作者：

Alan O'Loughlin，律商聯(lián)訊風(fēng)險信息公司，保險業(yè)務(wù)分析總監(jiān)

John Beal，律商聯(lián)訊風(fēng)險信息公司，保險業(yè)務(wù)，分析高級副總裁

保險行業(yè)因為發(fā)展緩慢而被人詬病。但作為一個多年來一直處理著大量數(shù)據(jù)的行業(yè)，我們其實在數(shù)據(jù)、分析、人工智能（AI）和機器學(xué)習(xí)（ML）技術(shù)的應(yīng)用方面有一些重要的心得可供分享。

改善客戶體驗

我們知道，人們購買家庭財產(chǎn)保險的轉(zhuǎn)化率相當(dāng)?shù)停驗榭蛻粼谕侗v程中會遇到許多難以回答的問題。數(shù)據(jù)預(yù)填解決方案在改善客戶歷程所發(fā)揮的價值不容低估。最新的技術(shù)進展使得這個解決方案簡單得象一個“吃了激素的查詢引擎”，很難想象其中應(yīng)用了的大量建模、數(shù)據(jù)關(guān)聯(lián)、人工智能和機器學(xué)習(xí)技術(shù)，才能將那么多的數(shù)據(jù)整合起來并準(zhǔn)確地響應(yīng)對于人員和財產(chǎn)的查詢。結(jié)果是實現(xiàn)了更快速的家庭財產(chǎn)保險報價和更高的轉(zhuǎn)化率。可以想象，在諸如房屋貸款、醫(yī)療保健等行業(yè)中都可以應(yīng)用這些原則，幫助消費者更便利地達(dá)成所求。

數(shù)據(jù)爆炸的意義

如今，雖然爆炸性增長的大量數(shù)據(jù)被收集，但是其利用率卻極低，這是因為許多機構(gòu)沒有將各個部門的數(shù)據(jù)關(guān)聯(lián)起來形成統(tǒng)一客戶視圖的專業(yè)能力。為了克服這個問題，我們應(yīng)用專有的數(shù)據(jù)關(guān)聯(lián)技術(shù)，以及唯一標(biāo)識LexID^?技術(shù)，來解析、管理和匹配信息，成功地創(chuàng)建一個準(zhǔn)確完整的客戶視圖。

通過AI和ML分析解決方案轉(zhuǎn)變了保險公司使用數(shù)據(jù)的方式，依據(jù)風(fēng)險向他們的客戶提供價格合適的保費。保險行業(yè)現(xiàn)已可以使用數(shù)以千計的數(shù)據(jù)變量（或數(shù)據(jù)點）來建設(shè)差異化的定價模型。 

我們現(xiàn)在可以應(yīng)用機器學(xué)習(xí)算法來識別最具風(fēng)險細(xì)分能力的那些變量，例如：從統(tǒng)一客戶視圖數(shù)據(jù)中，我們發(fā)掘出了保單注銷歷史、保障空檔期等創(chuàng)新性的變量。這將促使保險公司制定更加精細(xì)的定價策略，篩選適合他們業(yè)務(wù)的風(fēng)險，從而更具有競爭力。

小步快跑

保險行業(yè)很好地踐行著“大處著想、小處著手”。現(xiàn)在，汽車保險市場已經(jīng)通過線上理賠和自助理賠改進了理賠流程。圖像識別技術(shù)被高效地用于自動定損、票據(jù)識別，在通過系統(tǒng)自動理賠審核后自動賠付。在提升效率、降低成本的同時改善用戶體驗。

接下來甚至可以將基于客戶投保歷史和詢價歷史的“可信度”評分納入到流程中來，以確保沒有受到“干擾”的數(shù)據(jù)，為自動化理賠流程提供額外的安全保障。

考慮在AI和ML項目和方案中更廣泛地使用數(shù)據(jù)

在汽車保險行業(yè)中，我們已經(jīng)能夠比原先設(shè)想的更廣泛地使用車聯(lián)網(wǎng)數(shù)據(jù)。利用這些數(shù)據(jù)，我們可以在報案環(huán)節(jié)占據(jù)主動，出險后在給消費者提供更好體驗的同時，掌握寶貴的事故現(xiàn)場信息。

在商業(yè)財產(chǎn)保險領(lǐng)域，AI可以為新分支機構(gòu)設(shè)立或企業(yè)搬遷時提供有價值的潛在目標(biāo)地址信息，比如人流量、犯罪率、特定年度時間點或其他增加風(fēng)險的當(dāng)?shù)厍闆r。

當(dāng)客戶收到這些信息時，他們?nèi)绻x擇了那個地址將能夠提前采取預(yù)防措施，從而降低風(fēng)險和損失成本，同時幫助改善客戶體驗和續(xù)保率。

了解高質(zhì)量數(shù)據(jù)對于AI和ML項目的重要性

俗話說，“種瓜得瓜，種豆得豆”。一個企業(yè)可能擁有大量數(shù)據(jù)，但除非對其進行清理和規(guī)范化，這些數(shù)據(jù)可能將毫無用處。我們并不能理所當(dāng)然地認(rèn)為我們找到了正確的那個約翰·史密斯（John Smith，一個常見的人名），并能夠?qū)⒚峙c正確的地址和出生日期關(guān)聯(lián)起來。

隨著UBI保險產(chǎn)品的演變，無論是通過后裝車聯(lián)網(wǎng)設(shè)備、智能手機應(yīng)用，網(wǎng)聯(lián)車輛，還是在未來通過智能家居獲取數(shù)據(jù)，最終這些數(shù)據(jù)都需要被聚集、規(guī)范化、和標(biāo)準(zhǔn)化之后，才能夠讓消費者享受到根據(jù)各自的需求和偏好選購保險產(chǎn)品的更好體驗。在汽車保險行業(yè)中，這個我們稱之為駕駛員DNA^?的車聯(lián)網(wǎng)駕駛行為評分可以被任何一家保險公司驗證和使用，從而使得消費者可以帶著他們自己的評分從一家保險公司到另一家保險公司去投保，就像無索賠折扣（NCD）一樣普遍適用。

圖像識別ML技術(shù)實時地為我們提供了英國道路限速數(shù)據(jù)。如果沒有這些數(shù)據(jù)，我們就不能信心十足地確定一位駕駛員是否在某個市區(qū)內(nèi)超速達(dá)到道路限速的兩倍，保險公司可以就此聯(lián)系該客戶并采取適當(dāng)?shù)拇胧?/span>

我們現(xiàn)在也在探索通過ML技術(shù)來實現(xiàn)汽車制造數(shù)據(jù)的規(guī)范化，從而能夠根據(jù)汽車安全裝置來為車險定價。

AI和ML為個性化服務(wù)帶來的好處

通過ML算法我們可以在企財、家財、車險等各保險業(yè)務(wù)條線中更好地進行風(fēng)險細(xì)分，制定差異化定價策略和個性化的報價流程。

個性化服務(wù)最明顯的例子之一是車聯(lián)網(wǎng)保險。通過駕駛行為數(shù)據(jù)，我們可以更清楚地了解某人在道路上的駕駛風(fēng)險。這個駕駛員將受益于僅支付基于其個人駕駛行為，而不是某一群人的平均駕駛行為，而確定的保費。

AI和ML可以幫助消費者更好地控制和應(yīng)用自身數(shù)據(jù)

也許在一切關(guān)于數(shù)據(jù)、AI和ML技術(shù)的討論中，最重要的是幫助消費者理解他們的數(shù)據(jù)是如何被應(yīng)用的，以及個人如何能夠從中受益。其中一項內(nèi)容是透明的知情許可管理。每次投保時，消費者都許可向保險公司提供基于其個人數(shù)據(jù)的最高質(zhì)量的信息，使得保險公司根據(jù)風(fēng)險準(zhǔn)確計算保費。在保險行業(yè)，我們比以往任何時候都更加注重讓消費者了解他們的數(shù)據(jù)如何以可控、可理解的方式被應(yīng)用和評估的。

車聯(lián)網(wǎng)駕駛行為數(shù)據(jù)在此也是一個很好的例子，客戶可以清晰地看到分享他們的實時位置數(shù)據(jù)所能帶來的好處。最后，另一個日趨常見的例子是，隨著物聯(lián)網(wǎng)（比如可穿戴技術(shù)等）的發(fā)展帶來的數(shù)據(jù)采集的便利，保險公司將能夠根據(jù)這些數(shù)據(jù)為健康和活躍的生活習(xí)慣提供保費優(yōu)惠。

盡管目前還沒有AI或ML技術(shù)來幫助我們教育消費者其自身數(shù)據(jù)所擁有的價值和益處，我們?nèi)詫⑹褂?/span>AI和ML來自動化處理消費者愿意分享的數(shù)據(jù)。

精勵聯(lián)訊點評：

利用人工智能和機器學(xué)習(xí)技術(shù)，高效合理地利用好數(shù)據(jù)，是中國保險行業(yè)共同面臨的挑戰(zhàn)。本文分享了律商聯(lián)訊在全球保險行業(yè)數(shù)據(jù)分析和應(yīng)用方面的經(jīng)驗，對中國保險行業(yè)具有很強的借鑒意義。

如果您需要進行與銷售有關(guān)的咨詢，請聯(lián)系我們service@genilex.com，或電話咨詢86  13910920342，我們的客戶參與團隊成員將與您取得聯(lián)系。