江苏龙网

  1. 首页 > 资讯 > >

数据|分子封面 | 大象保险「用大数据工具洞察保险」

数据|分子封面 | 大象保险「用大数据工具洞察保险」
图片

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 。
数据|分子封面 | 大象保险「用大数据工具洞察保险」
图片

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 。
数据|分子封面 | 大象保险「用大数据工具洞察保险」
图片

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


推荐阅读


上一篇：中国|中国太保傅帆：外资股东占比提至35% GDR优化股权结构催生优质公司治理

下一篇：避险|海外避险资产荒： 谁在涌入比特币？ 黄金为何“不吃香”？