以戰(zhàn)略目標(biāo)為導(dǎo)向的數(shù)字化運營

1、以戰(zhàn)略目標(biāo)為導(dǎo)向的數(shù)字化運營技術(shù)創(chuàng)新，變革未來分享提綱數(shù)字化轉(zhuǎn)型原理全面數(shù)字化經(jīng)營常用模型與適用場景模型解決業(yè)務(wù)痛點案例數(shù)字化轉(zhuǎn)型意識與理念一. 數(shù)字化轉(zhuǎn)型的基本原理什么是數(shù)字化轉(zhuǎn)型？為什么要數(shù)字化轉(zhuǎn)型？數(shù)字化轉(zhuǎn)型要從哪轉(zhuǎn)到哪？一. 數(shù)字化轉(zhuǎn)型的基本原理什么是數(shù)字化轉(zhuǎn)型？數(shù)字化轉(zhuǎn)型是利用最新的數(shù)字化技術(shù)和能力驅(qū)動商業(yè)模式創(chuàng)新，目的是實現(xiàn)業(yè)務(wù)的轉(zhuǎn)型、創(chuàng)新和增長。（數(shù)據(jù)+業(yè)務(wù)邏輯分析、數(shù)據(jù)挖掘、人工智能=能力） 各種模式的電飯鍋；根據(jù)保障責(zé)任的定制化產(chǎn)品？（如何計費、風(fēng)控、保全、理賠、客服等？建設(shè)具有強大運營能力的大中臺，以具備諸多小前臺業(yè)務(wù)場景的運營能力）注：部分觀點來自IDC中國副總裁兼首席分

2、析師武連峰一. 數(shù)字化轉(zhuǎn)型的基本原理為什么要數(shù)字化轉(zhuǎn)型？中國經(jīng)濟增速下滑，對保險行業(yè)的挑戰(zhàn)：經(jīng)濟增長點轉(zhuǎn)變?yōu)樽非蠓?wù)品質(zhì)，從配置不配置保險，變?yōu)榕渲檬裁礃拥谋ｋU，怎樣配置保險。行業(yè)競爭不斷加?。?021年，開放金融機構(gòu)的外資股份占比限制，促使競爭升級；2015年放開從業(yè)資格證的增員紅利逐漸減少，粗放經(jīng)營-精細(xì)化經(jīng)營。用戶需求越來越苛刻和個性化：京東上午9點下單，下午3點收貨。注：部分觀點來自IDC中國副總裁兼首席分析師武連峰一. 數(shù)字化轉(zhuǎn)型的基本原理轉(zhuǎn)到哪：新體驗、新溝通、新價格、 新速度、新服務(wù)、新模式。領(lǐng)導(dǎo)力創(chuàng)新：認(rèn)識轉(zhuǎn)型對人壽的價值；運營創(chuàng)新：提效率、降成本、優(yōu)體驗、創(chuàng)價值；資源創(chuàng)新：用

3、IT整合資源（眾包、云） ；體驗創(chuàng)新：產(chǎn)品、服務(wù) （to：客戶+代理人）；盈利創(chuàng)新：數(shù)據(jù)帶來收入。注：觀點來自IDC中國副總裁兼首席分析師武連峰一. 數(shù)字化轉(zhuǎn)型的基本原理戰(zhàn)略目標(biāo)：數(shù)字化、在線化、智能化，依托科技驅(qū)動、極致體驗，邁向大健康產(chǎn)業(yè)生態(tài)體系。數(shù)字化轉(zhuǎn)型的內(nèi)涵：應(yīng)用數(shù)字化技術(shù)和能力，建設(shè)具有強大商業(yè)模式運營能力的大中臺， 實現(xiàn)業(yè)務(wù)運營模式的轉(zhuǎn)型、創(chuàng)新和價值增長。數(shù)字化運營的外延：搭建具有支撐企業(yè)數(shù)字化轉(zhuǎn)型的強大中臺需要： 一套認(rèn)知體系、一套轉(zhuǎn)型機制、一套業(yè)務(wù)模式。一. 數(shù)字化轉(zhuǎn)型的基本原理一套認(rèn)知體系：要管控，先認(rèn)知，因此需要一套可視化監(jiān)測平臺。追求方向：強大的數(shù)字化經(jīng)營能力；實現(xiàn)路徑

4、：全面量化各個環(huán)節(jié)過程KPI，以KPI優(yōu)化為運營方向，通過大數(shù)據(jù)、AI等技術(shù)手段，持續(xù)優(yōu)化過程KPI，以達到戰(zhàn)略目標(biāo)； 一. 數(shù)字化轉(zhuǎn)型的基本原理一套轉(zhuǎn)型機制：精益化經(jīng)營機制運營能力模塊化：反欺詐、核保、承保、保全、調(diào)查、理賠等細(xì)粒度模塊集合；運營模塊可配置：每個能力模塊都能根據(jù)業(yè)務(wù)場景，定制化地快速配置；業(yè)務(wù)場景拉模式：事業(yè)部或產(chǎn)品線需要新建運營能力，可拉取所需能力，個性配置；快速搭建智能化反欺詐、核保、承保、保全、調(diào)查、理賠等能力，并與人工流程無縫銜接；一. 數(shù)字化轉(zhuǎn)型的基本原理一套業(yè)務(wù)模式：圍繞可視化監(jiān)測平臺、精益化經(jīng)營機制，持續(xù)建設(shè)、優(yōu)化，探索新的業(yè)務(wù)模式。二、全面數(shù)字化經(jīng)營-流程 數(shù)

5、字化經(jīng)營流程數(shù)據(jù)分析與挖掘數(shù)據(jù)統(tǒng)計： 自動化報表數(shù)據(jù)分析： 經(jīng)營分析報告數(shù)據(jù)挖掘：分類、聚類、推薦等智能算法：帶病投保識別等人壽算法數(shù)據(jù)存儲與治理數(shù)據(jù)存儲：準(zhǔn)確、全面、實時數(shù)據(jù)建模：客戶畫像、自核模型、人核輔助決策模型等數(shù)據(jù)處理：收入校正、特征處理等應(yīng)用驅(qū)動經(jīng)營與決策客戶經(jīng)營體系化：老客加保、轉(zhuǎn)介紹，新人拉新客隊伍經(jīng)營終身化：甄選、培訓(xùn)、留存、績優(yōu)、流失產(chǎn)品營銷精益化：個性產(chǎn)品快速拉取銷售、承保、運營等能力運營兩核智能化：突破時效、效果、吞吐量管理決策科學(xué)化：內(nèi)勤配置方案、財務(wù)風(fēng)險識別.全生命周期數(shù)據(jù)采集實時采集：運營、行為等重點集市：客戶、隊伍等外部接入：廣接觸、有選擇數(shù)據(jù)驅(qū)動包括數(shù)據(jù)采集、

6、存儲、分析和應(yīng)用，需強化數(shù)據(jù)分析挖掘能力，賦能業(yè)務(wù)部門實現(xiàn)：客戶經(jīng)營體系化、隊伍經(jīng)營終身化、產(chǎn)品營銷精益化、運營兩核智能化、管理決策科學(xué)化。二. 全面數(shù)字化經(jīng)營-商業(yè)數(shù)據(jù)挖掘過程數(shù)據(jù)挖掘：從大量的、不完全的、有噪聲的、模糊的、隨機的業(yè)務(wù)數(shù)據(jù)中，識別隱含的、有價值的知識的過程。 即：把業(yè)務(wù)痛點抽象為由數(shù)據(jù)表示的模型，再通過算法解決業(yè)務(wù)痛點，給出可行方案。問題定義模型選擇算法實現(xiàn)應(yīng)用落地痛點發(fā)現(xiàn)哪些客戶更像帶病投保的？ 某家庭今年保費缺口是多少？ 各級機構(gòu)該配置多少內(nèi)勤？買了重疾險A的客戶更容易加保哪類產(chǎn)品？代理人學(xué)什么課程更能提高產(chǎn)能？業(yè)務(wù)痛點多種多樣，例如：場景1：“怎么找出帶病投保健康尊享的

7、客戶?” 場景2：“怎么按工作量給四級機構(gòu)配置人力?”場景3：“怎么填補和校準(zhǔn)客戶的個人收入？”場景4：“哪些保險產(chǎn)品會被同時購買？”場景5：“怎么按業(yè)務(wù)員的階段、知識體系和喜好推薦培訓(xùn)課程？”分類問題聚類問題回歸問題關(guān)聯(lián)分析推薦系統(tǒng)三.常用ML模型與適用場景3.1 分類問題：“預(yù)測未來”業(yè)務(wù)痛點：場景1“怎么找出帶病投保健康尊享的客戶?” 提高中端醫(yī)療險承保后調(diào)查呈陽性占比；數(shù)據(jù)理解：X：個人、保單、營業(yè)部業(yè)績、出險等；數(shù)值 Y：承保后調(diào)查呈陽性。0/1抽象定義：二值分類問題。模型構(gòu)建：選用XGBoost；拉取數(shù)據(jù)，分訓(xùn)練集和測試集。模型評估：準(zhǔn)確率、召回率。 總共100帶病投保的，通過模型

8、找出120人，其中 80人是真的，那么： 準(zhǔn)確率=80/120*100%=66.7% 召回率=80/100*100%=80%三.常用ML模型與適用場景分類算法有哪些？3.2 聚類問題：“物以類聚”業(yè)務(wù)痛點：場景2“怎么按工作量給四級機構(gòu)配置人力?” 不同市場條件下應(yīng)有不同規(guī)則，如何合理分組擬合；數(shù)據(jù)理解：業(yè)績、外勤數(shù)、留存客戶數(shù)、新契約客戶數(shù)、營業(yè)部數(shù)； 抽象定義：聚類問題。模型構(gòu)建：選用Kmeans算法；拉取數(shù)據(jù)，分訓(xùn)練集和測試集。模型評估：簇內(nèi)距離、簇間距離；三.常用ML模型與適用場景3.3 回歸問題：Y是數(shù)值的分類問題業(yè)務(wù)痛點：場景3“怎么填補和校準(zhǔn)客戶的個人收入？” 2億+客戶，200

9、0萬+人有收入，一半不靠譜，年代久遠；數(shù)據(jù)理解：X：地域、性別、工作類型、年齡、職級等； Y：收入數(shù)值（單位萬元）抽象定義：回歸問題。模型構(gòu)建：選用XGboost算法；拉取數(shù)據(jù)，分訓(xùn)練集和測試集。模型評估：MSE均方誤差、RMSE均方根誤差、MAE平均絕對誤差；三.常用ML模型與適用場景3.4 關(guān)聯(lián)分析：啤酒與尿布的故事 沃爾瑪在分析銷售記錄時，發(fā)現(xiàn)啤酒和尿布經(jīng)常一起被購買，于是他們調(diào)整了貨架，把兩者放在一起，結(jié)果真的提升了啤酒的銷量。業(yè)務(wù)痛點：場景4，哪些保險產(chǎn)品會被同時購買；年金、壽險、重疾、醫(yī)療、意外等；數(shù)據(jù)理解：客戶同年共同購買的所有產(chǎn)品種類； 抽象定義：關(guān)聯(lián)規(guī)則問題。模型構(gòu)建：選用關(guān)

10、聯(lián)規(guī)則算法；拉取數(shù)據(jù)，分訓(xùn)練集和測試集。模型評估：準(zhǔn)確率；三.常用ML模型與適用場景3.5推薦系統(tǒng)業(yè)務(wù)痛點：場景5：“怎么給業(yè)務(wù)員推薦最合適的培訓(xùn)課程？” 根據(jù)職級階段、知識體系和喜好，做千人千面的培訓(xùn)；數(shù)據(jù)理解：量化表示業(yè)務(wù)員生命旅程，知識體系，喜歡學(xué)習(xí)； 標(biāo)簽化表示培訓(xùn)課程。抽象定義：推薦系統(tǒng)。模型構(gòu)建：選用不同推薦算法；拉取數(shù)據(jù)，分訓(xùn)練集和測試集。 協(xié)同過濾、基于內(nèi)容、混合算法等。模型評估：點擊學(xué)習(xí)率三.常用ML模型與適用場景1.圖挖掘算法：隨機游走、pagerank、異構(gòu)信息網(wǎng)絡(luò)；2.知識圖譜：知識表示、檢索、推理等，如：智能問答；3.NLP：分詞、關(guān)鍵詞、相似度計算、情感計算、文本分

11、類；4.CNN、RCNN、Fast-RCNN、Faster-RCNN、MaskRCNN；圖像；5.RNN、LSTM、Bi-LSTM、attention機制、Bert：時序、NLP；6.GAN生成對抗網(wǎng)絡(luò)和圖像生成；7.強化學(xué)習(xí)：DQN,AlphaGo原理。三.常用ML模型與適用場景四. 模型解決業(yè)務(wù)痛點1-中端醫(yī)療險承保后調(diào)查模型1.目的初衷：嚴(yán)控帶病投保、理賠高風(fēng)險；風(fēng)險主要來源分析（以中端醫(yī)療險為例）：人工核保出險率極低，可以忽略；亟待提升時效和吞吐能力。自動核保出險率較高，需要嚴(yán)控。因此，可通過正反兩模型實現(xiàn)“嚴(yán)控風(fēng)險前提下，減少人工工作量?！保航ㄗh1：自核規(guī)則中加入風(fēng)險閾值，高風(fēng)險轉(zhuǎn)人

12、工！建議2：人工審核部分加入低風(fēng)險評分，低風(fēng)險也過！四. 模型解決業(yè)務(wù)痛點1-中端醫(yī)療險承保后調(diào)查模型2.問題定義：承保后調(diào)查就是找“帶病投保”。抽象為01二值分類問題；定義Y：帶病投保為1，包括承保后調(diào)查陽性、理賠調(diào)查陽性、“未如實告知”拒賠；其余為0。選取X：在數(shù)據(jù)庫中查詢、計算與問題相關(guān)的原始字段和衍生字段。四. 模型解決業(yè)務(wù)痛點1-中端醫(yī)療險承保后調(diào)查模型3.效果驗證:2019年6月下調(diào)返回結(jié)果：*省陽性率19.2%(35/182)2019年7月數(shù)據(jù)平臺返回結(jié)果：*省陽性率28.0%(56/200)*省陽性率39.5%(79/200)四.模型解決業(yè)務(wù)痛點1-中端醫(yī)療險承保后調(diào)查模型4.

13、持續(xù)優(yōu)化：難點樣本不均衡字段合理性/可用字段收入數(shù)據(jù)不準(zhǔn)確吸煙、飲酒不準(zhǔn)確體檢指標(biāo)缺失解決方案過采樣、欠采樣，平衡樣本不合理字段剔除未來增加其他來源的字段，正在嘗試加入一些體檢指標(biāo)四. 模型解決業(yè)務(wù)痛點2-營業(yè)部風(fēng)險量化方案一、營業(yè)部風(fēng)險畫像項目目標(biāo)： 本項目擬量化人壽營業(yè)部理賠風(fēng)險畫像，以承保、拒保、理賠等數(shù)據(jù)為基礎(chǔ)，設(shè)計多維度風(fēng)險畫像，實時監(jiān)測營業(yè)部各維度風(fēng)險，給出預(yù)警提示。二、問題定義： 風(fēng)險維度的量化以統(tǒng)計方法為主，結(jié)合按時序預(yù)測方法； 按醫(yī)療、壽險、意外、重疾預(yù)測之后3個月營業(yè)部風(fēng)險，并按風(fēng)險評分從高到低排序；三、數(shù)據(jù)需要與來源： 承保數(shù)據(jù)、拒保數(shù)據(jù)、理賠數(shù)據(jù)。四、解決方案建議：1.

14、數(shù)據(jù)探查，產(chǎn)出：營業(yè)部風(fēng)險量化方案：計劃；2.風(fēng)險標(biāo)簽，產(chǎn)出：營業(yè)部風(fēng)險量化指標(biāo)：直接反應(yīng)營業(yè)部操作風(fēng)險的指標(biāo)；3.風(fēng)險量化，產(chǎn)出：營業(yè)部風(fēng)險量化評分：風(fēng)險預(yù)測模型；4.風(fēng)險預(yù)警，產(chǎn)出：營業(yè)部風(fēng)險量化報告：按風(fēng)險排序，提示主要風(fēng)險。五、數(shù)字化轉(zhuǎn)型N意識與理念3個意識：發(fā)現(xiàn)：發(fā)現(xiàn)業(yè)務(wù)痛點的意識：戰(zhàn)略-KPI-瓶頸；解決：數(shù)據(jù)+模型解決業(yè)務(wù)痛點的意識：一切問題皆可用數(shù)據(jù)和模型解決，但需講究方式方法。落地：總分聯(lián)合建模落地業(yè)務(wù)痛點解決方案的意識：分公司緊鄰一線，更易發(fā)現(xiàn)痛點，總公司結(jié)合數(shù)據(jù)基礎(chǔ)、模型能力構(gòu)建解決方案，分公司試點方案。落地戰(zhàn)略、實現(xiàn)共贏。四個理念：三化理念：在線化：多屏融合、以APP為主；數(shù)字化：業(yè)務(wù)過程、客戶行為全記錄；智能化：數(shù)據(jù)+模型beyond時間、效果、吞吐量瓶頸。模型萬能理念：任何問題都能用數(shù)學(xué)模型解決，解決不了的那一定是方式方法沒選好。數(shù)據(jù)完備性一般重要理念：數(shù)據(jù)就像錢，有多少錢干多少事。目前的痛點不是解決數(shù)據(jù)多少的問題，而是解決先有模型的問題。即：數(shù)據(jù)和模型都不是一蹴而就的，數(shù)據(jù)需要持續(xù)積累，模型需要持續(xù)優(yōu)化；目前要解決關(guān)鍵環(huán)節(jié)模型從無到有，之后再考慮從有到優(yōu)。數(shù)據(jù)標(biāo)準(zhǔn)化一般重要理念：數(shù)據(jù)標(biāo)準(zhǔn)化對數(shù)據(jù)統(tǒng)計、業(yè)務(wù)分析很重要；而對建模來說，