來還有很多場景有待于繼續(xù)挖掘、細化和升級，像是基于客群的細分，產(chǎn)品的升級，基于客戶個人的需求精準服務，基于客戶銷售人員的精準畫像，對傳統(tǒng)渠道的賦能。
（雷鋒網(wǎng)）
雷鋒網(wǎng)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
