本文为大象保险大数据实验室负责人田立文先生在2020分子乌镇保险科技大会精彩演讲实录
在座的各位朋友大家下午好，首先感谢分子实验室和刘扬总的邀请。我是来自大象保险大数据实验室的田立文。今天想利用一个简短的时间跟在座的各位共同探讨一个话题：
如何用大数据工具来洞察和赋能保险？
大数据应用在保险领域到底还有哪些新意？
下一阶段的业务策略和发展方向是什么？
因为时间的原因没有办法展开来聊产品设计、精算、风控等，今天我们已经听了多个业内伙伴的专题介绍，今天跟各位重点探讨其中一个主要议题就是：大数据在营销、服务端的价值实践。营销和服务从来都是我们这个行业里最重要的工作，如何用大数据技术提升营销和服务的效率、品质，非常值得探讨。
当前线上线下融合的趋势越来越明显，传统代理人展业已经在大量使用互联网线上内容和工具，互联网保险的发展也进入了快车道，线上积累的数据越来越多。那么服务线上C端用户我们该怎么做？这是一个关于大数据应用的非常传统的应用路径，就是传统的4步法，包括大数据的存储汇聚，包括建立一个用户画像标签体系，进行机器学习分析建模，最后对模型进行应用，那么通过上面4大部分最终达到营销千人千面，达到提升销售转化的目的。
在大数据精确营销方面大象保险这两年也在持续探索，这里拿了一个示例，基于大数据进行用户购险倾向性预测，这是我们早期的一个数据模型示例。
在这个示例中：
第一阶段 进行大规模的数据汇聚
1）拼命做活线上业务，投放、拉新、促活、粘性、新场景、转化…产品及用户运营动作，第一方数据
2）跨界业务及数据合作，联合建模，第三方数据
第二阶段 用户画像标签体系
1）基础画像
2）标签预测分析
3）分群分类
4）长短期标签及权重衰减
第三阶段 机器学习、分析建模
1）聚类、回归、协同、朴素贝叶斯/贝叶斯网络、随机森林
2）深度学习DNN、CNN，集成模型XGBoost/LightGBM
3）文本分类、文本相似度、主题词聚类
第四阶段
模型应用：基于线上用户行为日志+用户基础属性信息，建模，预测用户购险倾向性：1）何时转化概率最高；2）转化的产品类型；3）转化金额
过程方法：
第一阶段：线性回归/朴素贝叶斯，精度不够；
第二阶段：DNN、集成模型XGBoost/LightGBM，
保险不是商品，保险不是流量生意，但保险是持续化、专业、贴身、可信的服务。在营销服务端，大数据技术发挥价值的空间是多维的、细碎的、持续的，数据积累从来都是致胜之本，要建立有粘性的、大规模的应用生态网络和场景，才有大数据发挥价值的空间。
面对C端用户，我们只能基于数据发现模型，在纷繁众多的各种应用场景中及时精准的扩大用户每一个需求的具象的需求点，不断的去满足我们用户每一个微小的需求，并且时常触达到用户的两点，这可能才是未来一段时间大数据发挥应用的一个正确的路径。
下面我们看一下用户发展成熟度路线图，以及每个阶段的痛点：
用户识别及分型：
被动型用户、学习型用户、专业型用户、冲动型用户，耳根软的传统大牌粉、不爱计划的普通人、思路清晰的奋斗青年、高知新贵
个性化推荐方法
-基于潜在兴趣的产品推荐、知识推荐、优惠等运营动作
-基于长短期兴趣的知识内容推荐、聚合
专业知识的智能化推荐，产品评测分析、产品对比、保障知识普及、基本概念，智能推荐，精准
-为中级用户提供完全个性化的家庭风险分析、输出报告、保障方案
-线上预核保工具，就是针对健康告知，完全从带病用户如何选产品角度出发，简单高效，满足需求
服务线上C端，大数据技术/工具不是原子弹、飞机、大炮，但却是遍布全价值链的星星之火，尤其保险+大健康结合的模式下，作用将无处不在。大数据技术在服务C端最大的特点就是：贴身，于细微处显身手，还能时常给用户创造点惊喜，让用户不知不觉进入到一个标准线上用户发展转化的路径上，这样，大数据也就成为了线上服务用户的最不可或缺的强大基石。
在当今数字化成为共识的情况下，代理人群体，对于数据的渴望比任何时代都要强烈。我们知道传统寿险领域，800万代理人是个险营销的绝对主力，寿险营销离不开代理人。另外，除了传统寿险，我们再看看互联网保险，从近几年互联网保险的发展趋势来看，线上化虽然是主流，但代理人或者线上顾问参与转化，代理人及顾问对于转化效能的提升，这些，也越来越成为各个险企模式竞争的根本点，大数据技术赋能代理人的客户营销及服务，一定是具有无限想象空间和生命力的。
这里，我们总结了三个要点，分别是：
第一，线上线下融合是主流：互联网及社交工具极大的改变了营销的方式，线上高效交流，线下成交，这已经成为了主流趋势。
第二、第三，A-C融合是制胜之道、大数据智能化工具是高精尖武器：
在这个过程中，平台如何赋能A端代理人做到与C端客户的充分融合和互动，A能够随时洞察C的需求时机，并且及时的提供各种贴身服务和帮助，大数据技术支撑下的A-C融合，是制胜之道。
接下来，我们重点看一下A-C融合的工作重点，当然，这也是这两年大象保险在打造新型寿险营销方面的一系列举措。
A-C融合
线上线下融合的服务模式下，A登录代理人平台，寻找发现和服务自己的C端用户；C登录C端用户APP或者公众号，寻求和使用各种保险服务。
所谓A-C融合，其实有两个重点：
一是，A与C要在信息层面做到全面深入的互动，这里面最关键的是数据平台以及渠道能力的建设，这个不难理解；
二是，A-C融合需要建立一个代理人服务网络，和科学的利益分配模型，让参与服务客户C的所有相关代理人都能够得到公平的收益。
先说第一个重点，要做到A与C在信息层面全面深入的互动，有几个事情要做：
1）A与C的IM能力嵌入体系内，包括站内IM，还有微信、QQ、短信等这些站外IM的集成，要做到A与C的各个IM渠道互动信息全面的集成和管理；
2）CRM/CEM能力的建设，保险产品的复杂性、不标准、反人性等，导致客户C时时刻刻都需要专业化的指导，而通过建立 CRM/CEM能力，A可以将任何专业化的内容和服务快速的投递给用户，而且，可以随时了解哪些客户看了自己在朋友圈发的产品评测文章 ，在抖音分享的每日经纪人手记，哪些客户接收了自己分享的计划书，哪些客户看了自己用对比工具做的产品对比分析，客户看了多长时间，是否有评论和点赞，是否转发等等；那么，除了A可以洞察自己的C，C也可以通过登录平台，一键向自己的A需求各种指导和帮助 。
3）AI大脑：把客户管理搬到线上，这个很多平台都在做，但是随着A要管理的客户越来越多，管理难度就上来了，平台如何为A提供专业化的、有技术含量的数据工具，高效的管理成百上千的客户，以一当百，这里面就有很多学问可做了。建立AI大脑，就是要以A-C融合的所有互动数据为基础，以大数据预测模型为技术手段，进行深入的客户洞察和行为预测，进行智能化的客户经营和服务。
例如，AI大脑可以为每个客户C建立成熟度发展模型，识别每个客户的类型和成熟度发展阶段，并且预测每个客户的下一个需求萌动时间点，需求的类型。代理人在AI大脑的支持下，高效、准确的洞察到干预的时机，捕捉到自己每个客户此时产生的是哪个需求点，并且在AI大脑的帮助下，智能化的进行产品、内容、服务的筛癣组装、制作，和输出，大大的提高了工作效率和精准度，真正的做到专业化，以一当百。
以上就是A-C融合的第一个重点，数据平台能力的建设。A-C融合的第二个重点，就是建立一个科学的利益分配模型，即类似于贝壳网的ACN经纪人合作网络。线上线下并举的A-C融合，要做到专业性、偏平化管理、快速反应，必须进行团队合作。在这个团队中，有以获客为主朋友众多的初级顾问，有为C提供综合一站式服务的专属客户经理，有在产品、核保、核赔方面的专家老师，有转介绍关系，有C再次裂变的多链条继承关系，场景众多，所以必须在A-C融合的利益分配模型中考虑到所有这些分配场景，制定合理的分配规则，这样才能够激发所有代理人的合作积极性。
另外，要做到A-C全面融合，还离不开大数据智能化工具的使用。在这些工具的帮助下，A成为了能力全面、专业过硬的代理人和服务顾问，成为了客户可信任的专家朋友。
这些智能工具包括：
1）可以进行个性化家庭风险分析的保险顾问，这个保顾工具不同于以往的一问一答输出几种固定组合格式家庭方案的普通顾问，这个保顾工具可以结合家庭具体情况输出完全个性化的风险分析，再结合家庭计划书，模拟真人1V1输出顾问报告。
2）产品对比工具：A为C任意选取多个感兴趣的保险产品进行几十个维度的对比，并且给出不同情况下的产品选择建议。
3）预核保工具：根据健康告知匹配规则、核保规则，为临界人群、非标体的客户快速筛选出可以投保的健康险、人寿险产品。
4）保单托管工具：一键OCR识别保单，云端托管，为客户进行家庭保单诊断，续期续保提醒。
以上，就是我们对于大数据赋能代理人的理解，也是我们这两年的业务实践。
在代理人赋能这一端，大数据技术并不是噱头，而是一种非常实用、有效的工具。随着A-C融合的发展，代理人越来越离不开大数据智能进行高效的、专业化内容的制作、输出和传播，进行客户的跟踪分析，对下一步经营动作做出最有效的预测，及时向客户投递服务。那些真正具备互联网和大数据智能化工具使用能力的、专业的精英代理人，那些未来的合格的独立代理人，将成为“1人之军”、“1人之师”。
而那些在互联网和大数据应用技能方面稍微差点的代理人群体，他们也将会在大数据技术的赋能下，在A-C融合利益分配网络中，需求到自己的位置，经营客户越来越高效。
上面这些内容就是我代表大象保险所做的分享。
做大数据这件事，要耐得住寂寞，要坚持科学正确的发展观，我们不能因为行业发展的曲折、客户市场的不成熟，而忽略了技术的力量、大数据的力量。
引用行业内某位专家的话：当底层逻辑变成了透明、极简、交互的 线上生存法则后，与之对应的营销模型就应该是获客、留存、激活、转化、保持，而这个领地，正是大数据的魅力所在。
2020分子乌镇保险科技大会精彩分享
（持续更新）
