蔣韜：大數據和人工智能在保險行業的應用及展望

 

當前，保險業的需求在朝著多樣化、個性化方向發展，大數據和人工智能等先進的科技成為保險發展內在要求和新的驅動力。

近年來，隨著中國經濟的高速發展，人們的衣食住行方式都發生著重大變化，伴隨生活水平的提高，人們的需求層次也在逐漸提高，各類需求朝著個性化方向發展。在此背景下，保險的需求也在朝著多樣化、個性化方向發展，相對應的保險行業傳統的產品驅動模式必將朝著定制化、智能化方向發展，這對保險行業而言即是機遇又是挑戰。

機遇主要是變革帶來了很多新的場景以及新的保險需求，挑戰主要是保險風險特徵越來越複雜多樣，風險的傳播速度也加快。這就要求保險行業要抓住機遇，發揮經濟“助推器”和“穩定器”的作用。同時，又要以新思維、新技術來加強對風險的控制。

而與此同時，保險業自身也處在發展和變革的過程中，隨著“償二代”的實施，對保險公司的風險管理提出了更高的要求，而在業務發展層面，傳統業務中車險、壽險，大保險公司依靠規模效用來攤薄經營成本。中小保險公司在傳統業務領域很難與大型保險公司抗衡，必須通過模式創新、產品創新、服務創新等方式走創新發展的道路。於是，大數據和人工智能等先進的科技成為保險發展的內在要求和新的驅動力。

在移動互聯、客戶細分、消費升級的共同作用下，大數據和人工智能已經成為保險公司捕捉未來成功的關鍵。從一張保單的生命週期來看，投保、核保、運營、理賠等幾個環節都與大數據和人工智能密不可分。

關於投保，隨著社會的發展、技術的進步，投保的方式越來越注重便捷和效率，網上的投保和支付比重越來越大。而在互聯網上存在大量的黑客惡意攻擊、盜卡盜刷、薅羊毛等欺詐風險，如果對這些風險不加以防範，保險公司的系統就有可能遭到攻擊癱瘓、客戶賬戶資金受到損失，客戶信息遭到洩露，保險公司營銷成本被一掃而空，這種情況下對保險公司的技術要求、安全要求也就越來越高。互聯網的黑產呈現的特點是專業化、全網流竄化、傳播高速化。為了防範這些黑產的攻擊，第一需要專業的技術工具，比如像設備指紋、IP畫像、機器行為識別；第二是建立聯防聯控的機制；第三是搭建風險模型。

其次是核保，此階段需要對投保人的不良信息進行篩查，對有過欺詐或失信行為的人加以拒保。另外可以訓練風險定價模型，對於高風險客戶通過提高保費增加欺詐或逆選擇客戶的成本。

對於運營，這個階段會存在客戶回訪的環節，如果用傳統的人工撥打電話的方式，成本太高，可以通過智能語音外呼的方式，根據客戶的不同情況以及不同的手機在網狀態選擇撥打方式及話術。

最後是理賠，這個階段涉及標的（車、房、企業、貨物等）狀況，案件所涉及的相關人員的信用狀況、經濟狀況、行為偏好、位置軌跡、關係圖譜等方方面面的信息。單純的公司內部數據已經無法滿足車險反欺詐的要求，所以必須要對行業內、外部數據做融合，結合這些數據再進行模型訓練，通過模型的方式篩查出疑似欺詐的高風險案件，再進行重點審核和調查。

據了解，在整個互聯網場景裡，目前意外險、健康險佔有很大的比重，並且健康險還出現了一些爆款產品。但是在這些業務中，存在一部分逆選擇甚至欺詐或者道德風險，比如有些投保人，在申請單上填寫了高收入，但實際上卻相去甚遠，而且投保了高額的健康險，這就存在很大的欺詐嫌疑。對於這類行為，我們可以通過多維度不良信息篩查，在投保階段將其拒保，避免欺詐行為的發生。

當然，車險反欺詐是一個老生常談的話題，以前的小剮小蹭隨著費率改革報案量越來越少，但理賠滲漏或大額案件欺詐行為仍然是車險的一大頑疾。針對這類問題，從理賠層面可以使用複雜網絡的技術來做理賠反作弊分析，將案件相關人員之間的相互勾結進行篩查。另外，還可以將事後調查升級為事前防控，在核保階段就對一些高風險業務進行一些篩查，一旦發現這筆業務的相關人員涉嫌網絡欺詐、失信等行為將按照核保規則將其拒保。

在車險定價方面，在從車的因子的基礎上還可以增加從人、從駕駛行為、從位置軌蹟的定價因子，做更加精準的定價。在車險市場回歸理性的過程中，真正差別化、精準的定價必將成為一個趨勢，大數據分析可以發揮的作用會越來越大。

隨著很多線下場景搬到線上，關​​於非車財涉及的場景就非常豐富了，通過數據的融合可以把現實投保場景和虛擬場景結合起來，對於營銷的切入點的增加以及對風險的評估的全面性和準確性都會有很大的提升。

最後是壽險，雖然當前理財型產品的發展受到一些控制，但這部分業務仍然處於較快發展過程中。其實，之所以要對理財型產品進行控制，主要也是為了讓客戶的實際需求和理財類產品不同的風險狀況得到更好的匹配，否則會積累大量的投資風險，對金融穩定性造成不良影響。為此，我們對理財型產品的營銷需要做到精準化，而不是通過過度推銷積累風險。要進行精準化的營銷，首先要對客戶做一個多維度、全息的畫像。通過對客戶的收入狀況、行為偏好、風險偏好、風險承受能力等維度的分析，給客戶推薦更適合的壽險理財型產品。其次，由於壽險產品相對複雜，從客戶最初接觸到最終成單往往需要不斷得溝通，如何提高溝通效率並且降低成本是我們需要考慮的重要問題，在溝通方式上，可以採取智能外呼、智能投顧機器人的方式，提高效率且降低成本的同時，還能避免人工情緒化的弱點，降低服務門檻。

對於保險行業來講，從大數據和人工智能兩個方面需要關注兩個融合，首先是行業的融合，其次是數據的融合。

行業的融合具體指，怎麼能把保險行業跟大數據和人工智能行業實現有效的融合，這裡對保險公司提出了一個挑戰，我們怎麼樣能夠利用大數據，以及人工智能的技術，來促進業務的增長。不管是從反欺詐風險防控方面，還是從精準營銷獲客方面，這對保險公司來說，在行業融合裡都有很大的挑戰。

第一，大數據等科技型公司在保險行業做大數據和人工智能，需要對保險行業有極深的了解，即行業洞察，需要知道保險公司的發展戰略是什麼，他們的挑戰是什麼，他們的痛點在哪裡；

第二，有了行業的洞察之後，還要有針對行業的算法，大數據分析專家需要知道用什麼樣的模型算法來解決保險公司的問題；

第三是數據，這個是實施大數據和人工智能的基礎，有這樣的數據之後，才能有相應的模型、算法來解決保險公司遇到的情況；

第四是團隊，實施大數據和人工智能，對團隊要求的特質，主要是應對前面三方面挑戰的能力，需要既能洞察行業及業務情況，又能利用大數據等技術手段解決行業的難點痛點的綜合型的人才。

數據融合，保險公司的數據怎麼樣能夠跟大數據、人工智能的創業公司實現有效的融合，才能夠創造出1+1大於2，甚至大於3這樣的有效動能，來驅動保險公司業務的發展。比如，保險公司有自己體系內大量客戶的數據，但是如果有一個新的客戶來的時候，怎麼樣能夠有效地知道這個客戶的風險，怎麼樣勾勒出這個用戶的畫像，來更好地實現銷售。比如，既有的客戶在互聯網裡，在其他保險公司裡，在互聯網金融裡有什麼樣的行為，有什麼樣的特質，多維度的畫像是怎麼樣的，怎麼樣對既有的客戶實現沉默客戶的激活，來達到我們增加保費的目的。

綜上，從整個保險行業來看有兩個融合，一是行業的融合，也就是保險公司跟大數據、人工智能創業公司的融合；二是數據的融合，保險公司內部對外部的數據，以及創業公司數據的融合。

當前，我們正從一個時代進入另一個時代，因此，面臨的不再是一種“週期性”的變化，而是“坐標系”的轉換，“今非昔比”和沒有“公約數”將成為重要特徵。幾乎每一個行業需要回答的一個問題是：如何面對未來？保險行業也不例外。

首先是機器學習，這是一門研究計算機模擬或實現人類的學習方法，深度學習、無監督模型是機器學習中的一些方法和形式。著名的AlphaGo就是使用深度學習打敗人類思考的典型案例，其最大的優點是，在博弈的過程中可以實現根據對手的情況不斷自我學習。在實際保險業務中，市場情況變化越來越快，尤其在反欺詐領域，道高一尺、魔高一丈，我們與欺詐分子會展開不斷的博弈，模型修正和調優的周期非常短，通過機器學習的方式可以有效解決高頻業務的風險控制。除此之外，智能投顧、機器人客服也是可以用機器學習的方法，通過與客戶溝通交流的過程不斷學習、修正模型，達到靈活服務的目的。

其次是區塊鏈技術，在比特幣盛行的過程中引人關注。在以往的業務、交易系統的架構中，往往採取的是數據集中的方式，但這樣會產生很多作弊、系統攻擊、信息洩露等問題，尤其是在黑客攻擊技術增強，數據變得越來越敏感的時代，信息、數據的傳輸和融合變得很艱難。而區塊鏈技術可以既做到數據共享，又避免因為數據集中造成的作弊、洩露等問題。比如在意外險反欺詐領域，會出現投保人在多平台惡意投保的情況，通過區塊鏈技術可以實現多平台投保查詢的功能，杜絕以往多平台、高保額欺詐案件的發生。

目前，大數據以及人工智能行業幫助保險公司業務發展前景非常廣闊，抓住黃金機遇期成為保險公司實現突圍的關鍵。同時，挑戰與機遇並存，最大的挑戰就是如何打破數據孤島，這也是前面提到的行業融合及數據融合最關鍵的部分，也就是說如果大數據及人工智能能夠驅動我們保險公司的發展，一定要打破公司與公司之間數據的孤島，一定要打破保險行業跟其他行業之間的數據孤島，一定要整合保險行業的整個行業資源，加上大數據和人工智能創業公司的模型、算法以及技術資源，實現數據和能力的整合，打破數據孤島之後才能夠真正實施大數據及人工智能戰略，才能夠讓保險公司借助所有行業的融合，以及創業公司的人才、技術等各方面的優勢，促進整個業務的發展。

本文刊發於《清華金融評論》2017年12月刊

 

End.